Зниження CPA на 30-50% за допомогою AI-оптимізації social ads

Чому AI-оптимізація ефективніша за ручне керування?

Типова ситуація: ви запускаєте кампанію у Facebook Ads, вручну підбираєте інтереси, виставляєте ставки, а за тиждень CPA виріс удвічі, а ROAS не дотягує до 1.5. Ручна оптимізація не встигає за динамікою аукціонів. Ми автоматизуємо цей процес через ML: модель безперервно переглядає аудиторні сегменти, креативні гіпотези та ціну за клік.

За даними A/B-тестів на 40 проєктах, середнє зниження CPA склало 35%. При бюджеті $10 000 на місяць це економія $3 500 — гроші, які можна спрямувати на масштабування. Замовлення AI-оптимізації обійдеться від $1,000/міс. залежно від обсягу даних.

Як AI знижує CPA на 30-50%?

Алгоритми аналізують поведінку користувачів на рівні пікселя та передбачають конверсію для кожного показу. Замість медіанної ставки система призначає індивідуальний бід — вищий для тих, хто з імовірністю 90% здійснить покупку, нижчий для інших. У поєднанні з lookalike аудиторіями на базі LTV це дає стабільне зниження вартості залучення. AI-оптимізація в 2 рази ефективніша за ручне керування по ROAS та в 1.5 рази по CPA. Також AI краще враховує RAG-контекст (retrieval-augmented generation) для персоналізації креативів — це ще +15% до CTR.

Чому seed аудиторія критична для lookalike?

Lookalike працює настільки добре, наскільки якісна вихідна вибірка. Якщо в seed-аудиторії випадкові покупці, модель знайде таких самих випадкових. Ми будуємо seed тільки з топ-20% клієнтів за ltv_90d — їхній поведінковий патерн чіткіший. В результаті ефективність lookalike зростає в 1.5-2 рази порівняно зі стандартним підходом. Наша команда з 20+ спеціалістів має 5+ років досвіду в programmatic-рекламі та понад 40 успішних впроваджень.

Проблеми, які вирішує AI

• Learning phase зливає бюджет. Facebook вимагає 50 конверсій за 7 днів для виходу з навчання. При ручному керуванні в цей період часто змінюють креативи, аудиторії або ставки — це скидає алгоритм. Наша система фіксує всі параметри на фазу навчання та вмикає оптимізацію тільки після накопичення 50 подій.
• Перетин аудиторій. Коли кілька кампаній б'ють в одні сегменти, виникають внутрішні аукціони — ви конкуруєте самі з собою. ML-модель автоматично виявляє збіги та перерозподіляє охоплення, прибираючи до 30% непотрібних показів.
• Сезонні просідання. У свята CPC зростає, і ручні ставки не встигають адаптуватися. Модель dayparting'у коригує ставки за годинами: мультиплікатори від 0.5 до 2.0 залежно від історичного ROAS.

Як ми це робимо: кейс з LTV-сегментацією

Проєкт для e-commerce (меблі): клієнти ділилися на три сегменти за ltv_90d — high (топ-20%), medium (20-70%), low (останні 30%). Для кожного сегмента побудували окрему seed-аудиторію та навчили модель GradientBoostingClassifier на 40 фічах (вік, місто, історія покупок, час на сайті). Результат за 4 тижні: CPA в сегменті high знизився на 37%, overall ROAS виріс з 2.1 до 3.4. Код оптимізатора — див. нижче.

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:
        top_customers = customers.nlargest(
            int(len(customers) * top_pct), customer_value_col
        )
        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:
        df = segment_performance.copy()
        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:
        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]:
        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:
        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:
        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:
        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()

Порівняння: ручна vs AI-оптимізація

Етапи впровадження

1. Аналітика (1-2 тижні): Збір даних з рекламних кабінетів, CRM, пікселів. Формування customer_value-моделі (LTV).
2. Проєктування (1 тиждень): Визначення seed-аудиторій, вибір архітектури моделі (XGBoost vs Neural Net), налаштування pipeline на Kubeflow.
3. Реалізація (2-3 тижні): Навчання моделей, інтеграція через API платформ (Facebook Marketing API, TikTok Ads API).
4. Тестування (2 тижні): A/B-експеримент: паралельний запуск AI та ручної групи. Зупиняємо при стат. значущості (p < 0.05).
5. Деплой (1 тиждень): Переведення 100% трафіку на AI, налаштування моніторингу Prometheus + Grafana.

Що входить у роботу

• Документація: model card з метриками, опис фіч, API-специфікація.
• Доступи: до дашбордів та логів навчань.
• Навчання команди: 2 сесії з керування AI-кампаніями.
• Підтримка: 3 місяці пост-продакшну (коригування моделей, виправлення багів).

Терміни та гарантії

Перші результати — через 2-3 тижні. Повне розгортання — від 3 до 6 тижнів залежно від обсягу даних. Гарантуємо зниження CPA не менше ніж на 20% на другий місяць роботи. Наш досвід: 5+ років у programmatic-рекламі, понад 40 успішних впроваджень, середнє зниження CPA 35%. Замовте аудит ваших рекламних кампаній — ми покажемо, які сегменти можна оптимізувати за допомогою AI. Отримайте консультацію щодо впровадження AI-оптимізації для вашого бізнесу. Зв'яжіться — оцінимо ваш проєкт і підберемо оптимальну архітектуру.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

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

Більше про математику рекомендаційних систем — у Wikipedia.