меню
Когда человек впервые сталкивается с автоматической рекламой в Яндекс Директ или Google Ads, легко представить её почти как магию. Мы задали товар, бюджет и цель, а дальше система сама решает, кому показать объявление, сколько за этот показ заплатить и в какой момент лучше выйти на пользователя.
На самом деле никакой магии нет. Есть огромное количество данных, математические модели и постоянный пересчёт вероятности целевого действия. Рекламная система не знает заранее, что конкретный человек обязательно купит товар. Она пытается оценить вероятность покупки или другой конверсии и сравнивает её с вероятностью у других пользователей.
Представим обычный поиск. Человек вводит запрос «купить автомобиль с пробегом в Москве». Для старого подхода достаточно было подобрать ключевую фразу и показать подходящее объявление. Современные рекламные системы смотрят шире. Важен не только сам запрос, но и контекст ситуации: устройство, география, время, предыдущие действия, интересы, история взаимодействия с рекламой и множество других сигналов.
У Google Smart Bidding, например, ставка рассчитывается отдельно для каждого рекламного аукциона. Система прогнозирует вероятность конверсии с учётом контекстных сигналов и на основании этого определяет, насколько агрессивно участвовать в конкретном аукционе. Google прямо указывает, что модели учитывают устройство, местоположение, время суток, браузер, операционную систему, язык и комбинации сигналов между собой.
В Яндекс Директ механизм немного другой и зависит от типа размещения. Автотаргетинг на поиске анализирует содержание объявления и посадочной страницы и сопоставляет их с запросом пользователя. При этом учитываются синонимы, формы слов, связанные тематики и другие параметры. В сетях Директ дополнительно анализирует известные интересы пользователя и тематику площадки.
Поэтому фраза «алгоритм сам ищет клиентов» слишком упрощает происходящее. Правильнее представить систему как модель, которая постоянно отвечает на вопрос: «Насколько этот пользователь и эта ситуация похожи на те случаи, когда реклама уже приводила к нужному действию?»
Здесь хорошо работает бытовая аналогия с опытным детективом. Представим, что ему нужно найти человека, который собирается купить автомобиль. Он не станет просто ходить по улице и спрашивать каждого: «Вы хотите купить машину?»
Он будет собирать косвенные улики. Человек недавно заходил на автомобильные форумы, сравнивал модели, рассчитывал автокредит, смотрел обзоры, искал адреса автосалонов и несколько раз интересовался тест-драйвами. Каждая отдельная улика ещё ничего не доказывает. Но когда они складываются вместе, вероятность становится намного выше.
Система может видеть, что определённые сочетания сигналов чаще приводят к конверсии. Например, пользователи с конкретного типа устройства в определённом регионе могут чаще оставлять заявки вечером. Для другого товара ситуация будет обратной: основная часть покупок может происходить утром с компьютеров.
Именно поэтому нельзя воспринимать «аудиторию» как простую таблицу с полом, возрастом и городом. Для машинного обучения гораздо важнее поведенческий контекст.
При этом часто встречается утверждение, что алгоритмы Яндекс Директ и Google Ads буквально анализируют фиксированные «300+ факторов» для каждого человека. В открытой документации рекламных систем такого универсального числа для всех кампаний нет. Поэтому корректнее говорить о сотнях и большом количестве сигналов, не выдавая конкретную цифру за официальное постоянное правило.
Смысл от этого не меняется: одновременно оценивается множество параметров, а особенно важны не отдельные признаки, а их сочетания. Google прямо описывает использование комбинаций сигналов, которые статистически связаны с вероятностью конверсии.
Есть ещё одна важная деталь. Алгоритм не обязан показывать рекламу только людям, которые полностью совпадают с заранее заданным портретом. В автоматических кампаниях аудитория часто используется как сигнал для обучения, а не как жёсткая граница.
Например, в Performance Max Google можно передать системе аудиторию существующих покупателей. Это помогает алгоритму понять, какие пользователи могут быть ценными. Но реклама при этом может показываться и людям за пределами исходного сегмента, если система считает их перспективными с точки зрения цели кампании.
Здесь появляется идея Look-alike — поиск пользователей, похожих на уже известных клиентов.
Допустим, интернет-магазин передал рекламной системе список покупателей. Модель изучает общие характеристики и поведенческие признаки этой группы, после чего пытается найти других пользователей с похожими сигналами.
Важный момент: утверждение о том, что алгоритм ищет людей с «совпадением 85%+», нельзя воспринимать как универсальное правило. У рекламных платформ разные модели и разные механизмы похожих аудиторий. Google, например, описывает Lookalike Segments как группы людей, имеющих характеристики, сходные с пользователями исходного списка, а в 2026 году отдельно обновляет механизм их использования в Demand Gen.
Получается довольно интересная вещь. Реклама ищет не только человека, который прямо сейчас написал правильный запрос. Она пытается найти контекст, в котором вероятность нужного действия выше.
Представим новую рекламную кампанию интернет-магазина, где пока было всего два заказа. Алгоритму практически не из чего строить устойчивую модель. Один покупатель пришёл с телефона вечером, другой — с компьютера утром. Нельзя сделать серьёзный вывод о том, какое устройство или время действительно связано с покупкой.
