Какое будущее ждет рекламные алгоритмы

Сегодня перед рекламными платформами стоит сложная задача – сделать сообщения брендов более релевантными для потребителей и одновременно более эффективными для бизнеса. Наш опыт показывает, что решение кроется в изменении логики взаимодействия рекомендательных и рекламных технологий. Сближение этих моделей в «VK Рекламе» за девять месяцев увеличило конверсии почти вдвое, а у бизнеса из сферы электронной коммерции – на треть. Расскажу, как мы пришли к такому результату.

Алгоритмы с разными целями

Исторически рекомендательные и рекламные системы развивались отдельно. Рекомендательные алгоритмы были заточены на повышение вовлеченности, чтобы пользователь проводил больше времени на платформе. Они оценивали интерес через просмотры, лайки, отправку контента друзьям и другие маркеры активности.

Рекламные модели ориентировались на другие метрики: стоимость перехода, цену тысячи показов, попадание в целевую аудиторию. Задача сводилась к увеличению ценности размещения для рекламодателя. Система опиралась в основном на внешние данные о пользователе: социально-демографические показатели, заявленные интересы, похожие аудитории.

Это можно сравнить с экскурсией по картинной галерее. Работа рекомендательной модели похожа на гида, сопровождающего посетителя. Гид замечает, какие работы привлекают больше внимания, где человек дольше задерживается и о чем спрашивает, и корректирует маршрут по галерее и фокус на экспонатах.

Рекламная система похожа, скорее, на сувенирный магазин на выходе: она не знает индивидуальных предпочтений человека, но помнит, что посетители с похожим набором признаков – демографией и заявленными интересами – чаще покупают репродукции Климта, а с другим набором – пазл с картиной Ван Гога.

От наблюдений – к предложениям

Постепенно крупные контентные платформы пришли к тому, что нужно передать наблюдения гида в магазин. Иными словами – применять данные о реальном поведении посетителя на платформе не только для рекомендаций, но и для рекламных сообщений.

Например, известная американская платформа для визуального поиска анализирует действия пользователя с контентом (просмотры, сохранения и клики) и формирует представление о его интересах. Опираясь на данные о посетителе, рекламная модель выбирает коммерческие публикации с учетом заданных рекламодателем параметров и встраивает их в ленту наряду с обычными постами.

Китайская Xiaohongshu, управляющая платформой RedNote, пошла дальше – создала общую систему для моделирования портрета пользователя, которую применяют и рекламный, и рекомендательный алгоритмы. Целостный портрет позволил показывать человеку интересный именно ему контент вместе с релевантными предложениями рекламодателей.

В VK инженеры создали единую платформу, которая объединила рекомендательные системы, поиск и рекламу. У них появилась общая база знаний о человеке. Система смотрит, что пользователь читает, смотрит, ищет и лайкает во всех сервисах VK, и на основе этого предлагает ему релевантный контент и подходящую рекламу. Она помогает быстро переносить зарекомендовавшие себя модели машинного обучения из одного продукта VK в другой. При этом бизнес может пользоваться привычными механиками: доступен аукцион, можно задавать цели, ограничивать бюджет и применять другие параметры для рекламной кампании.

Знания конвертируются в цифры

Реклама получает лучший отклик, когда платформа понимает пользователя и отвечает на его внутренний запрос. Наша система накапливает знания о том, что человеку интересно в целом и в текущий момент, и применяет их для более точного показа рекламы. А когда к процессу подключаются нейросети и модели машинного обучения, появляется возможность предсказать, совершит ли человек нужное действие – клик или покупку – с учетом его интересов и поведения.

Эффект от объединения технологий виден на цифрах. Например, после интеграции «VK Рекламы» с новой платформой конверсия из показа в клик выросла на 27,5%, а из показа в покупку – на 45%. При этом затраты на привлечение одного покупателя снизились на 18,5%.

Для рекламодателя это означает, что каждый вложенный рубль приносит больше отдачи. Платформа помогает быстрее находить, кому показать объявление, и глубже понимать, какой креатив сработал. За счет лучшего соответствия интересам пользователя кампании демонстрируют более высокие результаты с самого старта. А скорость и точность аналитики позволяют оперативно оценивать эффективность отдельных объявлений и корректировать тактику продвижения. Но также меняется и задача рекламодателя. Теперь недостаточно просто выбрать целевую аудиторию для сообщения, важно задать системе достаточно разных вариантов объявления, чтобы та нашла самые удачные комбинации.

Преимущество для пользователя от интеграции рекомендательной и рекламных систем тоже очевидно – он видит в ленте только подходящие конкретно ему предложения, которые не прерывают его опыт в соцсети и соответствуют его интересам.

Потенциал применения больших данных для рекламных платформ далеко не исчерпан – впереди остается еще много возможностей для повышения эффективности кампаний. Основные надежды здесь, как и во многих других отраслях, связаны с развитием и внедрением искусственного интеллекта. С его помощью можно будет лучше понять, какие именно данные о поведении человека и в каком сочетании помогают предсказать его реакцию на рекламу. Это значит, что бизнес сможет точнее адресовать сообщение потенциальным покупателям. А пользователи, в свою очередь, будут видеть больше полезных и меньше случайных объявлений.