Что такое виртуальные конверсии в Яндекс.Директе — и почему автостратегии без них работают вполсилы
Всем привет! На связи платформа для предиктивного AI маркетинга Sales Ninja.
Как работают автостратегии?
Контекстная реклама сегодня держится не столько на креативах или ручной настройке, сколько на алгоритмах. Автостратегии анализируют, какие показы в прошлом завершились покупкой или заявкой — и на этой базе строят прогноз: если вероятность целевого действия высока, система повышает ставку в аукционе, если низка — снижает. Под капотом это градиентный бустинг или нейросеть, которая обучается на истории кампании: кто кликнул, с какого устройства, в какое время, по какому запросу, как вёл себя на сайте — и что из этого закончилось конверсией.
Большинство маркетологов воспринимают автостратегию как чёрный ящик: задал цель, выставил бюджет — дальше само. Но это статистическая модель. И как любая статистическая модель — она ровно настолько хороша, насколько хороши данные, на которых обучалась. Больше данных — точнее портрет аудитории. Разнообразнее данные — тоньше сегментация. Свежее данные — быстрее реакция на изменения рынка.
Всё это означает одно: качество работы автостратегии прямо пропорционально качеству и объёму обучающих данных. И именно из этого тезиса вырастают четыре структурных проблемы, с которыми рано или поздно сталкивается любой маркетолог.
Проблема первая — алгоритму не хватает данных
Яндекс рекомендует минимум 10 конверсий в неделю на кампанию для устойчивого обучения. В идеале — 20–50. Ниже этого порога статистическая база недостаточна: модель не успевает накопить репрезентативную выборку, портрет аудитории формируется на случайных единичных событиях, а не на устойчивых паттернах. Результат — нестабильная работа и систематическое недобирание эффективности.
Представьте маркетолога, который ведёт кампанию для застройщика. Продажи квартир — несколько в месяц. Реальных конверсий в неделю — единицы. Автостратегия обучается на этих единицах, строит по ним портрет покупателя — и ищет похожих. Только вот портрет получается настолько бедным, что алгоритм фактически работает наугад.
В нишах с высоким средним чеком конверсионный поток разреженный по определению. В корпоративном B2B цикл сделки растянут на недели и месяцы. В ecom дорогие позиции накапливают статистику в разы медленнее чем массовый ассортимент. Это структурная данность рынка — и никакие манипуляции с настройками кабинета этого не изменят. Автостратегия в таких условиях работает в режиме хронического голодания.
Проблема вторая — плато эффективности
Эта проблема коварнее первой — потому что снаружи выглядит как успех. Конверсий хватает, кампании настроены, алгоритм обучился. CPL вышел на комфортный уровень — и остановился. Неделя за неделей одни и те же цифры. Всё работает. Просто не улучшается.
Любая автостратегия рано или поздно выходит на плато — и уровень этого плато напрямую зависит от объёма конверсий, которые она получает еженедельно. Алгоритм обучился на доступной выборке, построил портрет целевой аудитории — и сошёлся к локальному оптимуму. Дальше на тех же данных он не двинется. Можно менять ставки, чистить семантику, тестировать креативы — потолок останется там же. Потому что он определяется не настройками, а объёмом и разнообразием обучающего сигнала.
Проблема третья — неравномерная оптимизация по сегментам
Автостратегия распределяет обучающий сигнал пропорционально частоте реальных конверсий. Там, где конверсий много — алгоритм обучается хорошо. Там, где их мало — сегмент постепенно выпадает из оптимизации.
Это проявляется везде:
География. Кампания «на всю Россию» де-факто превращается в кампанию на Москву и Санкт-Петербург. Остальные регионы пессимизируются — не потому, что там нет спроса, а потому что алгоритму просто не хватает данных оттуда.
Товарный каталог. В ecom автостратегия смещается в сторону популярных товаров. Дорогие позиции, узкие категории, новинки — постепенно выпадают из активной оптимизации.
Семантика. Широкие высокочастотные запросы накапливают конверсии быстро. Узкие низкочастотные — медленно. Алгоритм уходит туда, где ему легче — даже если именно узкие запросы приводят наиболее качественный трафик.
Проблема четвёртая — вы платите за заявки, а не за клиентов
Это проблема которая выглядит как норма. Большинство рекламодателей оптимизируются по лиду — по первичной заявке или звонку. Логика понятна: конверсий достаточно, автостратегия обучается, кампания работает стабильно. Зачем что-то менять?
Но автостратегия оптимизируется ровно под то, на что настроена цель — и не смотрит дальше. Тот, кто оставил заявку из любопытства и тот кто готов купить прямо сейчас для алгоритма неразличимы. Оба — конверсия. В результате система ищет не тех кто купит —, а тех кого проще всего привести к заявке. Дешёвый трафик с низкой конверсией в продажу: выглядит хорошо в отчёте по CPL и плохо — в отчёте по выручке.
Логичное решение — оптимизироваться по квалифицированному лиду или покупке. Но здесь маркетолог упирается в следующую стену.
