Как меняется роль искусственного интеллекта в рекламных технологиях

Интервью с Михаилом Щеткиным, директором по развитию Soloway

— За последние годы ИИ и ML (Machine Learning — машинное обучение) стали заметной частью AdTech (рекламные технологии). Какие решения, которые вы внедряете, уже дают стабильный измеримый эффект в закупке и оптимизации рекламы? И как вы обеспечиваете прозрачность этих технологий для рекламодателей?

— Если говорить о программатике, то ценность ИИ здесь в первую очередь в качестве решения, которое платформа принимает в момент закупки рекламы. Поскольку необходимо проанализировать огромное количество сигналов: это и характеристики инвентаря, и история поведения пользователя, и вероятность целевого действия, и стоимость контакта. Сопоставление большого количества сигналов, да еще и за долю секунды, невозможно без ML. Это фундамент и технологическая основа всей программатик-рекламы.

В этом смысле ML — это база. Сейчас начался новый этап: внедрение искусственного интеллекта помогает сделать портрет аудитории более точным, причем используя меньший объем данных.

Если отвечать на вопрос, какие новые продукты мы запускаем, то в этом году буквально недавно вышли новые сегменты на основе искусственного интеллекта для финансов и FMCG (Fast-Moving Consumer Goods — товары повседневного спроса). Они дополнили класс сегментов для фармы, который был запущен ранее.

Применение искусственного интеллекта позволяет нам снизить количество нерелевантных контактов. Это отражается в конкретных метриках и цифрах: снижается доля отказов примерно на 20% и, самое главное, повышается конверсия — здесь рост доходит примерно до 27%. Важно отметить, что все это без дополнительных наценок.

Если говорить о прозрачности, которую тоже необходимо обеспечить, и вообще в целом не превращать ИИ в «черный ящик», то мы в Soloway максимально открыты, потому что работаем со всеми верификаторами.

Что касается анализа ИИ-сегментов, то всегда доступно тестирование. Например, можно отдельно запустить классические таргеты, а отдельно — кампании, в которых будут участвовать новые ИИ-сегменты, и любой рекламодатель может самостоятельно проанализировать разные подходы.

— Если говорить о закупке рекламы, то один из главных вопросов — насколько точно алгоритм понимает, кому именно нужно показать объявление. Как ИИ сегодня меняет подход к аудиторному таргетингу и что уже можно делать на практике?

— Основное изменение в том, что мы постепенно уходим от статичного портрета пользователя к намерению, которое у человека есть прямо сейчас. И если говорить про классический подход к формированию таргетов, он заключался в том, чтобы многократно подтвердить интерес пользователя. То есть он должен буквально зайти несколько раз, проявить свой интерес к одной и той же тематике. Только после этого он заносится в сегмент для таргетирования.

Сейчас ИИ позволяет ускорить процесс и сделать намного более быстрым попадание в сегмент. Уже через 30 минут в случае ИИ-сегментов человеку можно показать рекламу, которая соответствует его интересам. И это на самом деле именно то, что сейчас интересно рекламодателю: показывать рекламу, контактировать с аудиторией, которая ищет и интересуется какой-то категорией прямо сейчас.

Я думаю, что вот в этом основное изменение, которое привносит ИИ.

— Отдельное направление — предиктивные модели. Насколько сегодня возможно прогнозировать не только вероятность клика или конверсии, но и более сложные действия пользователя? Какие прогнозы уже достаточно точны, чтобы использовать их непосредственно в закупке?

— Предиктивные модели — одна из самых интересных технологий в программатике. Здесь логика очень простая. Всегда есть KPI, ключевые показатели эффективности по конкретным параметрам, например кликабельность, стоимость клика, viewability (видимость рекламных объявлений) или целевые действия на сайте.

На нашей платформе можно прямо в рекламном кабинете установить конкретные цифры для желательного CTR (Click-Through Rate — отношение числа кликов на рекламу к числу показов), стоимости клика. ML-алгоритмы выстраивают логику показов, чтобы осуществлять их пользователям, максимально близким к достижению того или иного KPI. Эти технологии обеспечивают рост метрик в среднем на 20%.

Если говорить про более сложные действия, которые находятся дальше по воронке, например заказы, здесь необходима связь показов и покупок — то есть нужно связать две среды (медийную и перформанс). Для этого уже необходимо разметить все кодами, накопить данные и проанализировать их.

