ML-ретаргетинг в Яндекс Директе: как «Читай-город» нашёл тех, кто реально купит

Уточнено 8 сентября 2026 года

Обычный ретаргетинг работает довольно прямолинейно. Человек был на сайте, значит его можно догнать рекламой. В одной аудитории при этом оказываются совсем разные посетители.

Если условие задано только как «был на сайте, но не купил», в сегмент попадут очень разные посетители. Однако Директ и внутри сегмента учитывает сигналы аукциона и выбранной стратегии. Это не означает одинаковые показы или расходы на каждого человека.

«Читай-город» решил разделить такую аудиторию точнее с помощью машинного обучения. Задача звучала здраво: активнее показывать рекламу тем, кто действительно близок к покупке, а на остальных не тратить столько же денег.

Получился ML-ретаргетинг в Яндекс Директе. Правда, одной кнопки с надписью «включить умную рекламу» в Директе нет. Сегменты создавал сторонний сервис Mindbox, а Яндекс Директ уже использовал их в рекламных кампаниях.

Разберёмся, как была устроена эта схема, что дали цифры эксперимента и почему небольшому бизнесу не стоит сразу бросаться строить собственную ML-модель.

Что не так с обычным ретаргетингом

Классическая сегментация обычно строится по простым действиям. Посетил сайт за последние 30 дней, посмотрел товар, добавил в корзину, не купил. Это полезно, но довольно грубо.

Даже аудитория брошенной корзины неоднородна. Одинаковая исходная ставка не делит бюджет поровну между людьми: на показы влияют аукцион и настройки. Дополнительная сегментация дает еще один способ управлять условиями закупки.

На большом трафике эта разница превращается в деньги. Реклама продолжает выкупать показы тем, кого она почти не способна вернуть, а на действительно горячих пользователей может не хватать ставки.

Как Mindbox искал тех, кто ближе к покупке

Вместо одного признака «был на сайте» модель смотрела на набор действий посетителя и искала сочетания, которые чаще заканчиваются заказом. Чем больше нормальных данных накоплено у магазина, тем точнее можно оценить покупательский потенциал.

Модель могла учитывать историю визитов, просмотренные страницы и товары, возвраты на сайт, добавления в корзину, прошлые покупки и другие поведенческие сигналы. После анализа каждому пользователю присваивалась вероятность покупки.

Дальше посетителей делили на группы. Люди с высокой вероятностью заказа попадали в более горячие сегменты, пользователи с низкой вероятностью оказывались в холодных. Это уже гораздо полезнее, чем одна огромная аудитория «все, кто когда-либо открывал сайт».

Важная деталь: эту работу выполнял сторонний сервис Mindbox. Он собирал и анализировал данные, рассчитывал вероятность покупки и формировал сегменты. Яндекс Директ сам такую модель для «Читай-города» не строил.

Где заканчивался Mindbox и начинался Яндекс Директ

Схема состояла из двух частей. Mindbox отвечал за анализ поведения и оценку готовности купить. Затем подготовленные аудитории передавались в рекламный контур.

В Яндекс Директе для сегментов настраивали разные корректировки ставок. За показ горячему пользователю можно было бороться активнее. Для менее перспективной аудитории ставку снижали, чтобы не выкупать каждый показ по той же цене.

Директ продолжал работать со своими алгоритмами аукциона и оптимизации. Mindbox добавлял внешнюю оценку покупательского потенциала и рекомендации по корректировкам. Наличие внешней модели не означает отсутствия машинного обучения у Директа.

Это принципиальный момент. Когда в кейсе пишут про ML-ретаргетинг в Директе, легко решить, что достаточно найти скрытую настройку в кабинете. Нет. Нужны данные, модель, передача сегментов и достаточный рекламный объём. В данном случае за эту прослойку отвечал Mindbox.

Как проверяли результат

По опубликованному кейсу, после двухнедельного A/A-теста провели A/B-тест с 13 по 25 января 2026 года на 12 кампаниях. Посетителей случайно распределяли между тестом и контролем. В тесте использовали рекомендации для десяти ML-сегментов, в контроле условия закупки определялись аукционом без этих корректировок.

