Как ML-подход удвоил первые покупки при снижении CPI, CAC, ДРР: «Яндекс Маркет» и Bidease

Разбираем четыре этапа машинного обучения, которые помогли отличить случайные клики от лояльных покупателей.

Мобильный маркетинг сейчас — постоянная борьба за внимание потребителя, растущие ставки и изменение стратегий. Рекламодатели сталкиваются с вызовами:

–> Рост стоимости мобильного трафика: установки и конверсии по воронке дорожают. Бренды соперничают за ограниченный объём аудитории.

–> Сложности с точностью таргетинга: privacy-ограничения, разрывы в трекинге, отсутствие единого окна атрибуции — всё это снижает эффективность привычных настроек.

–> Смещение фокуса рынка: бренды хотят привлекать ценных пользователей, которые делают покупки и возвращаются за следующим заказом. А не тех, кто скачивает приложение «ради выгодного промокода».

В таких реалиях важно управлять не просто трафиком, а качеством аудитории. Переходить от «недорогой установки» к «покупающему пользователю». В этом кейсе расскажем, как это удалось сделать командам Яндекс Маркета и Bidease.

О клиенте

Яндекс Маркет — один из крупных маркетплейсов страны. Платформа объединяет 161 тысячу продавцов и миллионы покупателей. Яндекс Маркет работает как экосистема: от выбора и сравнения товаров до доставки и постпродажного сервиса. Для брендов это возможность масштабировать продажи, для пользователей — привычное место ежедневных покупок.

О платформе

Bidease — программатик-DSP с доступом к миллионам мобильных приложений через рекламные биржи. Платформа специализируется на performance-закупках с прозрачной аналитикой и оптимизацией под реальные бизнес-KPI, а также решает задачи медийных кампаний.

Цель

Команды Яндекс Маркета и Bidease не гнались за количеством установок. Цель — повысить эффективность и окупаемость перформанс-маркетинга. Работали над:

–> Привлечением пользователей, которые действительно покупают.

–> Оптимизацией ДРР и удержанием CPI/CAC в рамках KPI.

–> Поиском эффективных и масштабируемых источников для DSP-кампаний.

Гео: Россия

Источник: Bidease

Платформы: iOS, Android

Трекер: Adjust

Период РК, описанный в кейсе: июнь — сентябрь 2025 года (включительно)

Стратегия закупки трафика включала три элемента: 

1. Сбор максимального количества данных через широкий запуск кампании в режиме автопилота. 

2. Поэтапное обучение алгоритмов под реальные бизнес-цели. 

3. Динамическое управление ставками на основе ML-оценки качества каждого показа.

→ Шаг 1: широкий запуск или «нулевой слой данных» (три—четыре недели). Команда проекта запустила кампанию без ограничений по таргетингу в режиме автопилота. Цель — быстро собрать массив пользовательских сигналов. Алгоритм учился понимать разницу между пользователями, которые:

- просто кликают по рекламе; 

- скачивают приложение; 

- делают первую покупку; 

- повторно приходят в приложение за заказами.

Эти данные стали фундаментом для дальнейшего обучения.

→ Шаг 2: оптимизация на установку (около двух недель). На этом этапе ML-модель определяла:

- источники качественных установок; 

- креативы с высокой вовлечённостью (СTR, CR в установку, CR в покупку); 

- паттерны поведения пользователей в первые секунды после скачивания.

В результате анализа информации алгоритм отсеивал низкоценный трафик, снижая CPI с ростом объёмов установок.

→ Шаг 3: оптимизация на первую покупку (около двух недель). Модель переключилась на более глубокое действие по воронке продаж. Анализировались:

- глубина просмотра видео; 

- тип устройства; 

- особенности поведения после установки (просмотр ленты, добавление в корзину и т. д.); 

- временные паттерны: от клика до покупки.

Алгоритмы начали понимать, какие пользователи с большей вероятностью будут покупать товары, а не просто устанавливать приложение. Это позволило улучшить CPO.

→ Шаг 4: оптимизация на повторные покупки (около двух недель и далее постоянное переобучение). Финальный этап — прогноз вероятности второго и следующих заказов. В работу включились:

- адаптивные look-alike-модели; 

- ML-кластеры по поведенческим признакам; 

- весовые коэффициенты событий на платформе.

Этот слой оптимизации вывел кампанию на новый уровень: была привлечена по-настоящему лояльная аудитория и улучшен ДРР. 

