Василий Разумных, «Т-Реклама»: «Растет интерес к автоматизированным стратегиям закупки»

— Ваша рекламная платформа построена вокруг ML-моделей (machine learning— модель машинного обучения) и автоматизации. В чем ее отличие от другихрешений на рынке?

— Ключевое отличие заключается в том, что в основу рекламной платформыизначально заложены технологии машинного обучения. Мы не просто используеммодели для предсказания кликабельности, а строим на них всю логику принятиярешений: от формирования аудитории до генерации финального креатива в реальномвремени. В отличие от классического подхода, где реклама существует отдельно отпродуктового опыта, мы интегрируем ее в пользовательский сценарий. Поэтомусистема учитывает не только ставку рекламодателя, но и уместность предложениядля конкретного человека в определенный момент.

Кроме того, используем динамическую сборку офера. Вместо того чтобыпоказывать статичный баннер, загруженный менеджером, наша система можеткомбинировать различные элементы — условия партнера, продукты экосистемы,персональные скидки — прямо в момент запроса. Это позволяет конкурировать нетолько ценой за показ, но и качеством коммуникации. 

— Как вы пришли к такому подходу? В какой момент стало понятно, что онможет работать лучше ручного управления? Какие гипотезы вы проверяли?

— Путь к текущей архитектуре начался с понимания ограничений ручногоуправления таргетингами и ставками. Предполагалось, что человеческий фактор истатические сегменты не успевают за тем, как быстро меняется поведениепользователей и контекст. Ранние эксперименты показали, что автоматизациярешений на основе данных может заметно повысить эффективность кампаний, снизитьнагрузку на менеджеров и сократить число ошибок в настройке. Также проверяласьгипотеза, что система сможет точнее оценивать реальную ценность показа, чемфиксированные правила.

Важным этапом стало тестирование подхода, где ставка не являетсяединственным определяющим фактором победы в аукционе. Мы увидели, что еслидавать приоритет только цене, то это может ухудшать качество выдачи дляпользователя. Поэтому начали внедрять многокритериальную оптимизацию, гдеучитывается прогноз вовлеченности и качество креатива. Сейчас активно развиваемэто направление, внедряя автостратегии, которые позволяют рекламодателямзадавать бизнес-цели, а алгоритмам — самостоятельно искать пути ихдостижения. 

— Насколько дорого и сложно было построить такую систему? С какимивызовами вы столкнулись при разработке?

— Создание единой ML-инфраструктуры, способной обрабатывать сигналы вреальном времени, — это задача высокой инженерной сложности. Основные вызовыбыли связаны не столько с самими моделями, сколько с обеспечением низкойзадержки при обработке данных и сохранении их актуальности. Нам нужно былообъединить разрозненные источники из разных вертикалей экосистемы, обеспечитьих согласованность и построить пайплайны (последовательность этапов работы надзадачей или проектом), которые работают стабильно под высокой нагрузкой. Этотребовало больших инвестиций в архитектуру хранения и обработки данных, а такжев инструменты мониторинга качества моделей. Еще одной сложной задачей стал «холодный старт» новых объявлений и кампаний,когда у системы пока мало данных. Для этого сделали механизмы, которые помогаютбыстрее собирать статистику и использовать предварительные оценки, чтобы новыеучастники аукциона могли быстрее включаться в работу. При этом централизацияинфраструктуры в перспективе снижает затраты на поддержку и упрощает запускновых функций, потому что одну и ту же логику не нужно отдельно собирать длякаждого продукта.

— Если говорить про основу платформы, как вы подходите к объединениюданных из разных вертикалей экосистемы Т-Банка?

— Мы движемся к созданию единого хранилища данных и feature store(централизованное хранилище, предназначенное для управления, хранения иобслуживания признаков в проектах машинного обучения), где собираются сигналысо всех продуктов экосистемы. Принцип заключается в том, чтобы модель имеламаксимально полный контекст о пользователе, соблюдая при этом строгие принципыприватности. Мы агрегируем данные о поведении в финансовых сервисах, Шопинге,Супермаркетах, Путешествиях и других точках контакта, чтобы формироватьцелостный профиль. Это позволяет видеть пользователя не как набор разрозненныхидентификаторов, а как единую сущность с определенными интересами ипотребностями. 

— И как дальше работает связка данных и алгоритмов? Как принимаетсярешение о том, что именно показать пользователю?

