Анализ конкурентной среды, сегментация и предиктивные модели
актуальные кейсы
От искусственного интеллекта, который определяет интерес пользователя по контексту, до моделей, прогнозирующих вероятность покупки, — технологии работают все точнее и помогают повышать эффективность не только внутренних процессов, но и внешних коммуникаций. Собрали практические кейсы агентств и технологических компаний, которые показывают, как инструменты работают на реальных задачах бизнеса.
Кейс Soloway
Текущий тренд в рекламных технологиях — переход от широкого таргетинга к работе с точным спросом через ИИ-сегментацию.
В Soloway разработали ИИ-сегменты на базе больших языковых моделей (LLM), которые определяют актуальный интерес пользователя по изучаемому контенту в интернете. Модель анализирует содержание страниц, понимает контекст, автоматически классифицирует тематику и относит посетителя к релевантному сегменту по интересам.
Сегмент формируется уже через 30 минут после посещения релевантного контента и автоматически обновляется по мере изменения интересов пользователя. Сегодня технология применяется для рекламодателей из фармацевтики, финансовой отрасли и товаров повседневного спроса, а архитектура решения позволяет быстро масштабировать ее на любые другие категории бизнеса без переобучения модели.
ИИ-сегменты позволяют работать не с широкой аудиторией, а с пользователями, которые уже находятся в активной фазе выбора товара или услуги. Это делает рекламу более своевременной и релевантной.
Результаты
По сравнению с баовыми тематическими таргетингами ИИ-сегменты позволяют получать лучшие результаты без наценки. За счет более точного определения актуального интереса пользователя рекламодатель эффективнее расходует бюджет, не увеличивая стоимость закупки рекламы.
«ИИ меняет сам подход к таргетингу. Вместо широкого таргетинга мы переходим к детализированным категориям интереса. Большие языковые модели позволяют определять момент, когда пользователь уже выбирает продукт, но еще не принял решение. Благодаря этому рекламодатель может эффективнее использовать тот же бюджет: получать более качественный трафик и лучшие показатели по сравнению с базовыми таргетингами».
Кейс icontext
Внутренний ИИ-софт icontext для автоматизации рутинных задач по работе с «Яндекс Директом» и другими рекламными инструментами. Он объединяет рекомендации по ставкам при заданных KPI (ключевых показателей эффективности), массовую генерацию объявлений на основе фидов и шаблонов, работу с семантикой, контроль бюджетных лимитов, сквозную аналитику, мониторинг битых ссылок, оптимизирует время на выполнение внутренних операций, например составление отчетов и работу с презентациями, фиксацию, декомпозицию задач и многое другое. Сервис построен вокруг технической базы SmartContext 2.0 и считается его продолжением.
Платформа помогает специалистам быстрее запускать и поддерживать кампании, снижать риск ошибок при работе с большим количеством объявлений и оперативнее реагировать на изменения в эффективности. При этом важно отметить, что автоматизация не заменяет эксперта: правила, KPI, решения по стратегии и контроль общего качества остаются в зоне ответственности опытной команды. Такой подход в перформанс-маркетинге, где автоматические стратегии позволяют оперативно корректировать ставки, — логичный следующий шаг его развития, так как появилось большое количество настроек, нового инвентаря и работа с мониторингом и отчетами сильно усложнилась. Поскольку результат всегда зависит от качества данных, настройки целей и контроля со стороны специалиста, задача icontext — постоянно усиливать эти направления.
Результаты
Модуль проверки медиапланов ловит ошибки и опечатки в расчетах кампаний, что напрямую защищает точность прогноза CPA / CTR до запуска рекламы, что сокращает время на проверку и настройку. За март — май 2026 года 16 готовых модулей платформы принесли команде около 1000 часов экономии времени и около 1,5 млн рублей экономии на рутине. В июне — июле внедрили уже 20 модулей, которые сэкономили команде 1600 часов. При этом потенциал экономии не раскрыт полностью и составляет до 45% от расчетного потенциала. В четвертом квартале готовятся к внедрению еще 7 разных модулей, работа над которыми ведется постоянно, а внедрение новых функций и развитие продукта расписано на три квартала вперед.
