Нейросеть для Яндекс.Директ: как AI снижает стоимость клиента на 30%

Краткий ответ: Яндекс.Директ использует нейросети (Gradient Boosting, CatBoost) в автостратегиях для предсказания конверсий. Но эта нейросеть видит только данные внутри Яндекса и не знает, что происходит на вашем сайте. Дополнительная нейросеть на стороне сайта (Rivox AI) анализирует 500+ параметров поведения, передаёт эти данные в Директ через виртуальные конверсии и снижает CPA на 25-35%.

Многие думают, что автостратегии Яндекс.Директ — это просто автоматическое управление ставками. На самом деле это полноценные нейросети, которые обучаются на миллионах примеров и предсказывают вероятность конверсии.

Но у этих нейросетей есть ограничение — они не видят, что происходит на вашем сайте. И именно здесь нейросеть на стороне сайта становится критически важной.

Как работают нейросети в Яндекс.Директ

Автостратегии Директа — это не просто "автоматические ставки". Это полноценные ML-модели на основе Gradient Boosting (алгоритм CatBoost).

Что видит нейросеть Директа

• Поисковые запросы пользователя: что искал, как часто, какие слова использовал
• Поведение в экосистеме Яндекса: какие сервисы использует (Карты, Такси, Маркет)
• История кликов: по каким объявлениям кликал раньше
• Устройство, время, геолокация: с какого устройства заходит, в какое время
• Факт конверсии: достиг ли цели на вашем сайте

Что НЕ видит нейросеть Директа

• Поведение на вашем сайте: что делал между кликом и конверсией
• Глубину изучения: смотрел 10 секунд или 10 минут
• Намерение: реально хочет купить или просто изучает
• Возвраты: возвращался ли к товару несколько раз
• Качество сессии: бот это или реальный человек

Результат: Нейросеть работает "вслепую" относительно вашего сайта. Она видит только начало (клик) и конец (конверсия), но не видит путь между ними.

Почему встроенной нейросети недостаточно

Нейросеть Директа — мощная, но у неё есть фундаментальное ограничение.

Ограничение 1: Нет данных о поведении на сайте

Яндекс физически не может видеть, что происходит на вашем сайте (это приватные данные). Метрика собирает эти данные, но Директ использует из неё только факт достижения цели, а не детали поведения.

Что теряется:

• Паттерны поведения покупателей
• Последовательность действий
• Эмоциональная вовлечённость
• Повторные визиты и их контекст

Ограничение 2: Бинарная логика (0 или 1)

Для нейросети Директа есть только два состояния:

• 0 — не достиг цели (плохой пользователь)
• 1 — достиг цели (хороший пользователь)

Но в реальности среди "нулей" есть пользователи с вероятностью покупки 50-80% — они были очень близки, но не купили по какой-то причине. Нейросеть их игнорирует.

Что теряется: 300-500 "почти покупателей" на каждые 100 реальных покупок. Эти данные не используются для обучения.

Ограничение 3: Не видит ценности пользователя

Два пользователя купили. Первый — на 50,000₽, второй — на 1,000₽. Для нейросети Директа они одинаково ценны (оба = 1). Она не понимает, что за первого можно платить в 50 раз больше.

Исключение: Если используется автостратегия с ограничением ДРР и передаётся реальная стоимость заказов — тогда нейросеть это учитывает.

Как работает нейросеть на стороне сайта (Rivox AI)

Rivox AI — это нейросеть, которая работает на вашем сайте и дополняет нейросеть Директа.

Что видит нейросеть Rivox AI

• 500+ параметров поведения: клики, скроллы, время на элементах, последовательность действий
• Изучение товаров: какие смотрел, как долго, возвращался ли
• Взаимодействие с контентом: читал отзывы, смотрел фото, изучал характеристики
• Эмоциональная вовлечённость: паттерны, характерные для заинтересованных
• Повторные визиты: когда возвращался, что делал

Архитектура нейросети Rivox AI

Rivox AI использует тот же алгоритм, что и Директ — Gradient Boosting (CatBoost). Это не случайно — этот алгоритм показывает лучшие результаты на табличных данных (параметры поведения).

Почему Gradient Boosting, а не обычные нейронные сети:

• Выше точность на структурированных данных (до 85% vs 75% у DNN)
• Быстрее обучение (часы vs дни/недели)
• Меньше данных нужно для хорошего результата (1000 примеров vs 10,000+)
• Интерпретируемость — можно понять, почему модель приняла решение

Подробнее об архитектуре: ML-модель Rivox AI.