— Процесс принятия решения строится вокруг аукциона, который эволюционируетот простого сравнения ставок к комплексной оценке ценности показа. Когдапоступает запрос, система формирует пул кандидатов, подходящих по таргетингам иограничениям, а затем ранжирует их с помощью скоринговой модели. Эта модельучитывает множество факторов: экономическую эффективность для платформы,прогнозируемую вероятность целевого действия, качество креатива и репутациюрекламодателя. Важно, что вес каждого фактора не фиксирован жестко, а можетадаптироваться в зависимости от контекста и конкуренции. Решение о показе принимается в реальном времени с учетом текущей нагрузки иограничений бюджета кампании. Мы внедряем механизмы, которые позволяютуправлять скоростью открутки и предотвращать перерасход средств, обеспечиваяравномерное распределение показов. Кроме того, система учитывает частотуконтактов с пользователем, чтобы не допускать «баннерной слепоты» ираздражения. Таким образом, побеждает не обязательно самое дорогое объявление,а то, которое наилучшим образом соответствует текущей ситуации и интересампользователя, обеспечивая баланс между монетизацией и качеством выдачи.

— Как формируются рекомендации для конкретного пользователя, что выучитываете в первую очередь?

— При формировании рекомендаций используем многоуровневую систему оценки,где приоритеты могут смещаться в зависимости от цели. В первую очередьучитывается контекст запроса и текущая сессия пользователя: что он ищет прямосейчас, на какой странице находится, какое устройство использует. Это позволяетзахватить сиюминутный интерес. Однако не менее важна долгосрочная историяповедения, которая помогает понять глубинные предпочтения и избежатьситуативных ошибок. Также нужно учитывать бизнес-цели, такие как необходимостьпродвижения определенных категорий или поддержки партнеров. Ключевой элемент — оценка релевантности через ML-модели, которыепредсказывают вероятность взаимодействия с конкретным предложением. Мыстремимся к тому, чтобы рекомендация выглядела органичной частью контента, а ненавязчивым вмешательством. Для этого тестируем различные форматы подачи ипостоянно калибруем модели, чтобы они не переобучались на краткосрочныхсигналах. В итоге система пытается найти оптимальную точку пересечения междутем, что интересно пользователю, и тем, что выгодно рекламодателю иплощадке.

— В этом контексте как сегодня у вас устроена работа с аудиторией? Как выработаете с сегментацией?

— Мы постепенно отходим от классической ручной сегментации в сторонудинамического формирования аудиторий на основе ML-таргетинга. Вместо того чтобызаставлять рекламодателя вручную выбирать сложные комбинации интересов,позволяем системе самой находить пользователей, наиболее склонных к целевомудействию, исходя из заданных целей кампании. Это снижает когнитивную нагрузкуна маркетологов и уменьшает риск ошибок при настройке. Конечно, возможностьручного уточнения аудитории сохраняется для тех случаев, когда это критическиважно для стратегии бренда. 

Также развиваем инструменты look-alike (технология таргетированной рекламы,которая позволяет найти пользователей, похожих на исходную аудиторию) ирасширения аудиторий, используя данные экосистемы для поиска пользователей,похожих на лучших клиентов рекламодателя. При этом внимательно следим за тем,чтобы сегменты не становились слишком узкими, что могло бы ограничитьмасштабирование кампаний. 

— Работа персонализации: что именно формирует конкретный офер дляпользователя?

— Персонализация офера — это процесс динамической сборки сообщения издоступных компонентов в момент показа. Система может комбинировать основноепредложение рекламодателя с дополнительными преимуществами экосистемы, такимикак кешбэк, специальные условия финансирования или страховые продукты. Выборэтих элементов зависит от профиля пользователя: например, для одного клиентаключевым триггером может быть скидка, для другого — возможность рассрочки илибонусы лояльности. Также используем модели, которые предсказывают, какой именнонабор условий будет наиболее убедительным. Важно отметить, что мы не генерируем контент полностью с нуля без контроля,а используем заранее подготовленные модули и правила бренд-безопасности.

Внедрение генеративного ИИ помогает варьировать тексты и изображения, но всепроходит через строгие фильтры валидации. Это позволяет масштабироватьпроизводство креативов, сохраняя соответствие гайдлайнам бренда. В результатепользователь видит предложение, собранное специально для него, что повышаетвероятность конверсии и улучшает восприятие рекламы в целом.

— Насколько рекомендации зависят от истории пользователя, а насколько оттого, что он делает прямо сейчас?

— Мы рассматриваем историю поведения и текущий контекст каквзаимодополняющие сигналы, важность которых варьируется в зависимости отситуации. Долгосрочная история дает понимание устойчивых интересов ипредпочтений пользователя. Однако в моменте именно текущий контекст — запрос впоиске, просматриваемая категория товаров, время суток — часто становитсярешающим фактором для выбора конкретного офера. Наша архитектура позволяетобрабатывать оба типа сигналов с минимальной задержкой. Также работаем над проблемой «холодного старта», когда истории поведениянедостаточно. В таких случаях система опирается на контекстные признаки иагрегированные данные по похожим пользователям, чтобы сделать обоснованноепредположение. По мере накопления данных вес индивидуальной историиувеличивается. 

