Programmatic-оптимизация social ads с AI: снижаем CPA и повышаем ROAS

Почему AI-оптимизация эффективнее ручного управления?

Типичная ситуация: вы запускаете кампанию в Facebook Ads, вручную подбираете интересы, выставляете ставки, а через неделю CPA вырос в два раза, а ROAS не дотягивает до 1.5. Ручная оптимизация не успевает за динамикой аукционов. Мы автоматизируем этот процесс через ML: модель непрерывно пересматривает аудиторные сегменты, креативные гипотезы и цену за клик.

По данным A/B-тестов на 40 проектах, среднее снижение CPA составило 35%. При бюджете $10 000 в месяц это экономия $3 500 — деньги, которые можно направить на масштабирование.

Как AI снижает CPA на 30-50%?

Алгоритмы анализируют поведение пользователей на уровне пикселя и предсказывают конверсию для каждого показа. Вместо медианной ставки система назначает индивидуальный бид — выше для тех, кто с вероятностью 90% совершит покупку, ниже для остальных. В сочетании с lookalike аудиториями на базе LTV это даёт стабильное снижение стоимости привлечения. AI-оптимизация в 2 раза эффективнее ручного управления по ROAS и в 1.5 раза по CPA.

Почему seed аудитория критична для lookalike?

Lookalike работает настолько хорошо, насколько качественна исходная выборка. Если в seed-аудитории случайные покупатели, модель наймёт таких же случайных. Мы строим seed только из топ-20% клиентов по ltv_90d — их поведенческий паттерн чётче. В результате эффективность lookalike вырастает в 1.5-2 раза по сравнению со стандартным подходом.

Проблемы, которые решает AI

• Learning phase сливает бюджет. Facebook требует 50 конверсий за 7 дней для выхода из обучения. При ручном управлении в этот период часто меняют креативы, аудитории или ставки — это сбрасывает алгоритм. Наша система фиксирует все параметры на фазу обучения и включает оптимизацию только после накопления 50 событий.
• Пересечение аудиторий. Когда несколько кампаний бьют в одни сегменты, возникают внутренние аукционы — вы конкурируете сами с собой. ML-модель автоматически обнаруживает совпадения и перераспределяет охваты, убирая до 30% бесполезных показов.
• Сезонные просадки. В праздники CPC растёт, и ручные ставки не успевают адаптироваться. Модель dayparting'а корректирует ставки по часам: мультипликаторы от 0.5 до 2.0 в зависимости от исторического ROAS.

Как мы это делаем: кейс с LTV-сегментацией

Проект для e-commerce (мебель): клиенты делились на три сегмента по ltv_90d — high (топ-20%), medium (20-70%), low (последние 30%). Для каждого сегмента построили отдельную seed-аудиторию и обучили модель GradientBoostingClassifier на 40 фичах (возраст, город, история покупок, время на сайте). Результат за 4 недели: CPA в сегменте high снизился на 37%, overall ROAS вырос с 2.1 до 3.4. Код оптимизатора — см. ниже.

import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from anthropic import Anthropic
import json

class AudienceOptimizer:
    """Оптимизация lookalike и interest-based аудиторий"""

    def build_seed_audience(self, customers: pd.DataFrame,
                             customer_value_col: str = 'ltv_90d',
                             top_pct: float = 0.20) -> pd.DataFrame:
        """
        Seed аудитория для lookalike: топ клиентов по LTV.
        Чем лучше seed, тем точнее lookalike.
        """
        top_customers = customers.nlargest(
            int(len(customers) * top_pct), customer_value_col
        )

        # Профиль seed аудитории для понимания характеристик
        profile = {
            'size': len(top_customers),
            'avg_ltv': top_customers[customer_value_col].mean(),
            'age_distribution': top_customers.get('age_group', pd.Series(['25-34'])).value_counts(normalize=True).to_dict(),
            'top_interests': top_customers.get('interests', pd.Series([[]])).explode().value_counts().head(10).to_dict(),
        }

        return top_customers, profile

    def score_audience_segments(self, segment_performance: pd.DataFrame) -> pd.DataFrame:
        """Ранжирование аудиторных сегментов по эффективности"""
        df = segment_performance.copy()

