Predictive bidding: как машинное обучение принимает решения быстрее любого специалиста

Почему ручная работа со ставками стала узким местом

По данным Яндекса, доля рекламодателей в РСЯ, которые использовали автостратегии, достигла 95% — ссылаясь на это, платформа в 2024 году отключила возможность ручного управления ставками в сети. И дело не в моде — в обычном аукционе RTB решение о ставке принимается в реальном времени за миллисекунды, с учётом десятков сигналов: устройство, время суток, геолокация, история поведения пользователя, конкурентная активность. Человек физически не способен это обрабатывать — по всем аукционам, по всем сегментам одновременно.

Именно здесь и включается predictive bidding: алгоритм предсказывает вероятность целевого действия для конкретного показа и выставляет ставку, соразмерную этой вероятности. По официальным данным Яндекса за 2025 год, в медийных кампаниях ML-стратегии оптимизации показов подключал уже каждый третий рекламодатель — на 47% больше, чем в 2024-м. При этом такие кампании принесли на 19% больше целевых действий и на 29% больше поисковых запросов по сравнению с предыдущим годом.

Как устроен предиктивный биддинг

Если упрощённо: модель берёт входные данные (кто, где, когда, с какого устройства, с какой историей), прогоняет их через обученную функцию и выдаёт вероятность конверсии. Дальше — математика: ставка пропорциональна этой вероятности и ценности конверсии для бизнеса.

Как это выглядит в Яндекс Директе: алгоритм на основе CatBoost/Gradient Boosting рассчитывает, например, «вероятность конверсии 15% → ставка 80₽». Модель непрерывно обновляется по мере поступления новых данных и корректирует ставки динамически — не по расписанию, а в ответ на изменения в аукционе и поведении пользователей.

Какие сигналы учитывает модель:

• Поведенческий профиль пользователя (история кликов, покупок, просмотров)
• Контекст показа (устройство, время, геолокация)
• Динамика конкурентов в аукционе прямо сейчас
• Качество площадки и исторический CR по ней
• Данные CRM, если подключена передача конверсий с сайта

Яндекс знает о пользователе значительно больше, чем любой специалист по рекламе — и это структурное преимущество алгоритма.

Доступные инструменты: что работает в России

Яндекс Директ

Яндекс Директ — основная перформанс-платформа для российского рынка с развитой ML-инфраструктурой. В 2026 году доступны три основные автоматические стратегии:

Стратегия	Когда использовать	Что нужно для работы
Максимум кликов	Нужен трафик, конверсий пока мало	Бюджет или средняя цена клика
Максимум конверсий	Есть история конверсий, цель — лиды/продажи	≥ 10 конверсий в неделю
Максимум прибыли	Цель — прибыль с каждого рубля бюджета, а не количество лидов	Данные о доходе; стратегия вышла из беты в авг. 2025

Ручное управление ставками формально доступно, но в РСЯ отключено с 2024 года, а в поиске система всё равно автоматически корректирует ставки через механизм прогнозирования конверсий.

Стратегия «Максимум прибыли» — пожалуй, самый честный ML-подход: вы указываете среднюю маржу, алгоритм сам находит оптимальную CPA-точку, при которой прибыль максимальна, и регулярно её пересматривает. Кейсов пока немного, но логика — правильная.

Эти умные стратегии ставок фактически превращают Директ в ML‑движок оптимизации, а не просто в площадку, где вы руками крутите числа в интерфейсе.

VK Реклама

С 1 января 2026 года myTarget и рекламный кабинет ВКонтакте объединены в единую платформу VK Реклама. Там запущены смарт-кампании с автоматическим подбором аудитории и ставок, ручное управление ставками фактически выведено из основного интерфейса. Генеративные креативы — изображения и тексты, созданные нейросетью прямо в интерфейсе — могут повышать эффективность кампаний за счёт более точного попадания в аудиторию.

Сторонние ML-биддеры

Если встроенных инструментов платформы недостаточно — есть отдельные ML-платформы, которые работают поверх Яндекс Директа. AnData, например, ежедневно анализирует статистику, пересчитывает ставки и направляет новые настройки в систему каждый час. Это имеет смысл для крупных аккаунтов с большим объёмом данных и нестандартными условиями бизнеса, где встроенная стратегия не покрывает все нюансы.

Сроки обучения и реальный диапазон эффекта

Какие конверсии в B2B считать нормой

По данным отраслевых отчётов за 2025 год средняя конверсия «посетитель → лид» в B2B‑сегменте чаще всего находится в коридоре 2–5%, при этом медиана около 2,9% по анализу более 100 млн сессий от Ruler Analytics. SaaS‑ и IT‑ниши заметно тянут среднее вниз: для B2B SaaS адекватной считается вилка примерно 1–3% на уровне visitor → lead, тогда как профессиональные услуги (юристы, консалтинг и т.п.) могут выходить к 6–7% и выше. Значения выше 5% для сложных B2B‑продуктов обычно уже признак очень сильной воронки, а не рынка «в среднем».