— Если смотреть шире, как в целом меняется коммуникация с пользователем вфинтехе?

— Коммуникация в финтехе смещается от транзакционной модели к сервисной.

Пользователи все меньше воспринимают банк просто как место для хранения денегили проведения платежей, они ожидают получения комплексной помощи в решениижизненных задач. Реклама в этом контексте трансформируется в полезноепредложение, которое помогает закрыть потребность здесь и сейчас. Мы видимтренд на интеграцию рекламных сообщений в пользовательские сценарии так, чтобыони выглядели естественным продолжением сервиса, а не внешнимвмешательством. 

Это требует глубокого понимания потребностей клиента и умения вовремяпредложить нужное решение. — Какие форматы или точки контакта с клиентом вы сегодня считаетенаиболее эффективными?

— Наиболее эффективными считаем нативные форматы, которые органичновписываются в интерфейс продукта. Это могут быть товарные полки в разделахШопинга, рекомендательные блоки в лентах операций или контекстные предложения впоиске. Главное условие — формат не должен ломать пользовательский путь, адолжен помогать в его прохождении. Я вижу высокий потенциал у форматов, которыепозволяют показать товар или услугу в момент возникновения интереса, сокращаяпуть до покупки. 

Также стоит уделять внимание видеоформатам и интерактивным элементам,которые позволяют глубже погрузить пользователя в предложение. Однакоэффективность любого формата зависит от качества таргетинга и релевантностиконтента. Например, мы тестируем новые плейсменты (места для размещениярекламы) и способы интеграции, анализируя не только кликабельность, но ивлияние на общее удовлетворение пользователей. 

— Если перейти к бизнес-стороне — как за последнее время изменилисьзапросы рекламодателей? Какие задачи они сейчас приходят решать?

— Запросы рекламодателей становятся более прагматичными и ориентированнымина результат. Если раньше часто фокус был на охватах и узнаваемости, то сейчасрастет спрос на перформанс-инструменты и измеримые действия. Клиенты хотятпонимать, как каждый вложенный рубль влияет на их бизнес-метрики, и ищутвозможности для оптимизации затрат. При этом сохраняется запрос на брендинг, ноон все чаще объединяется с перформансом в концепцию брендформанса (стратегия,которая одновременно работает над имиджем бренда и достигает конкретныхизмеримых результатов), где важно и охватить аудиторию, и побудить ее кдействию. 

Также вижу рост интереса к автоматизации и self-service-инструментам(инструменты, которые помогут им решать аналитические задачи без помощитехнических специалистов). Рекламодатели хотят запускать кампании быстрее ипроще, без длительного согласования и ручной настройки. Они ожидают, чтоплатформа возьмет на себя часть рутинной работы по оптимизации ставок и подборуаудиторий. Это требует развития удобных интерфейсов и умных алгоритмов, которыепозволяют получать предсказуемый результат при минимальном участиичеловека.

— Как выглядит портрет типичного клиента «Т-Рекламы»? Кто они, из какихсегментов преимущественно?

— Наша клиентская база разнообразна и включает как крупный бизнес, так ималый и средний. 

Значительную долю составляют ретейлеры и компании из сферы услуг, которыезаинтересованы в доступе к нашей аудитории и данным о покупках. Для нихплатформа выступает как канал ретейл-медиа, позволяющий воздействовать наклиента в точке принятия решения. Также работаем с финансовыми партнерами ибрендами, которые хотят интегрироваться в экосистему банка.

— Куда в итоге смещаются бюджеты? Где вы сейчас видите наибольший притокинвестиций со стороны рекламодателей?

— Я наблюдаю смещение бюджетов в сторону каналов, которые обеспечиваютблизость к покупке и качественную атрибуцию. Ретейл-медиа и внутренние площадкиэкосистем становятся приоритетными направлениями для инвестиций, так как онипозволяют работать с горячим спросом и отслеживать конверсии внутри экосистемы.

Рекламодатели готовы вкладываться туда, где видят прозрачную связь междупоказом и результатом, особенно в условиях усложнения внешнейатрибуции. 

Также растет интерес к автоматизированным стратегиям закупки, где алгоритмыуправляют распределением бюджета в реальном времени. Инвестиции направляются винструменты, которые позволяют масштабировать успешные кампании и быстротестировать новые гипотезы. Клиенты хотят гибко перераспределять средства междуразными форматами и целями в зависимости от текущей эффективности.