Предиктивные алгоритмы хорошо работают в товарном ретаргетинге, когда пользователю нужно показать и предложить именно те товары, которые максимально близки к его интересам. Здесь как раз нам на помощь тоже приходит ИИ, который делает подборку максимально релевантной и анализирует самого пользователя: делал ли он когда-то заказы, добавлял ли товары в корзину, то есть насколько он близок к конечному действию.

Если говорить про внедрение ИИ в эту часть продукта, то оно дает прирост конверсии до 27% по нашим измерениям.

— Насколько ИИ-сегментация отличается от уже привычного контекстного таргетинга? Не получается ли просто более сложный поиск по ключевым словам?

— Разница все-таки есть, и она принципиальна, потому что контекстный таргетинг хорош, когда соответствие между словом и самой категорией очевидно. Однако на самом деле реальные пользователи редко формулируют свои мысли как рекламный классификатор. Все-таки человек никогда не ищет «назальные препараты», а ищет «лекарство от заложенности носа». Поэтому, когда мы говорим про буквальное соответствие, оно, безусловно, встречается в каком-то проценте случаев. Но в чем сила анализа самого контекста? По определенному контенту или тематике можно сделать вывод о чем это, какая тема, отнести ее к какой категории, какие конкретные ключи более подробно содержатся.

В этом смысле LLM, то есть большие языковые модели, понимают контекст, а не только ключевые слова. Еще один фактор — они открывают возможность более детальной классификации. Когда у нас есть только отдельные ключевые слова, как правило, это все объединяется в одну большую категорию.

Сейчас у нас появляется возможность именно более детальной и точной классификации. Например, в ИИ-сегментах для фармы идет сверка с международной классификацией медицинских препаратов. Анализ контекста должен быть верифицирован через научную энциклопедию, чтобы все соотвествовало фармстандартам.

Говоря про новые ИИ-сегменты, здесь открываются возможности таргетинга по конкурентам. Это суперинтересная и востребованная вещь. В итоге мы получаем не просто набор ключевых слов, а понимание контекста, что дает намного более широкие возможности.

— Давайте не только о плюсах, но и еще о сложностях. Какие ошибки у ИИ-сегментации бывают чаще всего?

— Я бы говорил не об ошибках, а о проблемных местах, потому что главный риск — слишком узкая классификация. С одной стороны, мы получаем возможность определенных категорий, подкатегорий и доступ к суперточной аудитории, но лишаем себя масштаба. Поэтому логика простая: чем точнее таргет, тем меньше его объем. Здесь необходим баланс между точностью и масштабом.

ИИ — не отдельный магический классификатор, а всего лишь еще один слой принятия решения. Главный критерий — это бизнес-KPI: если данное техническое решение сейчас не дает должного результата, это значит, что его нужно дорабатывать и доводить до ума.

— Отдельно раскроем тему борьбы с фродом — мошенническим трафиком. Как сегодня искусственный интеллект помогает находить неочевидные схемы мошенничества, которые сложно определить?

— Антифрод — очень хорошая среда для применения ML и ИИ, потому что какие-то типовые сигналы о том, что трафик невалидный, — допустим, по списку IP-адресов (уникальный адрес устройства в сети) либо по аномальным событиям (большого количества кликов в одно и то же время или в одном и том же месте) — достаточно просто выявить. Это поверхностные сигналы.

Однако как только фрод начинает имитировать действия реального пользователя и усложняться, появляется необходимость в адаптивном -подходе. В Soloway обновилась методология отслеживания фрода в in-app (реклама внутри мобильных приложений) — это достаточно проблемная среда в этом плане.

Смысл в том, что, когда платформа представляет обновленное решение, мошенники, естественно, пытаются сразу же что-то более сложное и хитрое придумать. Алгоритмы должны это отслеживать, выявлять новые паттерны и также их блокировать.То есть адаптивность, которая приобретается в том числе благодаря искусственному интеллекту, является ключевым фактором.

Борьба с фродом — всегда гонка вооружений на черной и на белой стороне: кто придумает более хитрые алгоритмы и будет первым.

— Что сегодня главное ограничение для более широкого внедрения ИИ в AdTech?

— Ограничения связаны с качеством данных. Любая технология позволяет обрабатывать первичный объем данных. Если они сильно фрагментированы и разрозненны, проанализировать их с помощью ИИ или ML будет сложно, это вряд ли приведет к хорошему результату. Поэтому качество, целостность и объем — залог успеха.