Что происходит в середине воронки

Если смотреть на участок MQL → SQL, большинство обзоров сходятся на диапазоне 12–21%, медиана крутится около 13–15%. При мягких критериях MQL и «сырой» базе отсев может быть заметно выше, но это уже история про качество лидов и синхронизацию маркетинга с продажами, а не про то, хороший или плох сам предиктивный биддинг.

Когда CR < 1% — это уже тревога

Если ваш CR по платному поиску стабильно ниже 1%, это почти всегда симптом системной проблемы:

• нерелевантный трафик,
• слабый оффер или посадочная,
• оптимизация по суррогатной цели (клики, время на сайте), а не по лидам.

В такой ситуации просто включить predictive bidding «вместо всего» почти никогда не срабатывает — алгоритму банально не на что опираться.

Какой эффект даёт predictive bidding на зрелых аккаунтах

На зрелых аккаунтах, где уже есть история (от 10+ конверсий в неделю на целевое действие) и нормально размечены цели, в реальных кейсах переход на предиктивные стратегии даёт двузначное снижение CPA и рост числа конверсий при том же бюджете.

Например, в одном из кейсов Яндекса по оптимизации кампаний офлайн‑рекламы удалось снизить CPA примерно на четверть и одновременно увеличить число конверсий более чем на 25% при сопоставимых расходах. Цифры уровня 15–30% улучшения удобны как ориентир по кейсам, но это именно ориентир, а не гарантированная «норма» — конкретный результат зависит от ниши, качества данных и аккуратности настроек.

Сколько ждать до стабильных цифр

Отдельно закладывайте в план период обучения: первые 2–4 недели после включения стратегии алгоритм собирает статистику, пробует разные сегменты и уровни ставок, поэтому CR, CPA и количество конверсий по дням будут «плавать». Это нормальное поведение системы.

Если в этот момент резко крутить бюджет, цели или таргетинги, вы каждый раз по сути обнуляете обучение и удлиняете путь до стабильных результатов.

Чек-лист запуска: что проверить до включения ML-биддинга

Перед тем как включить любую автостратегию, важно проверить, что алгоритму вообще есть на чём учиться.

1. Данные

• Есть достаточный объём конверсий.
  Ориентир для Яндекс Директа — от 10 конверсий в неделю на кампанию, комфортнее, когда получается 20+. Конкретное минимальное число зависит от стратегии и ниши, но если у вас 1–2 заявки в неделю, автостратегии будут работать нестабильно.
• Цели настроены корректно.
  Цели в Яндекс Метрике или VK Пикселе должны точно отражать нужное действие (отправка формы, заказ, заявка), а не абстрактные события. Любые технические баги (двойной счёт, некорректный триггер) сразу бьют по обучению.
• Оффлайн‑конверсии передаются в систему.
  Если сделка закрывается в CRM или по телефону, важно подтягивать эти данные обратно в Яндекс или VK — иначе алгоритм видит только верх воронки и не понимает, какие лиды реально превращаются в сделки.

2. Бюджет

• Бюджета хватает на фазу обучения.
  Практический ориентир: недельный бюджет должен позволять выкупить хотя бы 10–20 целевых конверсий по вашей ожидаемой CPA. Универсальной формулы «X × CPA» нет, но если бюджета хватает на 2–3 конверсии в неделю, алгоритм будет учиться очень долго.
• Дневные лимиты не душат показы.
  Слишком жесткий дневной лимит может мешать алгоритму участвовать в аукционах и собирать статистику, из‑за чего обучение растягивается или результаты «прыгают».

3. Период обучения

• Заложен запас по времени.
  В Яндекс Директе для конверсионных стратегий типовой период обучения — примерно 7–14 дней, но в B2B с низкой частотой конверсий он легко растягивается до 2–4 недель.
• В это время не трогаем ключевые настройки.
  В первые 1–2 недели после запуска не стоит:
  • менять цель оптимизации,
  • резко резать или наращивать бюджет,
  • радикально переделывать таргетинг.
    Иначе алгоритм фактически начинает обучение заново.

4. Качество сигнала

• Цель оптимизации даёт достаточно событий.
  Не критично, чтобы конверсии случались «раз в сутки», критично — чтобы за период обучения набиралось достаточно событий для статистики. Если целевая конверсия редкая (например, подписанный договор), её лучше подменить более частой микроцелью.
• При необходимости используем микроцели.
  Если макроконверсий мало, можно оптимизироваться по шагам воронки: клик по ключевой кнопке, просмотр нескольких страниц, добавление в корзину, запуск квиза и т.п. Микроцели происходят чаще и дают алгоритму больше сигнала, пока вы копите статистику по основным сделкам.