Как нейросети Директа и Rivox AI работают вместе

1. Пользователь кликает по рекламе (нейросеть Директа предсказала, что он ценный)
2. Заходит на сайт — SDK Rivox AI начинает отслеживать поведение
3. Нейросеть Rivox AI анализирует: изучает ли товары, как долго, возвращается ли
4. Предсказывает вероятность покупки: например, 70%
5. Отправляет виртуальную конверсию в Метрику с ценностью 70%
6. Нейросеть Директа получает сигнал: "Этот пользователь ценный, ищи похожих"
7. Обе нейросети обучаются: Директ — на своих данных + сигналы с сайта. Rivox — на поведении конкретно вашего сайта

Результат: Директ получает в 3 раза больше качественных данных → обучается точнее → CPA снижается на 25-35%.

Почему Rivox AI использует Gradient Boosting (как Директ и крупнейшие рекламные платформы)

Rivox AI использует тот же класс алгоритмов, что и Яндекс.Директ — Gradient Boosting (CatBoost). Это не случайность, а осознанный выбор на основе практических результатов.

Почему именно Gradient Boosting для рекламы

Gradient Boosting — это семейство алгоритмов машинного обучения, которое показывает лучшие результаты для задач с табличными данными (параметры пользователей, их поведение).

Преимущества для контекстной рекламы:

• Точность 85-90% на поведенческих данных — выше, чем у других подходов
• Быстрое обучение — часы вместо дней. Критично для еженедельного переобучения
• Работает на малых данных — 1,000 примеров достаточно для хорошего результата
• Интерпретируемость — можно понять, почему модель приняла решение
• Работа с категориями — идеально для поведенческих признаков
• Устойчивость к выбросам — не ломается на аномальных данных

Важно: Крупнейшие рекламные платформы мира (Яндекс, Google, Facebook, Amazon) используют именно Gradient Boosting для задач предсказания конверсий. Это проверенный индустриальный стандарт.

Архитектура ML-модели Rivox AI: что под капотом

Rivox AI — это не просто "нейросеть". Это сложная многоуровневая система из нескольких моделей, работающих вместе.

Уровень 1: Сбор и предобработка данных (Real-time Data Pipeline)

SDK собирает сырые данные о поведении и передаёт их в обработку в режиме реального времени.

Что происходит:

• Сбор 500+ параметров: Клики, скроллы, время, движения мыши, последовательность действий
• Агрегация сессий: Объединение действий в осмысленные паттерны
• Очистка от шума: Фильтрация ботов, аномальных сессий, технических событий
• Нормализация: Приведение данных к единому формату

Технология: Streaming-обработка позволяет анализировать данные в течение миллисекунд после действия пользователя.

Уровень 2: Feature Engineering (создание признаков)

Система создаёт дополнительные признаки на основе сырых данных — это ключ к высокой точности.

Производные признаки:

• Скорость принятия решений: Как быстро пользователь движется по сайту
• Интенсивность взаимодействия: Плотность кликов и скроллов
• Паттерны возвратов: Как часто возвращается к одним и тем же элементам
• Сравнительное поведение: Сравнивает ли товары, как долго
• Поиск информации: Изучает ли отзывы, характеристики, доставку
• Временные паттерны: В какое время активен, как меняется поведение

Из 500 сырых параметров система создаёт 1500+ производных признаков. Это даёт модели "видеть" нюансы, которые невозможно описать простыми правилами.

Уровень 3: Ансамбль моделей (Multi-Model Ensemble)

Rivox AI — это не одна модель, а ансамбль из нескольких специализированных моделей, работающих вместе.

Модель 1: Базовая модель предсказания конверсий

• Gradient Boosting (CatBoost) на 1500+ признаках
• Предсказывает вероятность покупки (0-100%)
• Обучается на данных конкретно вашего сайта
• Точность: 85-88%

Модель 2: Модель детекции спама и ботов

• Специализированная нейросеть для выявления нечеловеческого поведения
• Анализирует паттерны движения мыши, скорость кликов, аномалии
• Фильтрует 5-15% трафика как подозрительный
• Точность детекции: 92-95%

Модель 3: Модель временных паттернов

• Анализирует, как поведение меняется во времени
• Предсказывает оптимальное время для показа ретаргетинга
• Учитывает сезонность и тренды

Модель 4: Калибровочная модель

• Превращает предсказания в точные вероятности
• Учитывает специфику вашей ниши
• Корректирует смещения (bias) в предсказаниях

Мета-модель (Stacking): Финальная модель, которая комбинирует предсказания всех 4 моделей и выдаёт итоговый прогноз с максимальной точностью.

