Sales Ninja × Рэйс Телеком. Как мы научили Яндекс.Директ искать B2B заказчиков в сегменте спутникового рынка
Клиент
«Рэйс Телеком» — крупнейший коммерческий оператор спутниковой связи в России. На компанию приходится около 18% всех установленных в стране VSAT-терминалов.Инфраструктура «Рэйс Телеком» отвечает мировым стандартам и входит в тройку крупнейших в Российской Федерации. Среди заказчиков — нефтегазовые холдинги и добывающие компании, банки, операторы сотовой связи, государственные структуры. Всего более 2 300 корпоративных клиентов.
Проще всего понять этот бизнес через географию его клиентов. Буровая в арктическом регионе за тысячу километров от ближайшей оптики. Морское судно в полярных широтах. Региональная сеть АЗС, где сотовая сеть переходит в роуминг по самой себе. Везде, где экономика объекта живёт, а наземной связи — нет, остаётся одно решение, и «Рэйс Телеком» его поставляет.
Когда от связи зависят основные бизнес-процессы, решение принимают технические заказчики — IT-директора, руководители инфраструктуры, главные инженеры. Цикл сделки тянется неделями и месяцами, средний чек корпоративный, на стороне клиента — длинные согласования и тендерные процедуры.. Это очень узкий срез общего поискового спроса на «спутниковый интернет», и в этом срезе живёт весь маркетинговый смысл платного трафика «Рэйс Телеком».
Задача
В платном трафике «Рэйс Телеком» одновременно жили две структурные проблемы. Поодиночке каждая из них уже создает потолок канала. Вместе они умножаются.
Автостратегии нечего есть. Алгоритмам Яндекса для устойчивой работы нужен плотный поток конверсий — индустриальный ориентир от 10 событий в неделю на кампанию. В нишевом B2B с длинным циклом сделки такого потока не бывает по определению. Заявок от юридических лиц мало, и это свойство рынка, а не дефект воронки. В таком режиме автостратегия не ломается заметно — она просто никогда не выходит на свой рабочий уровень. Получается ровный посредственный результат, который со временем начинают принимать за потолок канала и смиряются с ним.
То, что есть, — отравлено. Запрос «спутниковый интернет» в Яндексе вводят аудитории, у которых между собой нет почти ничего общего: IT-директор холдинга с десятками удалённых объектов, владелец загородного дома, частный пользователь, который читал статью про Starlink и теперь интересуется темой. Поисковая фраза одна, посадочная одна, форма одна. Для автостратегии все их заявки — валидные конверсии одного типа.
Дальше работает базовая логика любой оптимизационной модели: искать пользователей, похожих на тех, кто уже сконвертировался. Поскольку частный спрос в общем потоке присутствует заметной долей, портрет целевой аудитории в обучении смещается в его сторону. Алгоритм не ошибается — он с высокой точностью находит тех, на кого его обучили. Просто обучили его не на корпоративном заказчике «Рэйс Телеком».
Эти две проблемы нельзя решать по очереди. Если нарастить объём, не очистив сигнал, — большая выборка только ускорит смещение портрета. Если очистить, не нарастив, — автостратегия вернётся в режим голодания. Их нужно закрывать одновременно и в одном инструменте.
В итоге ранее команда «Рэйс Телеком» делала уже несколько попыток перейти на автостратегии, но они не оправдали желаний. На момент старта теста все кампании жили на «ручнике» и в основном ловили самые горячие (в первую очередь брендовые запросы). Это было вынужденным решением, которое ограничивало результат и количество лидов (большая часть из которых к тому же оказывалось неквалами).
Почему штатный инструментарий Директа здесь не работает
Штатные рычаги управления платным трафиком расположены этажом выше проблемы. Бюджет и ставки определяют, сколько показов получит кампания. Креативы — что увидит пользователь в выдаче. Минус-слова отсекают показы по нерелевантным запросам. Ни один из этих рычагов не дотягивается до состава обучающей выборки автостратегии — до того, на чём она учится строить портрет целевого пользователя.
В большинстве кампаний этого и не нужно: автостратегия справляется сама, потому что её выборка более-менее однородна по составу аудитории. В случае «Рэйс Телеком» — и в десятках похожих корпоративных сценариев — выборка неоднородна структурно, и собрать ее правильно внутри штатного инструментария нечем. Это не вопрос квалификации команды или агентства. Это вопрос наличия инструмента нужного уровня.
Что сделали
Sales Ninja работает поверх автостратегий Яндекса и управляет их обучающим рационом. Мы не вмешиваемся в то, как Директ принимает решения, как устроен его аукцион и как он распределяет показы. Мы работаем со входом: с набором конверсий, на котором автостратегия строит портрет целевого пользователя. Автостратегия остаётся автостратегией — меняется только качество данных, на которых она учится. Для маркетолога это важный момент: между его кабинетом и Яндексом не появляется новой точки отказа.