        # Нормализованный скор: ROAS + CTR - CPA
        df['roas_norm'] = (df['roas'] - df['roas'].min()) / (df['roas'].max() - df['roas'].min() + 1e-9)
        df['ctr_norm'] = (df['ctr'] - df['ctr'].min()) / (df['ctr'].max() - df['ctr'].min() + 1e-9)
        df['cpa_norm'] = 1 - (df['cpa'] - df['cpa'].min()) / (df['cpa'].max() - df['cpa'].min() + 1e-9)

        df['segment_score'] = (
            df['roas_norm'] * 0.50 +
            df['cpa_norm'] * 0.30 +
            df['ctr_norm'] * 0.20
        )

        return df.sort_values('segment_score', ascending=False)


class CreativeOptimizer:
    """Оптимизация рекламных креативов"""

    def __init__(self):
        self.llm = Anthropic()

    def analyze_creative_performance(self,
                                      creative_data: pd.DataFrame) -> dict:
        """Анализ элементов, влияющих на CTR и конверсию"""
        # Предположим, что у нас есть теги для каждого креатива
        if creative_data.empty:
            return {}

        tag_performance = {}
        tag_cols = [c for c in creative_data.columns if c.startswith('has_')]

        for tag_col in tag_cols:
            tag = tag_col.replace('has_', '')
            with_tag = creative_data[creative_data[tag_col] == 1]
            without_tag = creative_data[creative_data[tag_col] == 0]

            if len(with_tag) > 5 and len(without_tag) > 5:
                lift = with_tag['ctr'].mean() / max(without_tag['ctr'].mean(), 1e-9) - 1
                tag_performance[tag] = {
                    'avg_ctr': round(with_tag['ctr'].mean(), 4),
                    'ctr_lift': round(lift, 3),
                    'sample_size': len(with_tag)
                }

        return dict(sorted(tag_performance.items(), key=lambda x: -x[1]['ctr_lift']))

    def generate_creative_variants(self, product: dict,
                                    top_performing_elements: list[str],
                                    target_audience: dict) -> list[dict]:
        """Генерация вариантов текстов для A/B теста"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=500,
            messages=[{
                "role": "user",
                "content": f"""Generate 4 ad copy variants for social media in Russian.

Product: {product.get('name')}
Key benefit: {product.get('main_benefit')}
Price point: {product.get('price', '')}

High-performing creative elements to incorporate: {top_performing_elements[:5]}
Target audience: {target_audience}

For each variant, return JSON:
{{"headline": "max 25 chars", "body": "max 125 chars", "cta": "button text", "angle": "urgency|social_proof|benefit|curiosity"}}

Return JSON array of 4 variants."""
            }]
        )

        try:
            return json.loads(response.content[0].text)
        except Exception:
            return []


class BidOptimizer:
    """Оптимизация ставок в рекламных аукционах"""

    def compute_optimal_bid(self, target_cpa: float,
                             predicted_cvr: float,
                             competition_level: float = 1.0) -> float:
        """
        Оптимальная ставка = target_CPA × CVR.
        Конкурентная поправка для hot аукционов.
        """
        base_bid = target_cpa * predicted_cvr
        adjusted_bid = base_bid * competition_level
        return round(adjusted_bid, 2)

    def dayparting_multipliers(self, hourly_performance: pd.DataFrame) -> dict:
        """Мультипликаторы ставок по часам суток"""
        # Нормализуем относительно среднего ROAS
        avg_roas = hourly_performance['roas'].mean()
        multipliers = {}

        for _, row in hourly_performance.iterrows():
            hour = row['hour']
            roas = row['roas']
            multiplier = roas / avg_roas if avg_roas > 0 else 1.0
            multipliers[hour] = round(float(np.clip(multiplier, 0.5, 2.0)), 2)

        return multipliers

    def portfolio_budget_allocation(self, campaigns: pd.DataFrame,
                                     total_budget: float) -> dict:
        """Распределение бюджета между кампаниями по эффективности"""
        # Аллоцируем пропорционально ROAS × объём конверсий
        campaigns = campaigns.copy()
        campaigns['weight'] = campaigns['roas'] * np.sqrt(campaigns['conversions'].clip(1))
        campaigns['weight'] = campaigns['weight'] / campaigns['weight'].sum()
        campaigns['allocated_budget'] = (campaigns['weight'] * total_budget).round(2)

        return campaigns.set_index('campaign_id')['allocated_budget'].to_dict()

Сравнение: ручная vs AI-оптимизация

Этапы внедрения

Что входит в работу

• Документация: model card с метриками, описание фичей, API-спецификация.
• Доступы: к дашбордам и логам обучений.
• Обучение команды: 2 сессии по управлению AI-кампаниями.
• Поддержка: 3 месяца пост-продакшна (корректировка моделей, правки багов).

Сроки и гарантии

Первые результаты — через 2-3 недели. Полное развёртывание — от 3 до 6 недель в зависимости от объёма данных. Гарантируем снижение CPA не менее 20% на второй месяц работы. Наш опыт: 5+ лет в programmatic-рекламе, более 40 успешных внедрений. Закажите аудит ваших рекламных кампаний — мы покажем, какие сегменты можно оптимизировать с помощью AI. Получите консультацию по внедрению AI-оптимизации для вашего бизнеса. Свяжитесь — оценим ваш проект и подберём оптимальную архитектуру.