«Рост числа настроек, площадок и кампаний сделал ручное ведение рутины ограничением для роста. Поэтому мы развиваем собственный защищенный ИИ-сервис на базе SmartContext 2.0. Он автоматизирует создание объявлений, работу с семантикой, аналитику, мониторинг ошибок, улучшает управляемость по ставкам и бюджетам и упрощает внутренние процессы — работу с презентациями, дебрифинги, декомпозицию задач и др.
Результат — рост пропускной способности специалистов: больше времени остается на стратегию, качество трафика и бизнес клиента — то, что нельзя автоматизировать. Мы постоянно дорабатываем сервис вместе с командами. Так icontext строит гибридное агентство, где эксперт сохраняет контроль над ключевыми решениями, а монотонную и однотипную операционку "съедает" машина».
Кейс StreamMyData (MediaNation)
Традиционные алгоритмы рекламных площадок часто работают с избыточным охватом, что приводит к росту стоимости целевого действия (CPA) и снижению ROI. StreamMyData разработали инструмент предиктивной аналитики, который позволяет идентифицировать пользователей с высокой вероятностью конверсии еще до совершения покупки.
Алгоритм анализирует сырые данные о поведении пользователей на сайте и использует их для обучения модели. Модель присваивает каждому визиту вероятность совершения целевого действия. Из этих оценок мы собираем аудитории и отдаем в рекламные системы для корректировки ставок, чтобы деньги шли на самых «теплых» людей. Настройка занимает пару часов, дальше аудитории обновляются сами каждый день. Технология является надстройкой над стандартными рекламными кабинетами и не требует сложной технической перестройки.
Результаты
Результаты внедрения демонстрируют значительный рост эффективности: кейс Finn Flare показал двукратный рост окупаемости и снижение стоимости привлечения на 70%. Аналогичные показатели зафиксированы у CDEK (снижение стоимости заявки на 80%), divan.ru (сокращение расходов на 12%) и 585GOLD (рост среднего чека на 33%).
«Про ИИ в рекламе говорят много красивых слов, поэтому мы всегда сводим разговор к деньгам. У нас модель просто считает, кто из посетителей близок к достижению заданной цели, и помогает не тратить бюджет на остальных. Окупается это быстро, а работает на данных самого клиента, что особенно важно сейчас, когда сторонние куки уходят.
В ближайший год делаем ставку на две вещи: научить модель показывать, кого реклама реально подтолкнула к совершению действия, и на ИИ-агента, который собирает отчет и подсказывает решение прямо в кабинете аналитика».
Кейс Media Instinct Group
Анализ конкурентной среды — одна из наиболее трудоемких задач агентства. Индустриальный мониторинг ТВ и радио не содержит текстов роликов, из-за чего стратегам приходилось вручную транскрибировать сотни клипов.
Для автоматизации аналитики в Media Instinct Group использует ИИ-сервис Verba. Он распознает речь, сопоставляет тексты с рейтингами и строит семантические облака слов с учетом их частотности и медиавеса.
У Verba есть доступ к базе текстов всех ТВ- и радиороликов в национальном эфире. Специалистам не нужно самостоятельно смотреть рекламу, чтобы, например, выявить доминанты коммуникации и смысловые акценты конкурентов.
Со временем в сервис интегрировали LLM-модели, что позволило задавать аналитические запросы естественным языком.
Результаты
Внедрение Verba многократно окупилось в масштабе группы: время на контентный анализ сократилось в несколько раз, а клиенты получили доказательную базу для аудиобрендинга.
«Экономическая целесообразность ИИ измеряется не технологичностью, а влиянием на стоимость и скорость внутренних процессов. Инвестиции окупаются, когда модель забирает объемные рутинные задачи — как Verba, которая взяла на себя сквозную аналитику эфира и освободила время стратегов.
В ближайший год рынок, вероятно, сосредоточится на донастройке имеющихся прикладных решений. В более далекой перспективе AdTech ждет переход от пассивных инструментов к предиктивным моделям: ИИ научится, например, превентивно находить аномалии в стратегиях конкурентов и подсказывать ниши еще до старта кампаний».
Кейс Group4Media
В клиентских проектах постепенно накапливаются десятки отчетов, исследований, конкурентных обзоров, презентаций и рабочих документов. Чтобы найти нужную цифру или уточнить, в каком файле зафиксировано решение, сотруднику приходится искать информацию по ключевым словам и вручную сопоставлять данные.
