Инфлюенс-маркетинг возглавил список инструментов для построения бренда: 57% компаний назвали его основным каналом для этого. Сейчас для продвижения у блогеров доступны соцсети, мессенджеры и видеоплатформы: «МАКС», Telegram, ВКонтакте, Rutube и Youtube. В статье Антон Скорняков, руководитель службы разработки рекламных продуктов и инвентаря «Яндекс Рекламы», объяснит почему реклама в мессенджерах требует новой архитектуры ML.
По итогам 2025 года инвестиции рекламодателей «Яндекс Директа» в инфлюенс-маркетинг удвоились год к году. Telegram — ядро этого роста. Ежемесячный охват мессенджера почти 88 млн россиян, а в апреле 67% рекламодателей назвали его приоритетной инфлюенс-площадкой до конца 2026 года.
Однако по мере роста объемов становится заметно ограничение, с которым рынок жил много лет. Инфлюенс-маркетинг долго оставался исключением из общего правила цифровой рекламы. Пока рекомендательные системы контекстной рекламы в «Поиске» и на площадках рекламных сетей годами совершенствовались, реклама в мессенджерах строилась иначе: там есть бренд, есть список каналов и есть менеджер, который «чувствует рынок». Когда рекламодатель одновременно запускает кампании в сотнях каналов, даже самый опытный специалист уже не способен удерживать в поле зрения все факторы, влияющие на результат.
На этом этапе дальнейший рост эффективности и масштабирование становятся затруднительными без алгоритмов. Инфлюенс-маркетинг превращается в задачу для рекомендательных систем и машинного обучения. Но оказалось, что перенести в него существующие подходы из поисковой рекламы и рекламных сетей нельзя — мессенджеры требуют принципиально другой архитектуры моделей.
Другая единица анализа
В рекламных кампаниях для продвижения в «Поиске» и РСЯ ключевая пара для мэтчинга (совместимости) — «пользователь — объявление». Модель знает обезличенную «историю» человека: его интересы, поведение и предыдущие клики. Над задачей эффективного показа объявления работают 25 нейросетей, которые ищут «идеальный мэтч» с пользователем.
В мессенджерах и соцсетях эта логика не работает. Рекламный пост публикуется в канале и виден сразу всем подписчикам. Таргетироваться на конкретного человека технически невозможно — единица воздействия здесь не пользователь, а сообщество. Поэтому ключевой парой для мэтчинга становится «канал — объявление». На первый взгляд — небольшое терминологическое уточнение, но в этом случае вместо профиля одного человека нужно научиться описывать аудиторию тысяч подписчиков сразу.
Один из ключевых источников для такого описания — агрегированный профиль пользователей, которые реально взаимодействовали с рекламой в канале. Не все подписчики, а именно вовлеченная часть аудитории. Такой профиль включает обезличенные характеристики аудитории: пол, возраст, регион проживания, уровень дохода и другие доступные сигналы. Это позволяет отфильтровать неактивные аккаунты и получить более точный портрет ядра аудитории канала.
При этом агрегированный профиль — лишь один из множества факторов, которые учитывает модель. Для каждого канала также доступны данные о тематике, динамике просмотров, вовлеченности аудитории, характеристиках контента и другие признаки. Благодаря этому система способна эффективно работать даже в ситуациях cold start, когда исторических данных о взаимодействии с рекламой еще недостаточно. В таких случаях прогноз строится на основе совокупности доступных сигналов, а по мере накопления статистики роль поведенческих данных постепенно возрастает.
Почему одного знания о кликабельности недостаточно
В классической интернет-рекламе модель решает задачу: пользователь увидел объявление — кликнет или нет, купит или нет. Показ принимается как данность. Модель предсказывает вероятность клика или конверсии при условии показа. В мессенджерах между публикацией поста и кликом появляется дополнительный этап, который нельзя игнорировать — сам просмотр.
Наличие у канала 200 тысяч подписчиков еще не означает, что пост увидят все 200 тысяч человек. Кто-то давно не заходит в мессенджер, кто-то пролистывает ленту канала, не читая. Два канала с аудиторией одинакового размера могут давать принципиально разный охват, причем иногда в несколько раз.
Проще говоря, системе нужно ответить на два вопроса: какая доля аудитории увидит рекламный пост и заинтересует ли этот пост тех, кто его увидит. Для этого используется двухшаговая архитектура предсказания:
- Первая модель предсказывает ERR (Engagement Rate by Reach, уровень вовлеченности аудитории относительно потенциального охвата) — какая доля подписчиков реально увидит рекламный пост. По сути, это оценка «живости» аудитории канала: насколько активно его читают, как реагируют на контент, как быстро набираются просмотры.
- Вторая модель предсказывает CTR (Click-Through Rate, показатель кликабельности) — вероятность клика среди тех, кто пост увидел. Она оценивает, насколько рекламное сообщение окажется релевантным интересам аудитории конкретного канала.
Итоговый pCTR (predicted click-through rate, прогнозируемая вероятность клика) рассчитывается как произведение прогнозов двух моделей. Важно, если пост увидят только 20% подписчиков, а из них кликнет 5%, реальный результат кампании будет радикально отличаться от ситуации, когда публикацию увидит вся аудитория. Именно этот разрыв между количеством подписчиков и реальным охватом традиционные рекламные модели долгое время не учитывали.
pCTR = ERR * CTR,
где pCTR — прогнозируемая доля кликов от общего числа подписчиков; ERR — средний охват публикации относительно числа подписчиков; CTR — доля читателей, которые перешли по ссылке после просмотра публикации.