Уровень 4: Автоматическое переобучение и адаптация

Поведение пользователей меняется каждую неделю. Модель должна адаптироваться.

Система переобучения:

• Еженедельное переобучение: Модель обучается на данных последних 2-4 недель
• A/B тестирование моделей: Новая версия тестируется на 20% трафика перед полным развёртыванием
• Мониторинг деградации: Автоматическое обнаружение падения качества
• Откат на предыдущую версию: Если новая модель работает хуже

Всё это происходит автоматически, без участия человека. Модель постоянно улучшается и адаптируется к вашему бизнесу.

Уровень 5: Персонализация под каждый сайт

Это не универсальная модель для всех — это персональная модель под ваш конкретный бизнес.

Что персонализируется:

• Архитектура модели: Количество деревьев, глубина, learning rate подбираются под ваши данные
• Признаки: Система выбирает 200-300 самых важных из 1500+ доступных
• Пороги срабатывания: При какой вероятности отправлять виртуальную конверсию (настраивается под вашу нишу)
• Веса конверсий: Как ценность зависит от вероятности (калибруется под ваш средний чек)

Результат: Модель, которая идеально подходит именно для вашего сайта и аудитории. Не универсальная, а заточенная под ваши паттерны покупательского поведения.

Зачем всё это нужно: от теории к практике

Вся эта сложная инженерия решает одну простую бизнес-задачу: снизить стоимость привлечения клиента.

Как это работает на практике

Ситуация без нейросети на сайте:

1. Пользователь кликает по рекламе → приходит на сайт
2. Директ видит только: кликнул, достиг цели "добавление в корзину"
3. Для Директа все "добавления в корзину" равны
4. Он ищет похожих пользователей — и привлекает много тех, кто добавляет, но не покупает
5. 80% добавлений не конвертируются в покупки
6. CPA высокий

Ситуация с нейросетью Rivox AI:

1. Пользователь кликает → приходит на сайт
2. SDK отслеживает: изучал товар 8 минут, читал отзывы 2 минуты, сравнивал 3 модели, добавил в корзину, посмотрел доставку
3. Нейросеть анализирует: "Это паттерн покупателя с вероятностью 85%"
4. Отправляется виртуальная конверсия с ценностью 85% в Директ
5. Директ понимает: "Этот пользователь очень ценный, ищи именно таких"
6. Начинает привлекать пользователей с похожим глубоким поведением
7. 80% таких добавлений конвертируются в покупки
8. CPA снижается на 30%

Как модель адаптируется к изменениям: пример из практики

Поведение покупателей меняется. Модель должна это видеть и адаптироваться.

Реальный кейс: сезонное изменение поведения

Лето (низкий сезон для одежды):

• Покупатели изучают товары 10+ минут
• Сравнивают много вариантов
• Читают отзывы
• Возвращаются 2-3 раза
• Модель выучила: "Это паттерн покупателя"

Ноябрь (подготовка к зиме, высокий сезон):

• Поведение изменилось: покупают быстрее
• Меньше сравнений (срочность)
• 1-2 визита вместо 3-4
• Старая модель не понимает: "Это не похоже на покупателя, низкая вероятность"
• Проблема: Упускаются реальные покупатели

Решение Rivox AI:

• Система видит, что конверсии есть, но паттерн изменился
• Автоматически переобучается на новых данных (1 неделя)
• Адаптируется к сезонному поведению
• Точность восстанавливается до 85-88%

Без автоматической адаптации: Точность модели падает на 20-30% при изменении сезона. С адаптацией — остаётся стабильной.

Технические детали: что делает модель Rivox AI продвинутой

Несколько инженерных решений, которые выводят систему на уровень enterprise-grade ML.

Многоуровневая фильтрация шума и аномалий

Не все данные с сайта полезны. 10-20% трафика — это боты, конкуренты, аномалии. Система использует трёхуровневую фильтрацию:

Уровень 1: Технический фильтр (Rule-based)

• Отсеивание поисковых ботов (Yandex Bot, Google Bot, и 50+ других)
• Фильтрация аномальных сессий (< 1 секунды или > 3 часов)
• Исключение известных IP-адресов парсеров
• Детекция headless-браузеров (автоматизированные скрипты)

Уровень 2: ML-детектор спама (Anomaly Detection)

• Отдельная модель обучена на паттернах ботов и мошенников
• Анализирует скорость движений, регулярность кликов, паттерны скроллинга
• Выявляет конкурентов по характерному изучению всего ассортимента
• Находит скрейперы и парсеры по паттернам навигации
• Точность детекции: 92-95%

Уровень 3: Бизнес-логика (Domain-specific Rules)

• Исключение IP сотрудников компании
• Фильтрация тех, кто уже купил (не дублировать сигналы)
• Исключение возвратов и отменённых заказов из обучающей выборки
• Учёт CRM-данных о качестве лидов (если интеграция настроена)

Итоговый эффект: Модель обучается только на чистых данных о реальных потенциальных покупателях. Это повышает точность предсказаний на 8-12% по сравнению с обучением на "грязных" данных.

