В нишах со сложным циклом сделки — недвижимости, автопроме, дорогом B2B-оборудовании и обучении — путь покупателя редко укладывается в один визит. Пользователь изучает планировки и цены, через неделю возвращается сравнить условия рассрочки, советуется с семьей и лишь спустя месяц оставляет заявку.
Оценивать такую рекламу по принципу «нет немедленной заявки — нет результата» ошибочно. Но и простой клик мало говорит о намерениях: один посетитель внимательно изучает спецификацию, а другой закрывает вкладку через секунду. Чтобы точно оценивать качество трафика, Яндекс Директ использует внутреннюю предиктивную модель «Горгона» (Gorgona). Алгоритм анализирует микроповедение аудитории на Поиске и в РСЯ, прогнозируя вероятность целевого действия задолго до оформления заказа.
Оценка сессии до совершения заказа
В отличие от прежних систем, «Горгона» анализирует свыше 25 сигналов о поведении пользователя. Модель оценивает комплексное взаимодействие с сайтом: время изучения страницы, глубину просмотра, открытие условий доставки или прайс-листов, скачивание каталогов, добавление товаров в корзину и работу с калькуляторами.
Архитектура системы построена как многоголовая нейросеть (multi-head model). Несколько специализированных сетей параллельно оценивают разные срезы информации: динамику вовлеченности, сопоставление с похожими сессиями и движение по воронке, после чего выводы объединяются в единый скоринговый балл.
В контур модели также встроен компонент-посредник (прокси-модель). Он оперативно фиксирует резкие краткосрочные колебания спроса. Например, при внезапном похолодании интерес к обогревателям растет мгновенно: покупок в первые часы еще мало, но поведение на сайтах уже меняется. Прокси-модель передает обновленные веса основной нейросети еще до накопления достаточного объема макроконверсий.
Управление аукционом и динамика ставок
Прогноз «Горгоны» используют автоматические стратегии Директа (например, «Максимум конверсий»). Система рассчитывает ставку в аукционе индивидуально перед каждым показом. Если профиль пользователя указывает на высокую вероятность целевого действия, алгоритм повышает ставку, чтобы выиграть показ. Если вероятность мала, ставка занижается либо показ отсекается.
Рост цены отдельного клика нередко снижает итоговую стоимость привлечения клиента. Например, 80 переходов по 25 рублей приносят один случайный заказ — покупатель обходится в 2000 рублей. В кампании с предиктивной оптимизацией 80 переходов стоят по 40 рублей, но дают четыре заказа: расход составляет 3200 рублей, а цена клиента падает до 800 рублей. Оценка по финальной цене лида (CPL), а не по стоимости клика, становится главным ориентиром.
Требования к рекламодателю и ограничения
Рекламодателю не нужно включать модель вручную: расчеты идут внутри выбранных автостратегий. Однако точность прогнозов зависит от чистоты входящих данных:
- Не перегружайте цели. Не настраивайте десятки кликов по кнопкам: достаточно отслеживать 2–3 ключевых промежуточных действия, отражающих реальный интерес к покупке.
- Обеспечьте поток данных. По документации Яндекс Директа, для стабильной работы и обучения автостратегий нужен поток от 10 конверсий в неделю на уровне кампании или пакетной стратегии.
- Следите за валидностью. Ошибочно отправленные формы без обязательных полей не должны попадать в Метрику как успешные лиды, чтобы не сбивать калибровку модели.
Предиктивная модель оценивает вероятности, но не исправит базовые проблемы бизнеса: неработающую корзину, завышенные цены, отсутствие товаров на складе или медленные ответы менеджеров отдела продаж.