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 других решений на рынке?

— Ключевое отличие заключается в том, что в основу рекламной платформы изначально заложены технологии машинного обучения. Мы не просто используем модели для предсказания кликабельности, а строим на них всю логику принятия решений: от формирования аудитории до генерации финального креатива в реальном времени. В отличие от классического подхода, где реклама существует отдельно от продуктового опыта, мы интегрируем ее в пользовательский сценарий. Поэтому система учитывает не только ставку рекламодателя, но и уместность предложения для конкретного человека в определенный момент.

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

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

— Путь к текущей архитектуре начался с понимания ограничений ручного управления таргетингами и ставками. Предполагалось, что человеческий фактор и статические сегменты не успевают за тем, как быстро меняется поведение пользователей и контекст. Ранние эксперименты показали, что автоматизация решений на основе данных может заметно повысить эффективность кампаний, снизить нагрузку на менеджеров и сократить число ошибок в настройке. Также проверялась гипотеза, что система сможет точнее оценивать реальную ценность показа, чем фиксированные правила.

Важным этапом стало тестирование подхода, где ставка не является единственным определяющим фактором победы в аукционе. Мы увидели, что если давать приоритет только цене, то это может ухудшать качество выдачи для пользователя. Поэтому начали внедрять многокритериальную оптимизацию, где учитывается прогноз вовлеченности и качество креатива. Сейчас активно развиваем это направление, внедряя автостратегии, которые позволяют рекламодателям задавать бизнес-цели, а алгоритмам — самостоятельно искать пути их достижения. 

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

— Создание единой ML-инфраструктуры, способной обрабатывать сигналы в реальном времени, — это задача высокой инженерной сложности. Основные вызовы были связаны не столько с самими моделями, сколько с обеспечением низкой задержки при обработке данных и сохранении их актуальности. Нам нужно было объединить разрозненные источники из разных вертикалей экосистемы, обеспечить их согласованность и построить пайплайны (последовательность этапов работы над задачей или проектом), которые работают стабильно под высокой нагрузкой. Это требовало больших инвестиций в архитектуру хранения и обработки данных, а также в 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 помогают быстрее собирать статистику и использовать предварительные оценки, чтобы новые участники аукциона могли быстрее включаться в работу. При этом централизация инфраструктуры в перспективе снижает затраты на поддержку и упрощает запуск новых функций, потому что одну и ту же логику не нужно отдельно собирать для каждого продукта.

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

— Мы движемся к созданию единого хранилища данных и feature store (централизованное хранилище, предназначенное для управления, хранения и обслуживания признаков в проектах машинного обучения), где собираются сигналы со всех продуктов экосистемы. Принцип заключается в том, чтобы модель имела максимально полный контекст о пользователе, соблюдая при этом строгие принципы приватности. Мы агрегируем данные о поведении в финансовых сервисах, Шопинге, Супермаркетах, Путешествиях и других точках контакта, чтобы формировать целостный профиль. Это позволяет видеть пользователя не как набор разрозненных идентификаторов, а как единую сущность с определенными интересами и потребностями. 

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

— Процесс принятия решения строится вокруг аукциона, который эволюционирует от простого сравнения ставок к комплексной оценке ценности показа. Когда поступает запрос, система формирует пул кандидатов, подходящих по таргетингам и ограничениям, а затем ранжирует их с помощью скоринговой модели. Эта модель учитывает множество факторов: экономическую эффективность для платформы, прогнозируемую вероятность целевого действия, качество креатива и репутацию рекламодателя. Важно, что вес каждого фактора не фиксирован жестко, а может адаптироваться в зависимости от контекста и конкуренции. 

Решение о показе принимается в реальном времени с учетом текущей нагрузки и ограничений бюджета кампании. Мы внедряем механизмы, которые позволяют управлять скоростью открутки и предотвращать перерасход средств, обеспечивая равномерное распределение показов. Кроме того, система учитывает частоту контактов с пользователем, чтобы не допускать «баннерной слепоты» и раздражения. Таким образом, побеждает не обязательно самое дорогое объявление, а то, которое наилучшим образом соответствует текущей ситуации и интересам пользователя, обеспечивая баланс между монетизацией и качеством выдачи.

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

— При формировании рекомендаций используем многоуровневую систему оценки, где приоритеты могут смещаться в зависимости от цели. В первую очередь учитывается контекст запроса и текущая сессия пользователя: что он ищет прямо сейчас, на какой странице находится, какое устройство использует. Это позволяет захватить сиюминутный интерес. Однако не менее важна долгосрочная история поведения, которая помогает понять глубинные предпочтения и избежать ситуативных ошибок. Также нужно учитывать бизнес-цели, такие как необходимость продвижения определенных категорий или поддержки партнеров. 

Ключевой элемент — оценка релевантности через ML-модели, которые предсказывают вероятность взаимодействия с конкретным предложением. Мы стремимся к тому, чтобы рекомендация выглядела органичной частью контента, а не навязчивым вмешательством. Для этого тестируем различные форматы подачи и постоянно калибруем модели, чтобы они не переобучались на краткосрочных сигналах. В итоге система пытается найти оптимальную точку пересечения между тем, что интересно пользователю, и тем, что выгодно рекламодателю и площадке.