Типичные ошибки, которые ломают алгоритм

Я видел кейсы, когда компания запускала «умную стратегию», неделю смотрела на падающие показатели — и возвращалась к ручному управлению с выводом «ML не работает». В большинстве случаев причина была предсказуемой.

Нереальная целевая CPA. Если вы ставите цену конверсии ниже рыночной ставки за клик — алгоритм просто не выигрывает аукционы и не набирает данных. Стартовую CPA берите из фактической истории кампании, а не из желаемого.

Неподходящая цель оптимизации. Оптимизировать по «посещению страницы контактов» — это не то же самое, что по «отправке формы». Если по целевому действию меньше 10 конверсий в неделю — алгоритм не успевает обучиться. Используйте промежуточную микроцель с высокой частотой, пока данные накапливаются.

Слишком много ограничений одновременно. Жёсткий недельный бюджет + строгий CPA + узкий геотаргет + ограничение по времени суток — и алгоритм оказывается в клетке, из которой не может собрать данных. Ограничения нужны, но их должно быть 1–2 ключевых.

Правки в период обучения. Изменение бюджета, цели или аудитории в первые 2 недели — это сброс обучения. В B2B с длинным циклом сделки это особенно критично: нетерпеливо вмешавшись на 5-й день, получите вечный «учебный» режим.

Плохая разметка конверсий. Не переданы оффлайн-конверсии, не подключена Метрика к CRM — и алгоритм обучается на кликах, не понимая, что стало реальной продажей.

Нюанс для B2B: длинный цикл сделки и качество сигнала

В B2B конверсия в лид происходит быстро, а до закрытия сделки — 3–6 месяцев. Предиктивный биддинг обучается на том сигнале, который вы ему даёте. Если учите на «заявке» — получаете заявки. Если сможете передать данные о качестве лида из CRM — алгоритм начинает оптимизировать по реальной ценности, а не по факту любого обращения.

На практике: подключите передачу данных из amoCRM или Bitrix24 в Яндекс Директ через API, разметьте конверсии с ценностью (успешная сделка = X руб., MQL = Y руб.) — и стратегия «Максимум конверсий» или «Максимум прибыли» начнёт стягивать трафик к аудиториям с реально высоким LTV, а не просто к тем, кто часто кликает.

Быстрая диагностика перед переходом на автостратегию

 

Параметр	Норма для запуска ML	Что делать, если не выполняется
Конверсий в неделю	≥ 10 по целевой цели, комфортно 30–50+	Перейти на микроцель (действие выше по воронке), чтобы дать алгоритму достаточно событий для обучения
Недельный бюджет	Хватает, чтобы выкупить 10–20 целевых конверсий в неделю по вашей целевой CPA	Увеличить бюджет или пересмотреть целевую CPA в сторону повышения, если при текущей ставке аукцион не даёт нужного объёма конверсий
Передача конверсий	Да, по возможности с ценностью (LTV/выручка/статус сделки), включая офлайн‑данные из CRM	Подключить Метрику и CRM‑интеграцию: настроить цели, передавать сделки и их ценность обратно в Яндекс Директ
Период без резких изменений	1–4 недели после запуска стратегии (в B2C чаще 7–14 дней, в B2B — ближе к 2–4 неделям)	Заложить этот период в план и не менять цель, бюджет и ключевые настройки, чтобы не сбрасывать обучение
Количество ограничений	1–2 ключевых ограничения максимум (например, CPA + гео или бюджет + ДРР)	Убрать второстепенные корректировки (по устройствам, времени суток и т.п.), чтобы дать алгоритму больше свободы в аукционе

Три шага, которые стоит сделать прямо сейчас

Предиктивный биддинг — не кнопка «сделать всё хорошо». Это инструмент, который работает ровно настолько хорошо, насколько качественный сигнал вы ему дали.

1. Проверьте качество разметки конверсий. Если цели в Метрике настроены «как-нибудь» — это точка потери, а не настройки ML.
2. Запустите параллельный тест. Не переводите всё на автостратегию сразу — запустите её рядом с ручным управлением при одинаковых условиях на 4–6 недель. Данные покажут, что эффективнее именно в вашем аккаунте.
3. Передайте системе больше сигналов о ценности. Чем точнее алгоритм знает, какой лид стоит больше — тем точнее он распределяет ставки. CRM-интеграция здесь даёт конкурентное преимущество над теми, кто этого не сделал.

Рынок AI‑оптимизации ставок уверенно растёт: аналитики единодушно фиксируют двузначный CAGR на горизонте до 2033 года. Конкуренция за «горячие» аукционы будет только усиливаться — и те, кто умеет правильно обучать алгоритмы, будут выигрывать их системно.