Поэтому машинному обучению необходимы конверсии. Чем больше качественных целевых действий получает система, тем больше у неё материала для сравнения разных ситуаций.
Для Яндекс Директ в справке прямо указано, что для обучения конверсионной стратегии цель должна достигаться не реже 10 раз в неделю, а на обучение стратегии может потребоваться одна-две недели. Если конверсий мало, алгоритму сложнее обучиться.
У Google требования зависят от конкретной стратегии. Например, для Target ROAS в Search и Shopping Google указывает ориентир не менее 15 конверсий за последние 30 дней на уровне отслеживания конверсий.
Поэтому популярную рекомендацию «нужно 10–15 конверсий в неделю для любой умной рекламы» тоже лучше не превращать в универсальный закон. Правильнее воспринимать её как практический ориентир для достаточного объёма данных, а конкретные требования проверять для выбранной стратегии.
Допустим, рекламодатель продаёт пластиковые окна. За несколько недель система получает сотни кликов и десятки заявок. Постепенно она начинает замечать закономерности. Одна группа пользователей кликает часто, но редко оставляет заявку. Другая кликает немного реже, зато значительно чаще заполняет форму. Третья группа почти не кликает по определённым объявлениям, но если всё-таки переходит на сайт, вероятность заявки оказывается высокой.
Человек может посмотреть на такую статистику один раз в отчёте. Алгоритм делает подобные расчёты постоянно и на гораздо большем объёме данных.
Google описывает Smart Bidding именно как автоматическую оптимизацию ставок на уровне каждого аукциона. При этом модель использует накопленные данные о конверсиях и контекст конкретного показа.
В Яндекс Директ связь с аналитикой строится через Метрику. Цели Метрики передаются в Директ и используются автоматическими стратегиями для прогнозирования конверсий и управления рекламой. Система может учитывать, какие действия на сайте действительно связаны с результатом, а не просто с переходом или просмотром страницы.
И вот здесь возникает проблема, которую часто недооценивают рекламодатели: алгоритм не может качественно оптимизироваться под то, что вы измеряете неправильно.
Если целью поставить «просмотр двух страниц», система будет искать людей, которые с высокой вероятностью просмотрят две страницы. Это не обязательно те же люди, которые купят товар.
Если целью является заявка, но форма настроена так, что любое открытие страницы благодарности считается заявкой, модель получает искажённый сигнал. Для неё это будет настоящая конверсия, даже если менеджер никогда не получил клиента.
Машинное обучение не умеет угадывать бизнес-смысл цели. Оно учится на тех данных, которые ему передали.
По этой причине умный таргетинг начинается не с кнопки «включить автоматическую стратегию». Сначала нужно правильно определить, что именно считается результатом рекламы. Для интернет-магазина это может быть покупка или переданная стоимость заказа. Для услуг — квалифицированная заявка, звонок или запись. Для сложного B2B-продукта полезнее передавать данные о реальных сделках из CRM, чтобы рекламная система видела не только факт отправки формы, но и дальнейший результат.
Яндекс позволяет передавать в Метрику офлайн-конверсии из CRM, после чего эти данные могут использоваться для оптимизации рекламных кампаний.
Есть и ещё одна причина, почему нельзя просто запустить автоматическую рекламу и забыть о ней.
Алгоритм оптимизирует математическую цель, которую ему поставил рекламодатель. Если цель сформулирована неправильно, система может очень эффективно делать совершенно не то, что нужно бизнесу.
Можно представить водителя с идеальной навигацией. Он прекрасно рассчитывает маршрут, учитывает пробки и постоянно перестраивает путь. Но если в навигаторе указан неправильный адрес, технически он всё равно работает правильно — просто привозит не туда.
Поэтому специалист по контекстной рекламе сегодня всё меньше похож на человека, который вручную выставляет ставки для каждой ключевой фразы. Его задача смещается в другую сторону: правильно собрать данные, определить цели, подготовить качественные объявления и посадочные страницы, проверить ограничения и понять, какие сигналы получает алгоритм.
В Яндекс Директ автотаргетинг уже работает без обязательной привязки к конкретным ключевым фразам: система сопоставляет объявление и страницу с запросом, интересами пользователя или тематикой площадки. При этом статистику автотаргетинга можно отдельно анализировать по показам, конверсиям и стоимости цели.
В Google Ads автоматические стратегии тоже не являются простой кнопкой «найти покупателей». Smart Bidding каждый раз оценивает конкретный аукцион, а модель постепенно обновляется на основе новых данных. Для неё важны не только отдельные признаки пользователя, но и то, как они работают вместе.
Именно поэтому современная контекстная реклама становится похожей на систему с обратной связью. Бизнес получает обращения, аналитика фиксирует их, рекламная платформа получает данные, модель пересчитывает вероятности, меняются ставки и аудитория, появляются новые конверсии — и цикл начинается снова.
Чем качественнее этот цикл настроен, тем меньше в рекламе ручного угадывания и тем больше решений принимается на основе реального поведения людей. Алгоритм не читает мысли покупателя. Он просто замечает тысячи маленьких закономерностей раньше, чем человек успевает увидеть их в обычном отчёте.
оставьте заявку и мы начнём работать