Еще одно ограничение связано с кадрами, потому что технологию нужно внедрять и поддерживать. Мы уже всерьез приняли тот факт, что искусственный интеллект — это не «хайп» и не что-то временное, что поблестит и потухнет. Он с нами уже надолго. Я вижу, как на рынке появляются специалисты, которые готовятся, обучаются и наращивают экспертизу, и это очень важно.

Еще одно ограничение — отраслевые стандарты. Мы находимся в новой фазе: много говорим о применении искусственного интеллекта, но пока нет единой методологии или стандарта оценки разных решений и продуктов. Нужна индустриальная стандартизация.

— Встречается мнение о разочаровании в ИИ и о том, что рынок слишком часто продавал его как «волшебную кнопку». Согласны ли вы с этим?

— Согласен. Это закономерно, потому что ожидания от применения искусственного интеллекта, мне кажется, росли намного быстрее, чем реальные возможности.

Важный момент: под двумя буквами «ИИ» часто смешиваются совершенно разные продукты, цели и технологии. Это и генерация контента, и оптимизация ставок RTB (Real-time bidding — технология покупки рекламы в рамках аукциона), и большие языковые модели, и искусственный интеллект для сегментации аудитории. Все это объединено в один волшебный шар, который должен творить чудеса.

У нас прагматичный подход: если внедряется новая технология или решение, должен быть измеримый эффект. Технология полезна не потому, что она модная, а потому, что дает ценность рекламодателю, который направляет свой бюджет в нашу рекламную платформу. Если этого эффекта нет, сама приставка «ИИ» ничего не значит.

Рынок переходит к этапу зрелости в отношении искусственного интеллекта. Сначала была демонстрация возможностей — стремление максимально все применить и подключить, затем этап тестирования. Сейчас мы находимся на этапе доказательства реального бизнес-эффекта.

— Каким вы видите следующий этап развития ИИ в программатик и платформах для автоматизированной закупки рекламы?

— Я думаю, что следующий этап будет связан уже не с тем, как рекламная платформа, принимает решение о показе или оптимизирует ставки, а с тем, как вообще кампания будет организовываться и создаваться внутри платформы.

Если рассмотреть бриф как отдельный документ, то сейчас в нем есть все данные о продукте, целевой аудитории и других параметрах. Специалист берет документ и заводит в рекламную платформу всю информацию оттуда. По сути, он вручную выполняет всю организационную работу.

Однако если рассмотреть бриф как промпт для нейросети, который содержит всю необходимую информацию, достаточно будет его загрузить. Если пойти дальше, просто сказать своими словами, что нужно от рекламной кампании, какие есть цели и аудитория. С помощью искусственного интеллекта будет создана вся структура рекламной кампании, указаны необходимые настройки, частота, и все это адаптировано под достижение конкретной цели.

Причем платформа вполне может предложить разные стратегии: более охватную, медийную либо перформансную. Я думаю, будущее уже не за горами, оно буквально в завтрашнем дне, потому что объективно все к этому ведет.

Что касается роли специалиста, то сейчас она суперважна, потому что именно человек создает рекламную кампанию. Его роль трансформируется в сторону контроля. Если мы автоматизируем этот процесс, то контроль все равно неизбежен: все ли корректно, все ли идет к той цели, которая необходима рекламодателю.

Думаю, мы перейдем к автоматизации всего пути — от бизнес-задачи клиента до готовой рекламной кампании.

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.

Виктория Шаковец

Account Director Soloway

«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.

Андрей Горбунов

директор по AI-оптимизации icontext

«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. Она оценивает каждого посетителя — насколько он близок к совершению 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%).

Александр Вахтин

руководитель StreamMyData

«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.

Александр Гавричкин

лидер стратегической практики направления диджитал Media Instinct Prime (консалтинг Media Instinct Group)

«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.

Анна Машковцева

лидер направления по разработке AI-продуктов Group4Media

«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.

Яна Забужняя

Product Owner, Realweb

«Для реализации всех возможностей продукта нужны знания о бренде (о его ЦА, целях и задачах) и функциональная настройка тенента, после этого запускается поиск подходящих трендов и после собирается сборка трендов, которые релевантны указанному бренду».

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.

Юрий Чудовский

руководитель отдела аналитики Rocket10

«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».