Система принимала множество решений за доли секунды: выкупать рекламный показ или пропускать, по какой ставке входить в аукцион, какую вероятность совершения целевого действия присвоить пользователю, какой креатив показать. 

Команды Яндекс Маркета и Bidease выполняли роль «человеческого фильтра» на ключевых этапах. Анализировали отчёты по площадкам и сегментам и сверяли информацию с внутренней BI клиента. Такой контроль позволял быстро отсеивать подозрительные источники и поддерживать качество трафика. 

В разрезе креативов команда Bidease регулярно обновляла подходы. Команда Яндекс Маркета оперативно разрабатывала новые видео, опираясь на гипотезы и наблюдения Bidease о том, какие решения сработают эффективнее.

Трудность 1 — SKAdNetwork на iOS 

Apple ограничила отслеживание через 24-часовое постбэк-окно. 

Как решали 

ML-модель обучалась ежедневно на всех доступных данных: как атрибуцированных, так и неатрибуцированных от Яндекс Маркета. Алгоритмы видели полную картину взаимодействия пользователей и строили прогнозы. Это позволило моделировать влияние на покупки до 30-го дня через синтез SKAN и внутренних событий. 

Трудность 2 — высокий сезон (Back-to-School) 

Аукцион активизировался: конкуренты и другие рекламодатели увеличили бюджеты, закупки стали сложнее и дороже. 

Как решали 

ML-модель быстро реагировала на изменения рынка и оптимизировала ставки. Она могла закупать показы даже по прежней цене или с небольшим увеличением, всегда ориентируясь на заданные бизнес-цели. С набором статистически значимых данных в новых условиях рынка её точность возрастала.

Каждое взаимодействие пользователя с рекламным сообщением было дополнительным сигналом для ML. Креативы стали не просто инструментом привлечения, а «топливом» для алгоритмов. 

На старте кампании тестировались разные креативные форматы и подходы: надо было понять, какие из них дают хорошие результаты и ценные сигналы для обучения ML. В тест вошли брендформанс-видео, сравнительные ролики, обзоры с нестандартным монтажом, UGC и распаковки. Весомый отклик и стабильные результаты показали распаковки, обзоры и UGC. Эти ролики регулярно входили в топ перформящих креативов во всех товарных категориях и были масштабированы.

Усилить их эффект помогли полноэкранные Interstitial-форматы. Результат: 

- Высокая концентрация внимания пользователя без отвлекающего контента. 

- Качественная передача ценности продукта (длинные видео доступно объясняли выгоду).

- Больше сигналов для алгоритмов (просмотры, вовлечённость).

Среди статистически значимой выборки креативов данное видео обеспечило конверсию в покупку в 1,6 раза выше остальных.

За четыре месяца кампании клиент получил двукратный рост первых покупок* и увеличение в 3,3 раза повторных покупок** при снижении CPO. Закупка велась в рамках KPI по всем ключевым метрикам, и по каждой удалось добиться улучшения в условиях удорожания рынка. 

На Android: 

- CPI — снижение на 28% 

- CAC — снижение на 34% 

- ДРР (в когорте 0-го дня) — снижение на 30% 

На iOS: 

- CPI — снижение на 14,5% 

- CAC — снижение на 17% 

- ДРР (в когорте 0-го дня) — снижение на 14,6% 

* Показатель рассчитан в когорте 0-го дня. 

** Показатель рассчитан в когорте 30-го дня.

Что в итоге:

- Широкий запуск рекламных кампаний в режиме автопилота обеспечил оптимальный старт и позволил оперативно собрать статистически значимые данные для корректной работы моделей. 

- Многоуровневое обучение алгоритмов существенно повысило качество закупаемого трафика и стабильность оптимизационных процессов. 

- Полноэкранные видеокреативы стали значимым источником дополнительных сигналов для машинного обучения, усилили влияние креатива на эффективность кампаний. 

- Прозрачное и тесное взаимодействие команд Яндекс Маркета и Bidease позволило выстроить баланс между автоматизацией и экспертным контролем. Алгоритмы получали свободу для обучения на реальных пользовательских данных, а команды — возможность оперативно влиять на стратегию: корректировать подходы, обновлять креативные решения и своевременно исключать малоэффективные или подозрительные источники трафика. 

Этот кейс демонстрирует, как синергия команд Яндекс Маркета и Bidease, опора на данные и ML-подход позволили создать единую performance-стратегию и достичь целей.