Александр Вахтин › avvahtin Сбер ID
AI-агенты, данные и веб-сервисы на Python: от идеи до продакшена
Рейтинг
217
№ 6 009 в каталоге
Отзывы
0
Профессионализм
-/10
Коммуникация
- /10
Город
Москва
Опыт работы
8 лет
На сайте с
2026 года
Юридический статус
ИП

CPL −87% в баннерах СДЭК: ML- и RFM-аудитории для 8 брендов

Используемые навыки Видеореклама Маркетинговые исследования Медийная (баннерная) реклама Оптимизация коэффициента конверсии Планирование и покупка рекламы

Описание

Восемь рекламодателей из разных отраслей пришли с одним вопросом: как получить больше продаж и заявок, не увеличивая рекламный бюджет.

— СДЭК — один из крупнейших логистических операторов России;
— Finn Flare — бренд одежды из топ-15 fashion-ритейла России, больше 100 офлайн-магазинов;
— divan.ru — один из крупнейших интернет-магазинов мебели в России;
— 585GOLD — одна из крупнейших сетей ювелирных магазинов;
— «Выберу.ру» — финансовый маркетплейс банковских, страховых и инвестиционных продуктов;
— «ВОИН» — магазин мужской одежды, обуви и аксессуаров для активного образа жизни;
— банк из топ-20;
— Mascotte — сеть магазинов обуви, одежды и аксессуаров, 42 офлайн-магазина и свой интернет-магазин.

Боль у всех общая: реклама платит за всех посетителей одинаково. Показы шли по интересам, как у СДЭК, или на автостратегиях Яндекс.Директа, как у большинства остальных. Ни то, ни другое не знает, насколько конкретный человек готов купить прямо сейчас. Бюджет одинаково уходит на тех, кто купит на этой неделе, и на тех, кто не купит вообще. У банка из топ-20 это выглядело так: стоимость заявки держалась высокой, конверсии не росли.

Идея простая: оценить для каждого посетителя вероятность покупки, за готовых бороться ставкой, на холодных не тратиться. Там, где есть история покупок в CRM, тот же принцип работает на RFM-сегментах. Сложность в том, что бизнесы устроены по-разному, а подход должен выдержать их все.

Разное целевое действие: покупка в интернет-магазине, онлайн-накладная у СДЭК, заявка на заём у «Выберу.ру», заполнение паспорта в заявке банка.

Разный цикл решения, а значит и горизонт прогноза: 7 дней у «ВОИН», Finn Flare и 585GOLD, 14 дней у банка, 30 дней у СДЭК, 45 дней у divan.ru.

Разные ограничения: у Finn Flare строгий ДРР, а Яндекс.Аудитории не принимают сегмент меньше 100 человек.

Разные форматы: поиск и РСЯ, смарт-баннеры, ремаркетинг, брендовые кампании, медийные баннеры и видео.

И условие, без которого разговор не имеет смысла: эффект подтверждается сравнением — A/B-тестом или периодом «до и после», а не ощущением.

Решение

Систему предсказания вероятности покупки разработал я — первой она заработала в кейсе Литрес. Дальше команда отдела аналитики, которым я руковожу, применила её для семи рекламодателей этой серии. Для Mascotte и в отдельном проекте Finn Flare команда собрала ту же схему на RFM-сегментах из CRM: сегменты, ставки, ежедневный пересчёт.

Методика одна, исполнения два. Полный проект со своей инфраструктурой — так было у «ВОИН», подготовка заняла полтора месяца. И «быстрые предикты» на платформе StreamMyData, разработкой которой я руковожу: подключить Яндекс.Метрику, выбрать цель и горизонт — и через несколько часов сегменты готовы. Раньше полный цикл такой интеграции занимал от 3 до 6 месяцев, теперь — до 24 часов.

Дальше — шаги, одинаковые для всех клиентов, и решения, от которых зависят деньги.

Данные. Источник — сырые действия посетителей из Яндекс.Метрики. У «ВОИН» — через Logs API: для него составили ТЗ на передачу UserID из CRM и разметку около 150 событий — покупка, корзина, клик по карточке, регулятор цены, поиск, переход в каталог. Быстрым предиктам хватало истории за 2–3 месяца.

Признаки. SQL-запросы превращают поток событий в описание поведения. У «ВОИН» их три: сессионные признаки, действия внутри сессий и целевой признак — была ли покупка за 7 дней. Всего 707 признаков. В быстрых предиктах для банка их больше 200.

Модель. У «ВОИН» признаки идут в три обученные модели, итоговая вероятность — среднее их прогнозов. Цель и горизонт выбираются под бизнес, и это важнее, чем кажется. У «Выберу.ру» первая версия училась на общей конверсии по всем продуктам: трафик уходил к людям, готовым к другим продуктам, а не к займам, а общую конверсию совершала слишком малая доля посетителей, чтобы модель хорошо училась. Её переобучили на одну цель — страницу займов, и через две недели показатели пошли вверх.

Сегменты. Посетители делятся по вероятности на группы от high до low, иногда с отдельной extremely_low — это вероятность меньше 1%. Границы у каждого клиента свои. У 585GOLD пять сегментов: extremely_low — 0–1%, low — 1–10%, slightly_low — 10–28%, slightly_high — 28–56%, high — 56–100%. У СДЭК high начинается с 59%. Яндекс.Аудитории не принимают сегмент меньше 100 человек, поэтому мелкие группы объединяются: у «ВОИН» пять сегментов свели в три.