Разработка рекомендательных систем: от collaborative filtering до real-time serving

На одном проекте для e-commerce с каталогом 300k SKU мы подняли CTR с 1,8% до 4,4% — в 2,4 раза. Первый рывок дала коллаборативная фильтрация вместо «популярное за последние 7 дней», второй — добавление контентных признаков и re-ranking. Разница между «показываем популярное» и «показываем персонализированное» — измеримая и существенная. Ниже — инженерный опыт, который помог это сделать, и архитектуры, которые реально работают в продакшене.

Collaborative Filtering: матричная факторизация и нейронные подходы

Matrix Factorization — классика для implicit feedback (клики, просмотры, покупки без явного рейтинга). ALS (Alternating Least Squares) в библиотеке Implicit обрабатывает матрицы user×item с сотнями миллионов ненулевых значений за минуты на GPU. Latent factors 64–256, регуляризация λ=0.01–0.1 — стартовые параметры. Проблема cold start: для нового пользователя или товара нет истории — классический CF беспомощен, нужны контентные признаки или гибрид.

Neural Collaborative Filtering (NCF) заменяет скалярное произведение на нейросеть. На практике выигрыш над хорошо настроенным ALS умеренный, но NCF проще расширять дополнительными признаками (возраст, категория, время суток). Sequence-aware модели (SASRec, BERT4Rec) учитывают порядок взаимодействий — state-of-the-art для сессионных рекомендаций.

Как выбрать архитектуру рекомендательной системы?

Ответ зависит от данных, нагрузки и требований к холодному старту. Ниже — три основных подхода с критериями выбора.

Гибридная архитектура на 20–40% эффективнее чистого CF по покрытию long-tail — проверено на каталогах от 100k SKU.

Content-Based Filtering: когда истории взаимодействий мало

Content-based рекомендует на основе характеристик товаров, а не поведения других пользователей — решает cold start для новых items. Текстовые эмбеддинги через sentence-transformers (multilingual-e5-base, BGE-M3) → поиск похожих через FAISS IndexFlatIP — запрос за <5 ms на 100k товаров. Item2Vec (Word2Vec на последовательностях просмотров) даёт интерпретируемые «похожие товары» за пару часов обучения.

Структурированные признаки (категория, бренд, цена) подаются через embedding layers или в gradient boosting — CatBoost работает с категориями без ручного кодирования.

Почему гибридные модели работают лучше?

Production-системы почти всегда двухуровневые. Stage 1 (Retrieval) — быстрый отбор 100–500 кандидатов из 300k товаров через ALS или Two-Tower модель с векторным поиском (FAISS, Qdrant). Stage 2 (Ranking) — тяжёлый ранжировщик на LightGBM или нейросети с cross-features, временем, устройством и контекстом сессии. LightFM — хорошая отправная точка для среднего масштаба без тяжёлой инфраструктуры. Наша практика показывает: переход от single-stage к two-stage даёт прирост точности на 15–25% при росте latency всего на 20–30 мс.

Real-Time Serving: архитектура под нагрузку

Latency SLA — 50–100 ms при тысячах запросов в секунду. Base-рекомендации precompute (batch job раз в час) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для событий (клики, добавления в корзину) → обновление контекстных признаков. Feature serving — Redis с TTL (число просмотров за 24 часа, последний кликнутый item). При нагрузке 10k req/s ставим Redis Cluster с репликацией.

A/B тестирование — единственный достоверный способ оценить улучшения. Офлайн-метрики коррелируют с онлайн не всегда. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обязательное чтение для команды. Тест с 5–10% трафика, мониторинг CTR, конверсии, revenue per session. Одна из наших клиентских систем после гибридизации увеличила выручку на 18% за месяц A/B.

Сроки разработки рекомендательной системы

Этапы и типичные временные затраты — в таблице ниже. Стоимость рассчитывается индивидуально под масштаб каталога и требования к latency.

Что входит в разработку под ключ

1. Аудит данных — плотность матрицы user×item (обычно <0,1%), распределение активности, temporal паттерны, cold start статистика.
2. Baseline — «популярное» как простой порог, который часто трудно обогнать.
3. Итеративное улучшение — ALS → контентные признаки → two-stage → sequence-aware. Каждый шаг с A/B.
4. Инфраструктура serving — batch precomputation, Redis, real-time re-ranking, мониторинг в Grafana.
5. Документация — model card с метриками, инструкция по деплою, описание признаков.
6. Обучение команды — сессия по интерпретации результатов и дообучению модели.
7. Поддержка — 1 месяц после запуска (фикс инцидентов, донастройка pipeline).

Мы — команда с 7+ годами опыта в рекомендательных системах, реализовали более 30 проектов для e-commerce и медиа. Гарантируем прозрачное A/B‑тестирование и фиксацию улучшения метрик.

Хотите оценить потенциал роста вашего каталога? Свяжитесь с нами для бесплатного аудита данных. Закажите разработку рекомендательной системы — первый прототип в течение двух недель.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Больше о математике рекомендательных систем — в Wikipedia.