Тендеры и лиды
Информация
Вы платите за клики, а алгоритм Яндекса самостоятельно ищет аудиторию с наибольшей вероятностью совершить целевое действие. На первый взгляд — идеальный контракт. Однако на практике встречаются кампании, где счётчик конверсий показывает сотни событий, а реальных заявок в CRM — ноль.
Причина этого расхождения почти всегда системная: Garbage In → Garbage Out. Автостратегия «Максимум конверсий» — это модель машинного обучения. Если в Метрику поступает мусорный сигнал — бот, действие мотивированного исполнителя, попытка отправки формы с ошибкой валидации — алгоритм интерпретирует его как успешную конверсию. После этого он начинает масштабировать именно такое поведение.
Именно так работает скликивание рекламы — и это не всегда результат злонамеренных действий конкурентов. Часто источник проблемы — собственные неочищенные данные.
Три базовых принципа, которые важно учитывать до начала работы:
Оплата списывается за клики, а оптимизация выполняется по сигналам конверсий.
Ошибка в настройке цели или наличие мусорного трафика → стратегия усиливает нецелевое поведение.
Решение лежит в плоскости качества входящих данных: валидированные цели, механизмы офлайн-конверсий и серверная фильтрация трафика.
Стратегия «Максимум конверсий» действительно списывает средства за каждый клик. Но логика выбора ставок и показов полностью подчинена вероятности получения конверсии. Алгоритм ищет пользователей, поведенчески похожих на тех, кто уже совершил целевое действие, и готов платить за них больше. В этой механике и скрыта уязвимость: машина не интерпретирует смысл конверсии. Она опирается исключительно на сигнал. Если сигнал содержит шум — оптимизация выстраивается под этот шум с высокой точностью.
Практический пример. Интернет-магазин запустил кампанию с оплатой за клики в Яндекс Директе. В качестве цели выбрана «Отправка формы». Количество конверсий в отчётах резко выросло. Однако анализ логов CRM показал: 80% заявок содержали пустые поля или заведомо некорректные данные — форма фиксировала событие даже при неуспешной валидации. После корректировки цели и внедрения офлайн-подтверждения доля шума снизилась до ~5%, а стоимость привлечения клиента приобрела предсказуемый характер.
Существенное уточнение. Яндекс фильтрует недействительный трафик. Согласно официальной документации, недействительный трафик — это клики, показы и конверсии, которые система распознаёт как искусственные, мотивированные (совершённые за вознаграждение) или случайные [1]. Однако классы «псевдозаявок» — действия реальных людей с нецелевым поведением, мотивированные исполнители, некорректно заполненные поля — антифрод-система не отсекает. Именно в этой категории событий теряется значительная доля бюджета.
Алгоритм «Максимум конверсий» обрабатывает сотни факторов одновременно. Цепочка выглядит следующим образом: пользователь кликает по объявлению, переходит на сайт, совершает осмысленное действие, Метрика фиксирует достижение цели, Директ получает сигнал «успех» и начинает чаще выигрывать аукционы у посетителей с аналогичными характеристиками. Эта автостратегия оптимизация конверсий работает тем точнее, чем качественнее размечен успех.
Для стабильного обучения системе необходим поток событий. В Справке Директа указано: для устойчивой работы стратегии требуется, чтобы по выбранной цели набиралось не менее 10 конверсий в неделю [2]. Если предоставить алгоритму 10 мусорных сигналов — обучение пойдёт в сторону масштабирования шума.
Цикл обучения автостратегии: GIGO-механика
Ключевой метод предоставления стратегии очищенных данных — передача не «клика по кнопке», а фактического результата взаимодействия с бизнесом: квалифицированного лида, выставленного счёта, поступившей оплаты. Инструмент для этого — Центр конверсий, через который можно загружать данные офлайн: подтверждённую заявку, звонок с договорённостью, факт поступления средств. Атрибуционное окно составляет до 21 дня. Это позволяет возвращать событие в статистику даже спустя две-три недели после клика.