Ежедневный пересчёт. Без него человек, купивший вчера, остаётся в самом горячем сегменте, и на него продолжают тратить бюджет. У «ВОИН» это Python и Apache Airflow: три DAG каждый день выгружают данные из Google BigQuery и дообучают модели, ещё один ночью обновляет сегменты. Ресурсы под задачи распределяет Kubernetes.

Ставки. Сегменты уходят в Яндекс.Аудитории и в Директ как корректировки: холодным — понижающие, у банка вплоть до −100%, то есть без показов; горячим — повышающие, до +70% в RFM-кампаниях Finn Flare. Самым лояльным клиентам Finn Flare ставку дали высокую, но не максимальную: они купят и без давления.

RFM. Покупатели из CRM делятся на три группы по давности, частоте и сумме покупок — выходит 27 сегментов. У Finn Flare данные за два года выгружались SQL-запросом из Google BigQuery, границы групп — квантили 0,33 и 0,66. Мелкие сегменты слили: в 8 групп у Finn Flare и в 6 у Mascotte.

Проверка. ML-сегменты против таргетинга по интересам у СДЭК, против автостратегий Яндекса у «ВОИН» и divan.ru, аудитории с корректировками против аудиторий без них у «Выберу.ру», периоды до и после у Finn Flare и банка. У «ВОИН» обе половины кампаний получали одинаковый бюджет в неделю, и месяц в настройки никто не вмешивался.

Результат

У всех восьми брендов реклама стала работать лучше — и у каждого это подтверждено сравнением, а не ощущением. Выигрыш у всех свой, поэтому ниже он разложен по задачам, с которыми приходят чаще всего.

Дешевле заявка. СДЭК, A/B-тест с февраля по май 2025 года в баннерах и видео: сегменты high и slightly_high против таргетинга по интересам. CPL ниже на 87,3% в баннерах и на 81,3% в видео, CPA по онлайн-расчётам — на 81% и 64,2%, совокупный CPA (онлайн и офлайн) — на 68,2% и 52,9%. «Выберу.ру»: стоимость заявки ниже на 33,13%, стоимость выдачи займа — на 39,35%, конверсия из клика в выдачу выше на 72,84%.

Больше прибыли с того же бюджета. Finn Flare: ROI вырос в 2 раза, CPA в среднем −67%, CTR +41%, конверсия выросла в среднем до 2,5% — в 4 раза. Сегменты, на которые шло около 15% расходов, приносят около четверти прибыли канала. Общий бюджет остался прежним.

Больше продаж и выше чек. «ВОИН»: в первой кампании A/B-теста против автостратегий половина на ML-сегментах принесла на 25,7% больше покупок при CPA ниже на 21,2%, стоимость корзины выше на 37,2%. 585GOLD: ДРР −17%, средний чек +35,6%, конверсия +40,6%.

Меньше пустых расходов. divan.ru: за полтора месяца расходы в тестовых кампаниях снизились на 12% за счёт отсечения холодных сегментов, прирост конверсии — до 75% к автостратегиям Яндекса, по A/B-тесту ДРР −41% и CPO −25% за те же деньги.

Сильнее ремаркетинг. Банк из топ-20: после корректировок −100%, +10% и +20% конверсия по цели «Заполнение паспорта» выросла на 165% к периоду наблюдения.

Без ML, на данных CRM. Mascotte: за два месяца на RFM-сегментах конверсия выросла больше чем в 5 раз, стоимость привлечения клиента снизилась на 32%. Finn Flare: через два месяца конверсия +30,7%, стоимость заказа −24%.

Что это значит для бизнеса. Эффект дал не рост бюджета, а его перераспределение: деньги ушли с тех, кто не купит, на тех, кто готов купить. «ВОИН» после теста перешёл на постоянное сотрудничество, divan.ru собирается тиражировать подход на другие рекламные активности.

Порог входа низкий: быстрым предиктам нужны доступ к Яндекс.Метрике, цель и горизонт прогноза, а готовые сегменты появляются в течение 24 часов.

Проверить:
https://medianation.ru/authors/aleksandr-vakhtin/
https://medianation.ru/cases/optimizirovali-mediynuyu-reklamu-s-pomoshchyu-prediktivnoy-analitiki/
https://medianation.ru/cases/uvelichili-roi-v-2-raza-pri-pomoshchi-prediktivnoy-analitiki-/
https://medianation.ru/cases/sokratili-reklamnye-raskhody-na-12-s-pomoshchyu-predektivnoy-analitiki/
https://streammydata.ru/projects/

Работа выполнена в соавторстве

Отдел аналитики MediaNation, которым я руковожу. Систему предсказания покупки разработал я (кейс Литрес); модели и кампании для клиентов этой серии вела команда отдела.

Оценили проект:

Другие проекты

Все проекты →
Веб-разработка и IT SaaS для селлеров: видео и 4 варианта фона из одного фото
SaaS для селлеров: видео и 4 варианта фона из одного фото
156
Веб-разработка и IT С n8n на свой код за 10 дней: Telegram-бот для редакции
С n8n на свой код за 10 дней: Telegram-бот для редакции
72
ИИ и Нейросети Сбой в рекламе — в Telegram в тот же день: движок алертов
Сбой в рекламе — в Telegram в тот же день: движок алертов
68
Веб-разработка и IT Этажность 237 000 зданий: парсинг 2ГИС и OpenStreetMap
Этажность 237 000 зданий: парсинг 2ГИС и OpenStreetMap
77