Квалификация лида происходит не мгновенно. Менеджер позвонил, пообщался, внёс статус в CRM — и только после этого данные передаются в Яндекс.Метрику. В нишах с длинным циклом сделки между первым касанием и финальной квалификацией может пройти несколько недель. А Директ атрибутирует конверсии в течение 21 дня с момента клика.
В итоге ловушка захлопывается с двух сторон: оптимизироваться по лиду — значит получать дешёвые заявки низкого качества. Оптимизироваться по квалифицированному лиду — значит терять большую часть данных из-за окна атрибуции. Оба пути ведут к одному результату: автостратегия работает с неполной и искажённой картиной реальности.
Что такое виртуальные конверсии?
Виртуальная конверсия — это обучающий сигнал для автостратегии, сгенерированный предиктивной моделью на основе поведения пользователя на сайте.
Работает это так. Предиктивная модель устанавливается на сайт через пиксель и начинает анализировать каждый визит в реальном времени: глубину взаимодействия, навигационные паттерны, микроконверсии, контекст визита, историю взаимодействий. На основе этих данных модель рассчитывает вероятность того, что конкретный визит закончится реальной конверсией.
Визиты получают соответствующий вес — чем выше вероятность, тем весомее сигнал. Эти взвешенные события фиксируются как виртуальные конверсии и передаются в Яндекс.Метрику в качестве отдельной цели. Именно на эту цель начинает обучаться автостратегия Директа. Объём виртуальных конверсий в 3–5 раз превышает количество реальных — кампания, которая получала 10 конверсий в неделю начинает обучаться на 30–50 событиях.
Как Sales Ninja меняет логику обучения автостратегии
Что это меняет на практике?
Возьмём того же маркетолога застройщика из первого примера. Реальных продаж — несколько в месяц. Автостратегия голодает. После подключения виртуальных конверсий алгоритм начинает получать 30–50 обучающих событий в неделю вместо единиц. Портрет покупателя перестаёт строиться на случайной выборке — и кампания наконец начинает двигаться.
Для кампании, которая упёрлась в плато — это второй слой данных. Представьте интернет-магазин электроники: конверсий достаточно, CPL стабильный —, но уже полгода не снижается ни на рубль. Предиктивная модель фиксирует поведенческие сигналы, которые раньше просто не попадали в обучение: как пользователь изучает каталог, на каких страницах задерживается, возвращается ли. Алгоритм начинает точнее находить тех кто купит — и CPL который полгода стоял на месте наконец начинает снижаться.
Для кампании с неравномерным распределением конверсий — виртуальные конверсии генерируются пропорционально реальному поведенческому интересу по всем сегментам. Алгоритм начинает видеть спрос там где раньше просто не хватало данных. Кампания на всю Россию перестаёт де-факто работать только на Москву и Санкт-Петербург.
И наконец — оптимизация по квалифицированному лиду становится возможной даже при длинном цикле сделки. Предиктивная модель оценивает вероятность того, что пользователь дойдёт до покупки прямо в момент визита — без ожидания квалификации менеджером и без зависимости от окна атрибуции в 21 день. Алгоритм получает сигнал немедленно — и начинает оптимизироваться под тех кто купит, а не под тех кто просто оставит заявку.
Отвечаем на главные возражения
Когда маркетолог впервые слышит про виртуальные конверсии — первая реакция предсказуема: «это накрутка», «Яндекс забанит», «аналитика испортится». Разберём каждый страх отдельно.
Это не накрутка. Виртуальная конверсия не создаёт иллюзию результата которого нет. Она не попадает в отчёт о продажах, не учитывается в выручке, не влияет на оплату агентству и не искажает финансовую аналитику. Она существует только внутри обучающего контура автостратегии — и нужна ровно одному участнику процесса: алгоритму Яндекса, которому не хватает данных. Мы не рисуем результат которого нет — мы передаём алгоритму более полную картину поведения пользователей на сайте.
Это не бидер. Бидер вмешивается в аукцион Директа и управляет ставками в реальном времени в обход автостратегии. Sales Ninja работает иначе: мы не трогаем аукцион, не меняем ставки и не конкурируем с автостратегией. Мы работаем на уровне входа — на составе обучающей выборки. Автостратегия остаётся автостратегией. Меняется только качество данных на которых она учится.
Яндекс не забанит. Виртуальные конверсии передаются в Яндекс.Метрику как обычные цели — технически это ничем не отличается от любой другой пользовательской цели, которую настраивает маркетолог. Никаких скрытых вмешательств в платформу нет.
Заключение
Автостратегии Директа — мощный инструмент, но не стоит его идеализировать. Во всех четырех случаях проблема находится не в настройках кампании —, а на уровне обучающей выборки. И стандартными инструментами рекламного кабинета до этого уровня не дотянуться.
Виртуальные конверсии решают проблему именно там где она существует. Расширяют обучающую выборку количественно и качественно. Дают алгоритму сигналы, которые он не может собрать сам — о поведении пользователей до финальной конверсии, по всей географии кампании, по всей глубине воронки. Автостратегия остаётся автостратегией. Меняется только то на чём она учится. Но именно это — единственное что имеет значение.