Для обеих моделей используется единая ML-архитектура — сочетание нейросетевых моделей и градиентного бустинга (CatBoost), которые решают разные задачи, дополняя друг друга.
Нейросети используются там, где нужно понять смысл. Они анализируют текст рекламного объявления и последние публикации канала, определяют его тематику и особенности авторского стиля, оценивают интересы аудитории и то, насколько рекламное сообщение соответствует содержанию канала и ожиданиям аудитории.
Но одного понимания содержания недостаточно. Для прогноза важны и десятки других характеристик канала:
- насколько быстро набираются просмотры;
- как часто выходят публикации;
- как меняется вовлеченность аудитории;
- какие результаты показывали предыдущие размещения и многие другие статистические признаки и т.д.
Именно с такими данными лучше всего справляются модели CatBoost, которые используют сигналы нейросетей наряду с числовыми и категориальными признаками канала.
Сегодня высокая эффективность достигается именно за счет комбинации этих двух подходов. Нейросети отвечают за понимание контента и формируют семантические признаки, а CatBoost объединяет их с числовыми и категориальными характеристиками канала, выстраивая итоговый прогноз. Гибридный подход давно используется в крупных рекомендательных системах, где нейросетевые признаки становятся частью более широкой модели принятия решений.
В результате модель одновременно учитывает все ключевые компоненты задачи: содержание рекламного объявления, контент канала, профиль его аудитории и уникальные статистические характеристики канала. Это позволяет максимально точно прогнозировать, насколько аудитория канала заинтересуется конкретным рекламным сообщением. По мере накопления данных роль нейросетевых компонентов, вероятно, будет расти, однако уже сегодня именно их сочетание с моделями градиентного бустинга обеспечивает максимальную точность прогнозирования.
Канал меняется быстрее, чем сайт
В классических рекламных сетях площадки, сайты и приложения, — довольно стабильные объекты. Сайт может годами сохранять одинаковую аудиторию и тематику. Это позволяет опираться на накопленную историю при оценке качества площадки. Каналы в мессенджерах устроены иначе: меняется автор, смещается тематика, приходит новая аудитория или уходит старая. За несколько недель канал может измениться так, что данные полугодичной давности потеряют ценность.
Это значит, что моделям нужны свежие сигналы, а не исторические профили: текущая вовлеченность аудитории, скорость набора просмотров у последних постов, тематика публикаций за последние дни. Вчерашние характеристики площадки могут уже не отражать ее реальное состояние сегодня.
Рекомендательная система в инфлюенс-маркетинге
По своей логике происходящее напоминает эволюцию, которую прошли маркетплейсы, видеосервисы и поисковые системы — ручной подбор постепенно уступает место алгоритмическому ранжированию.
Рекламные технологии Яндекса являются крупнейшей в России и Европе рекомендательной системой, а также входят в число мировых лидеров по масштабу пользовательского опыта наравне с Google, Amazon, Taobao, Pinterest, Spotify и др. «Яндекс Реклама» обрабатывает до 1,2 млн запросов в секунду, а внутри системы ежедневно происходит порядка 10 млрд событий с участием нейротехнологий. Если рекомендательные системы подбирают товары, рекламные объявления, фильмы под конкретного пользователя, то в инфлюенс-маркетинге аналогичные механизмы подбирают рекламу под сообщества с учетом их динамики, контекста и особенностей поведения аудитории.
Масштаб задачи уже сейчас значителен: к инфлюенс-инвентарю Рекламной сети «Яндекса» подключено более 24 000 каналов и блогов с суммарным охватом около 350 млн подписчиков. Управлять эффективностью кампаний в подобном объеме вручную невозможно, и рынок это хорошо понимает. По итогам наших кастдевов практически все агентства называют документооборот, непрозрачное ценообразование и большое количество ручных процессов главными болями инфлюенс-маркетинга. Запрос на автоматизацию — один из самых заметных трендов последних лет.
Ответом на этот запрос стал запуск РСЯ для телеграм-каналов в 2023 году. Рекламодателям стал доступен автоматический подбор и размещение рекламы в каналах через «Яндекс Директ». Алгоритмы подбирают оптимальные каналы с учетом тематики, вовлеченности и портрета аудитории, автоматически добавляют маркировку и передают данные в ЕРИР. Модерация отсекает накрутки и чувствительный контент, оплата идет за фактические результаты (просмотры или клики), а статистика обновляется в реальном времени. Операционная нагрузка на агентства и рекламодателей при этом существенно снижается.
Для рекламодателей автоматизация инфлюенс-маркетинга означает новый уровень эффективности и прогнозируемости. В «Директе» система оценивает, насколько аудитория конкретного канала совпадает с целевой аудиторией кампании, и отбирает размещения с максимальной ожидаемой отдачей без ручного перебора сотен вариантов.
Человеческая экспертиза при этом не исчезает — крупные эксклюзивные интеграции с известными авторами по-прежнему строятся на отношениях. Но в кампаниях, где важны масштаб и измеримый результат, ключевую роль все больше играют данные и качество алгоритмов.