Group4Mеdia разработали BuddyBot — это ИИ-ассистент в формате чат-бота, который работает с заранее загруженной базой документов и локальной языковой моделью. Пользователь может задать вопрос по содержанию файлов, найти конкретный показатель, сравнить данные за разные периоды или получить краткое саммари. В ответе сервис указывает, на основе какого документа была найдена информация, чтобы сотрудник мог быстро проверить информацию и при необходимости перейти к первоисточнику.
Ключевое условие качества такого ассистента — состояние базы знаний. В нее должны попадать актуальные и корректно структурированные документы с понятной логикой обновления. Наличие нескольких версий одного отчета, устаревших или противоречивых данных может привести к использованию нерелевантного источника. Также важно настроить права доступа, чтобы сотрудник получал ответы только по доступным ему материалам. Отдельной технической настройки требуют большие Excel-таблицы, сканы, презентации и файлы со сложной версткой. Поэтому внедрение включает не только подключение модели, но и подготовку документов, настройку доступов, тестирование запросов и контроль качества базы.
Результаты
Изначально основной задачей было сокращение времени на поиск информации. В ходе использования стало понятно, что решение закрывает более широкий круг задач: помогает новым сотрудникам быстрее погружаться в проект, упрощает проверку отчетов, ускоряет подготовку аналитических справок и ответов на клиентские вопрос. Влияние на рекламные показатели является косвенным, но специалист быстрее получает необходимые данные, раньше замечает отклонения и может оперативнее принять решение о корректировке кампании.
«Такой ИИ-ассистент реализуем, когда решение создается под конкретный процесс, а данные и критерии результата заранее определены. Экономический эффект выше всего в проектах с большим объемом отчетов и частыми повторяющимися запросами: решение сокращает время поиска информации, снижает нагрузку на аналитиков и ускоряет подготовку ответов клиенту.
В ближайший год такие инструменты будут развиваться в сторону более точной работы с таблицами и сложными файлами, автоматического обновления базы знаний и более глубокой интеграции в корпоративные процессы».
Кейс TrendFlow (Realweb)
Маркетинговые команды тратят часы на мониторинг соцсетей и поиск трендов, а решение о том, какой сигнал действительно стоит использовать в коммуникации, часто принимается на основе субъективной оценки специалиста. TrendFlow — это AI-платформа, которая автоматизирует этот процесс: анализирует информационное поле, выявляет релевантные тренды, сопоставляет их с интересами аудитории и характеристиками бренда, формирует инсайты и рекомендации.
По каждому тренду прямо в сервисе можно создать креативное решение: от идеи и сценария вертикального видео до мудборда. Таким образом, команда за несколько минут проходит путь от сигнала до готовой идеи вместо нескольких часов ручной работы.
TrendFlow использует многостадийный AI-конвейер обработки трендов и несколько уровней верификации AI-выводов: независимую проверку фактов через web-поиск, оценку достоверности источников и модерационный контроль медиареференсов.
С бизнесовой точки зрения важно учитывать специфику конкретного бренда и аудитории: один и тот же тренд может иметь разную ценность для разных категорий. Поэтому TrendFlow оценивает релевантность трендов с учетом характеристик бренда и целевой аудитории.
Результаты
Изначально TrendFlow создавался для сокращения ручной работы с трендами и ускорения перехода от их поиска и оценки к практическому применению в маркетинговых коммуникациях.
Фактические результаты подтвердили эту гипотезу:
- время на поиск и первичную оценку релевантных трендов сокращается с нескольких часов до нескольких минут;
- команда может сразу перейти от анализа тренда к созданию креативного решения.
Наиболее выраженный подтвержденный эффект TrendFlow — рост охвата видеоконтента. В кейсе клиента из категории «Авто» среднее количество просмотров вертикальных роликов выросло на 253%. Основной вклад технологии приходится на этап подготовки коммуникации: TrendFlow помогает быстрее выбрать релевантный тренд и превратить его в креативное решение с высоким потенциалом охвата и вовлечения.