Продукт, который мы подключили в «Рэйс Телеком», называется Моделируемые конверсии. Он закрывает обе проблемы из предыдущего раздела одновременно — двумя контурами, которые работают в паре.
Контур насыщения
Предиктивная модель Sales Ninja анализирует поведение каждого посетителя сайта в реальном времени — глубину и характер навигации, контекст визита, микросигналы намерения — и оценивает вероятность того, что перед нами представитель бизнеса. Визиты с высокой вероятностью мы фиксируем как виртуальные конверсии и передаем в Яндекс.Метрику отдельной целью, на которую обучается Директ. Плотность обучающего сигнала растёт в 3–5 раз: кампания, у которой было 10 реальных конверсий в неделю, начинает обучаться на 30–50 событиях. Автостратегия выходит из режима голодания и получает достаточный объем данных для нормального обучения.
Виртуальная конверсия здесь — не «нарисованная» конверсия. Она не попадает в отчёт о продажах, не учитывается в выручке, не влияет на оплату агентству и не искажает финансовую отчетность. Она существует только внутри обучающего контура автостратегии и нужна ровно одному участнику процесса — алгоритму Яндекса, которому не хватает данных.
Контур очистки
Наращивание объёма не имеет смысла, если параллельно в обучение продолжает стекать шум. Цель по нерелевантным заявкам (unqualified), уже настроенную в Метрике, мы подключили к Sales Ninja как минус-цель с максимальной силой подавления — 10.0.
Это не то же самое, что исключить аудиторию в настройках кампании. Исключение — это фильтр на входе: определённые пользователи перестают видеть объявления. Минус-цель работает на уровне обучения. Визит, попавший в (unqualified), получает в обучающей выборке отрицательный вес. Автостратегия не просто перестаёт считать такие события хорошими — она учится отталкиваться от поведенческого профиля пользователя, который их генерирует. Поведение, характерное для частного потребителя, становится для нее не нейтральным сигналом, а отрицательным.
В терминах машинного обучения это две принципиально разные инструкции: показать алгоритму, на кого быть похожим, и показать, от кого отличаться. До внедрения Директ «Рэйс Телеком» знал только первую. С минус-целью у него появилась вторая — и именно она закрыла контур, через который в обучение утекал шум.
(unqualified) здесь — частный пример. У каждого бизнеса своя версия нежелательного визита: спам-заявки, дубли, тестовые регистрации, обращения от нецелевой аудитории, запросы от конкурентов. Механика универсальна: любая цель из Метрики может быть подключена как минус-цель, и чем точнее описан негативный класс, тем быстрее автостратегия сходится к правильному портрету аудитории.
Что изменилось в логике кампаний
До внедрения автостратегия «Рэйс Телеком» решала одну задачу: найти больше пользователей, похожих на тех, кто уже оставил заявку. На рынке, где корпоративный и частный спрос идут через одну форму, эта формулировка вела прямо в ловушку.
Теперь задача поставлена иначе. Сверху предиктивная модель Sales Ninja показывает автостратегии поведение людей, которые ведут себя как технические заказчики. Снизу минус-цель (unqualified) отталкивает её от поведения частников. Между этими двумя границами остается узкий коридор — тот самый, в котором живут реальные клиенты «Рэйс Телеком», — и автостратегия работает внутри него своим обычным способом. Мы не указываем Директу, кого показывать в каждом аукционе. Мы очертили область, внутри которой он сам находит нужных людей.
Результаты
Кейсы обычно пишут по горячим следам пилота: красивая точка результата, краткий отчёт, фотография на финише. У «Рэйс Телеком» эта точка случилась давно. Sales Ninja оптимизирует большую часть платного трафика компании уже больше года, и это меняет жанр разговора. Одно дело — дойти до результата и о нём рассказать; другое — оставаться частью фундамента рекламной оптимизации лидера сложного рынка достаточно долго, чтобы это перестало быть случайностью.
Для того, чтобы поделиться результатами, но при этом не раскрывать абсолютных коммерческих цифр — мы сравним относительные результаты первого квартала 2025 года и первого квартала 2026 года.
В первом квартале 2025 года рекламные кампании жили на старой цели Заявка, которая включала в себя и нужных нам юридических лиц и ненужных физических лиц. Но даже так, кампании все время голодали.
В первом квартале 2026 года большая часть кампаний уже оптимизируется вместе с Sales Ninja — по положительной виртуальной конверсии юридического лица с минус-целью физического лица. Небольшие РК, оставшиеся за оплату за конверсию в статистике не учитываем для чистоты (на них приходится небольшая часть бюджета):
Внедрение Sales Ninja стало новой отправной точкой в работе с Яндекс.Директом. В момент когда казалось что возможности рекламной системы для узкого B2B-сегмента исчерпаны, Sales Ninja вывел рекламу на новый уровень. В основу взаимодействия с Директом легли данные, а не гипотезы. Это стало началом нового этапа — когда алгоритм наконец начал работать с теми сигналами которые реально отражают бизнес.
Татьяна ШумаеваМаркетолог Рэйс Телеком
