Нейросети в Яндекс Директ: как я предсказываю эффективность кампаний и оптимизирую бюджет

Я давно устал от игры «подними ставку — посмотри, что будет». Когда бюджет влетает в трубу за день, хочется не «чувствовать кампанию», а иметь нормальные прогнозы: что будет с конверсией, ROMI и CPA при тех или иных настройках. Для этого я начал подтягивать нейросети.

Расскажу, как подхожу к предсказанию эффективности рекламных акций в Яндекс Директ и как это реально помогает экономить деньги, а не просто «играть в AI».

Какие данные я собираю для модели

База — выгрузка из Директа и Метрики. Минимальный набор признаков, который у меня работает:

— параметры кампании и группы: тип, стратегия, списки минус-слов, регионы — ключевые фразы и их нормализованный текст (без стоп-слов, приведённый к начальной форме) — данные по показам и кликам: показы, клики, CTR, средняя позиция, списанная цена — посадочная страница: тип (лендинг, каталог, карточка), скорость, наличие онлайн-чата — поведение и конверсии из Метрики: глубина, время на сайте, конверсии по целям, доход из CRM

Целевые метрики, которые я учу модель предсказывать: вероятность конверсии, стоимость конверсии и ROMI по фразе/группе в разрезе дня или недели.

Какая архитектура нейросети заходит в перформансе

Без фанатизма. Для большинства задач предсказания в Директе у меня срабатывает связка:

— градиентный бустинг по табличным данным (CatBoost/XGBoost) — как основной «рабочий конь» — простая нейросеть (2–3 скрытых слоя) на PyTorch/Keras — когда нужно сильнее учесть текст фразы и связку «запрос → посадочная → конверсия»

Фразы я кодирую через эмбеддинги: беру предобученную языковую модель, получаю вектор запроса и склеиваю его с табличными признаками. Дальше — обычная регрессия: модель предсказывает логарифм CPA или ROMI.

Главное — не пытаться построить идеальную вселенную. Гораздо полезнее модель, которая ошибается на 15–20 %, но стабильно ранжирует фразы по ожидаемой рентабельности.

Как я использую предсказания в управлении ставками

Дальше начинается самое интересное. На уровне практики это выглядит так:

1. Для каждой фразы модель даёт прогноз: вероятность конверсии и ожидаемый CPA при текущих настройках. 2. Я считаю «допустимый CPA» от бизнеса (сколько мы готовы платить за заявку) и через прогноз получаю максимальную ставку. 3. Фразы делю на кластеры: — «агрессивный рост» — высокий ROMI, можно поднимать ставку и расширять охват; — «под наблюдением» — около нуля по ROMI, ставку не трогаю или чуть занижаю; — «в минусе» — понижение ставок или перенос в отдельную кампанию под низкий лимит.

Этот подход особенно выручает во время акций: распродажи, сезонные пики, спецпредложения. Я заранее прогоняю сценарии — какие фразы и сегменты аудитории с большой вероятностью выстрелят под конкретное предложение, и перераспределяю бюджет до старта кампании, а не на третий день, когда уже всё слили.

Где чаще всего всё ломается

Самые частые грабли:

— Мало данных. На уровне 50–100 конверсий в месяц по проекту никакая нейросеть чудес не сделает. Я в таких случаях агрегирую данные по кластерам фраз (по интенту, типу запроса, сегменту аудитории). — Смена оффера или посадочной. Модель училась на старой связке, вы выкатываете новый лендинг — и прогнозы летят. Решаю это регулярным дообучением и флагами версий лендингов. — Переобучение под исторические кампании. Алгоритм начинает «любить» старые настройки и неадекватно реагирует на новые типы стратегий в Директе. Спасают валидация по времени и жёсткий контроль на свежих периодах.

Нейросеть здесь — не «магический оптимизатор», а умный советчик, который говорит: «вот сюда бюджет, вот отсюда забери».

Я всё больше убеждаюсь, что будущее перформанс-маркетинга — не в бесконечных ручных правках ставок, а в нормальных AI-алгоритмах поверх систем типа Яндекс Директа. Вопрос только: вы хотите быть тем, кто эти модели настраивает, или тем, кто продолжает крутить кампании «по ощущениям»?

Больше материалов на dimafedorov.ru