Автостратегии Директа: как работают алгоритмы и можно ли им доверять рекламные бюджеты?

Сейчас на Поиске почти половина закупок рекламы происходит с помощью автоматического управления ставками, а в Рекламной сети Яндекса — почти 80%. При этом каждый второй рубль, который бизнес инвестирует в рекламу, также доверяют алгоритмам. О том, как работает машинное обучение в Директе и может ли нейросеть заменить человека рассказывает руководитель службы релевантности рекламы Яндекса Андрей Мищенко.

На рекламном рынке представлены разнообразные системы управления ставками: от крупных до небольших, самописных, под конкретные задачи бизнеса. Все они взаимодействуют с API (открытый протокол для взаимодействия приложений) Яндекс Директа — выставляют ставки на аукционе и получают обратную связь от сервиса в виде статистики. Процесс можно сравнить с аукционом предметов искусства — только вместо картин и старинных ваз борьба идет за право показать свое рекламное объявление определенному пользователю. Но в намного больших масштабах: миллионы ставок совершаются ежеминутно, а выиграть каждый раз может лишь несколько.

Необходимо учитывать, что каждый пользователь, которому хотят показать рекламное объявление, в каждом случае имеет разную ценность для рекламодателя. Например, пока одни раздумывают над приобретением робота-пылесоса и изучают характеристики, другой уже готов к покупке.

Как работает алгоритм конверсионных автостратегий, где оплата происходит за целевое действие пользователя, как рассчитывается ценность показа и почему ему можно доверять деньги? Немного покопаемся в деталях.

Сам алгоритм состоит из двух частей. Первая часть алгоритма — это так называемый биддер. Его задача — выставить базовую ставку на рекламную кампанию так, чтобы выполнялись заданные в настройках стратегии ограничения (стоимость конверсии, недельный бюджет).

У Яндекса есть свой биддер, который мы много лет развивали — это нейросеть, ответственная за автоматическое выставление ставок в Директе. Еще есть внешние биддеры — это может быть как таргетолог, так и алгоритм. Но все биддеры ограничены только разными ставками на разные условия показа — например, ключевые фразы. Если разные пользователи заходят на условный сайт по одной фразе, биддер отличить их не может, хотя они будут иметь разные вероятности конверсии (это покупка, установка приложения и т.д.) и установит базовую ставку.

Почему так? Дело в отсутствии возможности определить ценность каждого просмотра. За это отвечает вторая часть алгоритма — которую мы называем "оптимизатор".

По сути это Machine Learning формула, применяемая на каждом рекламном запросе к каждому объявлению каждой кампании под управлением конверсионных автостратегий. На основании всей доступной информации алгоритм прогнозирует разницу вероятности конверсии для данного объявления в данном запросе от средней вероятности конверсии по всей рекламной кампании этого объявления.

Объясню на простом примере. В рекламной кампании средняя вероятность конверсии составляет 3%. Но для конкретного объявления может быть на уровне 10%. В таком случае прогнозируемая конверсионность для этого объявления будет более чем в 3 раза выше.

Если конверсионность вдвое выше средней, то прогнозируется 2, если равна средней, то 1, если вдвое хуже средней, то 0,5 и так далее. Это математика с колоссальными объемами данных, которая работает за доли секунды, пока загружается страница и рекламные блоки.

Биддер воспринимает работу оптимизатора как чёрный ящик, получая только конечный результат процесса. Прогноз, полученный благодаря формуле, используется для корректировки базовой ставки, с которой объявление будет участвовать в рекламном аукционе для данного просмотра. В итоге получается, что за просмотры с большей потенциальной конверсионностью алгоритм предложит большую ставку, а менее конверсионные постарается выкупить дешевле.

Подход со ставками с пропорциональной вероятностью конверсии (целевого действия) позволяет получить максимально возможное количество конверсий при выполнении бюджетных ограничений, указанных в настройках стратегии. При этом нужно понимать, что есть математическое ожидание их количества, поскольку мы имеем дело со случайными процессами с большой неопределенностью. Таким образом одна конверсия может стоить дороже целевой суммы, а другая — дешевле. Но в итоге средняя стоимость в определенном периоде всей кампании все равно будет приближена к заданной целевой.

Кто-то может подумать, что алгоритмы и автоматика могут оставить без работы маркетологов или воспринимают автоматику как некую магическую кнопку — можно нажать и сразу все будет хорошо. На самом деле они помогают повысить эффективность специалистов по настройке рекламы и берут на себя часть сложных рутинных математических задач.

При этом благодаря автоматическим стратегиям у специалистов становится больше времени для развития, масштабирования, изучения целевой аудитории и поиска идей для креативов. Специалистам важно следить за эффективностью автостратегии для конкретного бизнеса и проводить правильное A/B тестирование.