Обезличенный кейс B2B-компании. Компания получала лиды по цене ~450 ₽ за штуку. Менеджеры тратили существенный ресурс на обработку «пустых» заявок. Была настроена связка: подтверждённый лид → офлайн-конверсия в Директ. Через 14 дней стоимость лида снизилась до ~290 ₽, а доля некачественных заявок сократилась примерно вдвое (показатели обезличены, рассчитаны на основе внутренней аналитики проекта).
Динамика показателей при переходена офлайн-конверсии
Стратегия не анализирует клиентов напрямую — она обрабатывает зафиксированные события. И эти события подвержены искажениям как минимум по двум сценариям.
Сценарий №1: Цель настроена так, что фиксирует событие без реальной заявки. Цель «Отправка формы» в Метрике по умолчанию может срабатывать не только при успешной отправке, но и при неуспешной попытке — когда валидация полей не пройдена. Для алгоритма оба варианта равнозначны. Результат: высокий показатель конверсионности в отчётах при нуле реальных обращений в CRM.
Мини-кейс. Студия ремонта запустила рекламную кампанию. Отчёты показывали значительное количество конверсий, однако заказы отсутствовали. Проверка цели выявила ложные срабатывания на ошибке заполнения поля телефона. После исправления число регистрируемых «успехов» снизилось на ~40%, но количество реальных заявок при этом выросло.
Сценарий №2: Мотивированный трафик, не являясь ботами, загрязняет обучение. Яндекс относит к фроду действия мотивированных пользователей: клики и заявки за вознаграждение, случайные нажатия, обусловленные расположением рекламного блока. Такой трафик выглядит как человеческий, и автоматические антифрод-системы здесь неэффективны. Стратегия «Максимум конверсий» смещается в дешёвые, но некоммерческие сегменты. Сравнение моделей оплаты — CPC или CPA — в данном случае не решает проблему: корень её в качестве сигнала. Даже переход на оплату за конверсии яндекс директ не исправит ситуацию, если не проведена предварительная очистка регистрируемых событий.
Кейс. Интернет-магазин тематики «подарки» зафиксировал аномальный всплеск конверсий в ночные часы. Анализ через Вебвизор выявил однотипные сессии с переходом в корзину и последующим уходом вкладки в фон (чёрные маркеры). После отключения площадок с подозрительным трафиком и возврата в обучение только подтверждённых офлайн-событий средняя цена конверсии сначала выросла, а затем снизилась на ~25% с одновременной стабилизацией качества лидов.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13590 тендеров
проведено за восемь лет работы нашего сайта.
В одном из исследований, опубликованных на Habr, был поставлен чистый эксперимент. На лендинге разместили скрытые ссылки (цвет текста совпадал с фоном) и невидимую страницу /hidden. Кликнуть по такому элементу мог только парсер. Кампания запускалась в РСЯ с автостратегией «Максимум конверсий» с оплатой за клики.
Результаты эксперимента:
Потрачено: 9 644 ₽
Показы: 87 874, клики: 605
Конверсии по скрытой ссылке: 28
Оценка автора: доля реального трафика — не более 42%, и в процессе обучения прогнозируется дальнейшее снижение.
Эксперимент со скрытыми ссылками: распределение трафика
Вывод: алгоритм последовательно масштабирует то, что было размечено как успех. Боты успешно «конвертировались», стратегия начала закупать ещё больше аналогичных кликов. Это не ошибка программного кода — это математический принцип машинного обучения.
✅ ЧЕК-ЛИСТ: 6 критериев для самодиагностики
Оценка качества сигналов, поступающих в обучение
Вопросы для проверки:
☐ CTR и расход бюджета растут, а количество реальных заявок в CRM не увеличивается
☐ Основная цель — «Отправка формы» в стандартной конфигурации, срабатывающая в том числе при ошибках валидации
☐ Вебвизор фиксирует клики по областям без интерактивных элементов, повторяющиеся паттерны сессий
☐ Значительная доля визитов содержит уход вкладки в фон (чёрные маркеры) — признак мотивированного трафика
☐ В Мастере отчётов Директа присутствуют строки «Недействительные клики и конверсии». Важно учитывать, что данный слой фильтрации не зависит от выбранных целей: «фильтрация недействительного трафика не влияет на статистику по целям» [3]
☐ Настройки кампании часто изменяются, что приводит к сбросу обучения
Интерпретация:
0–2 утвердительных ответа: проблема, вероятно, лежит вне области качества данных — рекомендуется проверить посадочные страницы и оффер.