«Сегодня TrendFlow закрывает три главные боли брендов. Первая — скорость: тренд в соцсетях живет несколько дней, и ручной мониторинг просто не успевает за ним. Вторая — шум: из тысяч роликов и мемов релевантны единицы, и решение отсекает то, что не подходит бренду по тону, аудитории и рискам. Третья — разрыв между "увидели тренд" и "сделали контент": платформа сразу предлагает сценарии под конкретный бренд. В результате команды тратят меньше времени на ресерч и быстрее выходят с контентом, пока тренд еще актуален.
В ближайший год такие инструменты будут развиваться в сторону более точной персонализации под каждого клиента: система будет учиться на том, что команда одобряет и отклоняет. Также ожидаю более раннего прогнозирования трендов, глубокого анализа видео и звука, а не только текста, и встраивания в полный цикл производства контента, от идеи до публикации и оценки результата».
Кейс Rocket10
В агентской работе аналитикам, аккаунт-менеджерам и байерам (специалистам по закупке рекламы) регулярно нужны данные из разных проектов: показатели кампаний, ставки, бюджеты и сведения об оферах. Чтобы получить ответ, сотруднику приходится обращаться к аналитикам, изучать документацию трекеров и вручную сопоставлять данные из нескольких систем.
Rocket10 развивает два связанных инструмента: агента-аналитика для работы с хранилищем данных и единый операционный кабинет команды.
Агент-аналитик позволяет обращаться к базе на обычном языке. Сотрудник формулирует вопрос, а дальше работает конвейер: языковая модель уточняет постановку, смотрит описание структуры хранилища, переводит вопрос в SQL-запрос (подход text-to-SQL), выполняет его и по полученным данным собирает ответ. Работает он с хранилищем больше 40 ТБ, куда сведены данные рекламных кабинетов, мобильных трекеров и клиентских выгрузок. Между моделью и базой стоит отдельный слой, MCP-сервер к ClickHouse: он разрешает только чтение и не дает изменить данные. Весь контур работает внутри инфраструктуры агентства, запросы и результаты не покидают периметр компании. Система уточняет вопрос, составляет запрос к хранилищу, анализирует данные и выдает ответ.
Агент учитывает документацию трекеров и внутреннюю базу знаний Rocket10, которая автоматически обновляется при изменении рабочих материалов. Это помогает ему работать с терминологией и правилами агентства.
Второе решение — операционный кабинет, который объединяет задачи, оферы, ставки, бюджеты и справочные данные. Введенная сотрудниками информация сразу участвует в расчетах и отчетности.
Один из ключевых модулей кабинета — конструктор медиапланов. По вводным менеджера он подбирает сопоставимые рекламные кампании из истории Rocket10, учитывает сезонность и рассчитывает прогноз диапазоном. Если план требует от площадки больше объема, чем она давала раньше на этой вертикали, система отмечает риск до отправки клиенту.
Расчеты выполняют статистические методы, а языковая модель готовит сводку: на чем основаны цифры, где риски и что проверить в первую неделю кампании. После запуска фактические результаты подтягиваются автоматически, позволяя видеть отклонения без ручной пересборки таблиц.
Результаты
- Ответы на типовые вопросы — за несколько минут вместо ожидания в течение дня.
- Около 2 тысяч запросов к хранилищу за рабочий день и более 60 млрд обработанных строк за неделю.
- Работа более чем с 40 ТБ данных рекламных кабинетов, мобильных трекеров и клиентских выгрузок.
- Автоматический подбор исторических показателей и сезонных коэффициентов для медиапланов.
- Сопоставление плана с фактическими результатами без ручной пересборки таблиц.
«Языковая модель сама по себе преимущества не дает, подключить ее можно за день. Работает то, что лежит под ней: хранилище, где сведены данные рекламных кабинетов, трекеров и клиентских систем, и описание, по которому модель понимает, что означает каждая цифра.
Мы собирали этот фундамент годами и продолжаем его собирать по сей день, а агент растет уже поверх него. Ему уходит рутина: собрать выгрузку, свести две таблицы, проверить, сходятся ли цифры. Методология, интерпретация и решения по кампаниям остаются за людьми, и у аналитика на них появляется больше времени.
В ближайший год будем двигать агента от вопросов и ответов к тому, чтобы система сама сообщала, что изменилось в кампаниях и требует внимания».