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

— Мы постепенно отходим от классической ручной сегментации в сторону динамического формирования аудиторий на основе ML-таргетинга. Вместо того чтобы заставлять рекламодателя вручную выбирать сложные комбинации интересов, позволяем системе самой находить пользователей, наиболее склонных к целевому действию, исходя из заданных целей кампании. Это снижает когнитивную нагрузку на маркетологов и уменьшает риск ошибок при настройке. Конечно, возможность ручного уточнения аудитории сохраняется для тех случаев, когда это критически важно для стратегии бренда. 

Также развиваем инструменты look-alike (технология таргетированной рекламы, которая позволяет найти пользователей, похожих на исходную аудиторию) и расширения 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 ограничить масштабирование кампаний. 

— Работа персонализации: что именно формирует конкретный офер для пользователя?

— Персонализация офера — это процесс динамической сборки сообщения из доступных компонентов в момент показа. Система может комбинировать основное предложение рекламодателя с дополнительными преимуществами экосистемы, такими как кешбэк, специальные условия финансирования или страховые продукты. Выбор этих элементов зависит от профиля пользователя: например, для одного клиента ключевым триггером может быть скидка, для другого — возможность рассрочки или бонусы лояльности. Также используем модели, которые предсказывают, какой именно набор 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 все проходит через строгие фильтры валидации. Это позволяет масштабировать производство креативов, сохраняя соответствие гайдлайнам бренда. В результате пользователь видит предложение, собранное специально для него, что повышает вероятность конверсии и улучшает восприятие рекламы в целом.

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

— Мы рассматриваем историю поведения и текущий контекст как взаимодополняющие сигналы, важность которых варьируется в зависимости от ситуации. Долгосрочная история дает понимание устойчивых интересов и предпочтений пользователя. Однако в моменте именно текущий контекст — запрос в поиске, просматриваемая категория товаров, время суток — часто становится решающим фактором для выбора конкретного офера. Наша архитектура позволяет обрабатывать оба типа сигналов с минимальной задержкой. 

Также работаем над проблемой «холодного старта», когда истории поведения недостаточно. В таких случаях система опирается на контекстные признаки и агрегированные данные по похожим пользователям, чтобы сделать обоснованное предположение. По мере накопления данных вес индивидуальной истории увеличивается. 

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

— Коммуникация в финтехе смещается от транзакционной модели к сервисной. Пользователи все меньше воспринимают банк просто как место для хранения денег или проведения платежей, они ожидают получения комплексной помощи в решении жизненных задач. Реклама в этом контексте трансформируется в полезное предложение, которое помогает закрыть потребность здесь и сейчас. Мы видим тренд на интеграцию рекламных сообщений в пользовательские сценарии так, чтобы они выглядели естественным продолжением сервиса, а не внешним вмешательством. 

Это требует глубокого понимания потребностей клиента и умения вовремя предложить нужное решение.

 — Какие форматы или точки контакта с клиентом вы сегодня считаете наиболее эффективными?

— Наиболее эффективными считаем нативные форматы, которые органично вписываются в интерфейс продукта. Это могут быть товарные полки в разделах Шопинга, рекомендательные блоки в лентах операций или контекстные предложения в поиске. Главное условие — формат не должен ломать пользовательский путь, а должен помогать в его прохождении. Я вижу высокий потенциал у форматов, которые позволяют показать товар или услугу в момент возникновения интереса, сокращая путь до покупки. 

Также стоит уделять внимание видеоформатам и интерактивным элементам, которые позволяют глубже погрузить пользователя в предложение. Однако эффективность любого формата зависит от качества таргетинга и релевантности контента. Например, мы тестируем новые плейсменты (места для размещения рекламы) и способы интеграции, анализируя не только кликабельность, но и влияние на общее удовлетворение пользователей. 

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

— Запросы рекламодателей становятся более прагматичными и ориентированными на результат. Если раньше часто фокус был на охватах и узнаваемости, то сейчас растет спрос на перформанс-инструменты и измеримые действия. Клиенты хотят понимать, как каждый вложенный рубль влияет на их бизнес-метрики, и ищут возможности для оптимизации затрат. При этом сохраняется запрос на брендинг, но он все чаще объединяется с перформансом в концепцию брендформанса (стратегия, которая одновременно работает над имиджем бренда и достигает конкретных измеримых результатов), где важно и охватить аудиторию, и побудить ее к действию. 

Также вижу рост интереса к автоматизации и self-service-инструментам (инструменты, которые помогут им решать аналитические задачи без помощи технических специалистов). Рекламодатели хотят запускать кампании быстрее и проще, без длительного согласования и ручной настройки. Они ожидают, что платформа возьмет на себя часть рутинной работы по оптимизации ставок и подбору аудиторий. Это требует развития удобных интерфейсов и умных алгоритмов, которые позволяют получать предсказуемый результат при минимальном участии человека.

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

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

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

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

— Я наблюдаю смещение бюджетов в сторону каналов, которые обеспечивают близость к покупке и качественную атрибуцию. Ретейл-медиа и внутренние площадки экосистем становятся приоритетными направлениями для инвестиций, так как они позволяют работать с горячим спросом и отслеживать конверсии внутри экосистемы. Рекламодатели готовы вкладываться туда, где видят прозрачную связь между показом и результатом, особенно в условиях усложнения внешней атрибуции. 

Также растет интерес к автоматизированным стратегиям закупки, где алгоритмы управляют распределением бюджета в реальном времени. Инвестиции направляются в инструменты, которые позволяют масштабировать успешные кампании и быстро тестировать новые гипотезы. Клиенты хотят гибко перераспределять средства между разными форматами и целями в зависимости от текущей эффективности.