3–4 утвердительных ответа: шум присутствует, стратегия частично обучается на мусорных сигналах.
5–6 утвердительных ответов: стратегия деградирует, бюджет расходуется на ботов и фрод.
Каждый из признаков по отдельности не является критичным. Однако наличие трёх и более совпадений — сигнал к углублённому аудиту данных.
Задача инженерного подхода к работе с данными — организовать разметку входящего трафика так, чтобы обучение алгоритма строилось исключительно на верифицированных сигналах. Существует несколько уровней защиты, позволяющих не допустить мусор до фиксации цели и промаркировать подозрительные визиты для последующей фильтрации.
JS-интеграция анализирует трафик после загрузки страницы и не блокирует доступ к контенту. Бот успевает дойти до формы и оставить след в Метрике. DNS-интеграция функционирует как внешний экран: подозрительный запрос отсекается до попадания на сервер. Вероятность создания «успеха» ботом физически снижается.
Обезличенный кейс юридической компании. Компания получала ~200 кликов в день, около 40 конверсий в Метрике при нуле реальных обращений. После внедрения DNS-экрана (в рамках продукта KillBot) и параметра is_bot в URL для связи визита с заявкой 37 из 40 конверсий получили метку bot=true. Реальные лиды составили 3 в день. Через 14 дней обучения на очищенных данных стоимость лида снизилась примерно на 63% относительно предыдущего периода (показатели обезличены, рассчитаны на основе внутренней аналитики проекта).
JS-интеграция vs DNS-экран: момент блокировки
Техническая реализация выглядит так: DNS-экран или серверный антибот-фильтр передаёт в URL параметр is_bot и идентификатор сессии. При поступлении лида в CRM выполняется сопоставление с конкретным визитом. Если метка bot=true — такая конверсия исключается из данных, направляемых в обучение Директа. В офлайн-конверсии передаются только подтверждённые статусы — таким образом выстраивается чистая модель оптимизации без мусорных сигналов.
Мини-кейс. Агентство недвижимости внедрило серверный фильтр трафика, но продолжало передавать все лиды в обучение. После настройки офлайн-конверсий исключительно для статусов «Квалифицирован» и «Договор подписан» кампания за месяц вышла на окупаемость, максимальная цена конверсии снизилась на ~30%.
«Максимум конверсий» — инструмент, способный выявлять закономерности, недоступные ручному управлению ставками. Однако эта способность реализуется только при условии, что цель в Метрике отражает реальную бизнес-ценность. Если в статистику попадают мусорные конверсии — алгоритм направляет бюджет туда, где «успех» достигается проще всего. Это не ошибка системы — это математическая логика машинного обучения.
Принцип Garbage In, Garbage Out применительно к автостратегии — не абстрактная метафора, а физика процесса: каждая подтверждённая заявка, каждое очищенное целевое событие, каждый отсечённый нерелевантный визит делают стратегию точнее. Без фильтрации входящих данных существует риск получить безупречную статистику при отсутствии реальных бизнес-результатов.
Рекомендуемая последовательность действий для диагностики:
Открыть Вебвизор и проанализировать паттерны сессий.
Проверить логику срабатывания целей в Метрике.
Оценить долю подозрительных сессий в общем трафике.
При обнаружении шума — внедрить инструменты фильтрации и офлайн-подтверждения.
После очистки данных — запускать автостратегию на масштабирование.
[1] Яндекс.Справка. Раздел «Недействительный трафик» — описание принципов фильтрации фродовых кликов, показов и конверсий.
[2] Яндекс.Справка. Раздел «Стратегия Максимум конверсий» — требования к минимальному количеству конверсий для стабильного обучения.
[3] Яндекс.Справка. Раздел «Мастер отчётов» — описание слоёв фильтрации и их влияния на статистику по целям.