Сравнение оценивает эффект дополнительных корректировок относительно контрольного варианта в условиях этого эксперимента. Оно не доказывает прибавку ко всем продажам магазина или эффект рекламы относительно полного отсутствия рекламы.

В эксперименте получили следующие результаты:

выручка с одного рекламного клика выросла на 67,3%;
конверсия в заказ увеличилась на 1,5 процентного пункта;
доля рекламных расходов снизилась на 1,2 процентного пункта;
По данным за май 2026 года выручка с клика была выше контрольной группы на 56%, конверсия в заказ на 1,4 процентного пункта, а ДРР оставалась ниже 16%. Это отдельный период. В источнике для майского сравнения указана атрибуция по последнему значимому переходу с учетом кросс-девайса.

Самая интересная цифра здесь не рост кликабельности и даже не количество заказов. Выручка с клика показывает, сколько денег в среднем приносит оплаченный переход. Она связывает рекламный трафик с продажами и лучше отвечает на вопрос, стала ли реклама полезнее для бизнеса.

Снижение ДРР тоже важно. Реклама приносила больше выручки относительно расходов. То есть модель не разогнала продажи любой ценой, а помогла точнее распределить тот же бюджет.

Почему ML-ретаргетинг сработал

Модель не пыталась придумать новый спрос. Она перераспределяла внимание внутри уже знакомой аудитории. Вместо одинаковой охоты за всеми посетителями больше денег уходило на тех, чьё поведение было похоже на поведение будущих покупателей.

Для книжного магазина это особенно логично. Человек может долго выбирать, возвращаться к карточкам, собирать корзину и откладывать решение. Простое правило по одному действию видит лишь кусок этой истории. Модель умеет учитывать сразу несколько сигналов и их сочетания.

Но ML не угадывает мысли. Он ищет закономерности в прошлых данных. Если данные кривые, заказов мало или поведение аудитории резко изменилось, красивое слово в названии не спасёт результат.

Почему небольшому бизнесу трудно повторить этот кейс

У «Читай-города» большой сайт, огромный ассортимент, тысячи заказов и длинная история взаимодействий с клиентами. На таком объёме есть из чего обучать модель и на чём проверять гипотезу.

У небольшого бизнеса с несколькими заявками в месяц картина другая. Модель не получит достаточного количества примеров покупки и отказа. Она начнёт делать выводы по шуму, а тестовая и контрольная группы окажутся слишком маленькими для нормального сравнения.

Есть и экономика внедрения. Понадобятся сервис, настройка передачи данных, аналитика, поддержка сегментов и достаточно крупный рекламный бюджет. Если весь Директ тратит 50 тысяч рублей в месяц, сложная ML-схема легко обойдётся дороже возможной экономии.

Поэтому здесь нет универсального рецепта. Для крупного e-commerce это рабочий способ улучшить закупку ретаргетинга. Для малого проекта чаще полезнее сначала привести в порядок цели, электронную коммерцию, брошенные корзины и обычные сегменты Метрики.

Что можно взять из кейса без собственной ML-модели

Главная мысль полезна бизнесу любого размера: посетители сайта не равны друг другу. Ретаргетинг не обязан одинаково догонять всех, кто однажды открыл страницу.

Даже без машинного обучения можно разделить аудиторию по глубине визита, давности посещения, просмотрам ключевых страниц, добавлению в корзину и повторным заходам. Затем сравнить конверсию и ДРР у сегментов, убрать очевидно слабые группы и аккуратно повысить ставки для горячих.

Это будет проще и грубее, чем модель Mindbox, зато даст понятную проверяемую логику. А когда заказов, данных и рекламного бюджета станет достаточно, можно переходить к вероятностной оценке.

Ретаргетинг постепенно уходит от схемы «покажи рекламу всем, кто был на сайте» к более разумному вопросу: «кто из этих людей действительно ближе к покупке?» В кейсе «Читай-города» ответ искал Mindbox, а Яндекс Директ превращал его в разные ставки и показы. Именно связка двух систем дала результат, а не волшебный переключатель внутри рекламного кабинета.

Подробнее о том, как сервис рассчитывает готовность к покупке и передаёт сегменты в рекламные кабинеты, можно прочитать на кейсе Mindbox о «Читай-городе».

Обсудим вашу рекламу