Богдан Непряхин

Какую задачу решаем

Яндекс Директ обучается на тех целях, которые вы передаете ему как ключевые. Если в них попали дубли, намерения вместо обращений или поведенческий шум, алгоритм честно набирает именно такой трафик, впустую расходуя ваш бюджет. Проблема в том, что владелец бизнеса об этом не знает: конверсия в отчёте выглядит нормально, подрядчик работает, счётчик стоит. За год мы проверили 100+ проектов по единой методике: примерно в 70 % цели настроены некорректно. Детально разобрали на трёх самых ярких примерах глубину проблемы, обобщили самые частые боли и подготовили единый документ, чтобы вы наконец-то перестали стоять на этих граблях.

Как будем работать

• Сформулировали, что вообще считать обращением: разложили цели на 5 классов — обращение, намерение, шаг воронки, поведенческая, мёртвая
• Ввели дедупликацию и уточнили механизм подсчёта целевых действий
• Закрыли методику в код: детерминированный расчёт на Python поверх выгрузок Logs API и Management API, MySQL, Airflow. Сверху построили ИИ-слой с жёстким разделением труда: цифры считает код, модель формулирует выводы
• Добавили метки достоверности на каждый вывод (доказано данными / требует проверки человеком) и разницу с прошлым запуском: что появилось, что исчезло, что игнорируют.

Результат

• На кейсе застройщика за 13 месяцев: отчёт показывал конверсию 10 %, реальная — 0,30 %. Завышение в 33 раза, и именно на этих данных обучался алгоритм.
• 8,7 млн ₽ за 13 месяцев потрачено на трафик с площадок ниже порога конверсии по основным целям обращений, при заниженной оценке в 20 ₽ за клик. Это 74 % всего рекламного трафика проекта.
• Создали систему, которая позволяет оперативно находить подобные проблемы и не допускать их появления в будущем.

Для кого

Владельцы бизнеса и маркетологи, которые платят за контекстную и таргетированную рекламу и хотят понимать, на чём учится алгоритм, за который они платят. А для всех, кто строит ИИ-процессы в маркетинге, блок про архитектуру ИИ-слоя (разделение арифметики и модели, правила эксперта, метки достоверности) переносится на любой процесс, где нейросеть работает с данными: скоринг лидов, автоответы поддержки, разбор резюме и т. п.