Калибровка вероятностей (Probability Calibration)

Модель может предсказать вероятность 70%, но реально покупают 50% — модель переоценивает. Или предсказывает 50%, а покупают 70% — недооценивает.

Решение: Отдельная калибровочная модель корректирует предсказания:

• Анализирует: как часто предсказание 70% приводит к реальной покупке
• Строит калибровочную кривую (mapping предсказаний в реальные вероятности)
• Корректирует итоговые предсказания
• Обновляет калибровку каждую неделю

Результат: Если модель говорит "вероятность 70%", то реально покупают именно 70% ± 3%. Это критически важно для правильной оценки ценности виртуальных конверсий.

Обработка cold start (новые товары, кампании)

Проблема: появился новый товар, по нему нет истории покупок — модель не знает, как предсказывать интерес к нему.

Решение Rivox AI:

• Transfer Learning: Модель использует знания о похожих товарах
• Категориальные embeddings: Товары описываются векторами признаков (цена, категория, характеристики)
• Холодный старт на 80% точности: Даже без истории модель работает прилично
• Быстрая адаптация: После 50-100 просмотров точность выходит на полные 88%

Это позволяет запускать рекламу новых товаров с виртуальными конверсиями с первого дня, не дожидаясь накопления статистики.

Как всё это работает в итоге: полный цикл от клика до оптимизации

Давайте проследим весь путь — от момента клика до снижения CPA.

День 1: Пользователь кликает по рекламе

Что видит Директ:

• Пользователь искал "купить кроссовки nike air max"
• Кликнул по объявлению
• Зашёл на сайт

Что видит Rivox AI:

• Пользователь зашёл в 19:30 с iPhone
• Сразу перешёл в каталог кроссовок Nike
• Изучал карточку Air Max 90 — 3 минуты
• Просмотрел все 8 фотографий
• Прочитал 5 отзывов (провёл на них 2 минуты)
• Сравнил с Air Max 95
• Добавил Air Max 90 в избранное
• Посмотрел раздел "Доставка" (30 секунд)
• Ушёл с сайта

Анализ нейросети:

• Глубина изучения: 85/100
• Эмоциональная вовлечённость: 80/100
• Сравнение вариантов: есть (признак серьёзности)
• Изучение доставки: есть (планирует покупку)
• Итоговая вероятность покупки: 78%

Действие: Отправляется виртуальная конверсия с ценностью 78% × 8,000₽ = 6,240₽

День 2: Пользователь возвращается

Пользователь вернулся на сайт прямым заходом (вспомнил адрес).

Что видит Rivox AI:

• Возврат через 16 часов (быстро = высокое намерение)
• Сразу перешёл к Air Max 90 (помнит товар)
• Изучал ещё 2 минуты
• Добавил в корзину
• Начал оформление
• Ушёл на этапе ввода адреса (типичное поведение "вернётся купить")

Анализ нейросети:

• Возврат через сутки: сильный сигнал
• Начало оформления: очень сильный сигнал
• Вероятность покупки повысилась до 92%

Действие: Отправляется виртуальная конверсия с ценностью 92% × 8,000₽ = 7,360₽

День 3: Пользователь покупает

Пользователь вернулся третий раз и совершил покупку на 8,500₽ (кроссовки + носки).

Что происходит:

• Реальная конверсия фиксируется в Метрике
• Rivox AI видит: предсказание было 92%, реальность 100% — модель оценила правильно
• Эти данные используются для переобучения: "Паттерн подтверждён"
• Директ получил 2 виртуальных конверсии + 1 реальную = 3 обучающих сигнала вместо 1

Неделя спустя: Директ обучился

Что понял Директ благодаря сигналам Rivox AI:

• Пользователи, которые глубоко изучают товары (виртуальные конверсии), реально покупают
• Нужно искать похожих: кто ищет конкретные модели, изучает характеристики
• Можно повышать ставки на такую аудиторию

Новая аудитория автостратегии:

• Точные запросы с моделью ("nike air max 90 купить")
• Пользователи, склонные читать отзывы (по данным Яндекса)
• Аудитория в возрасте покупателей премиальных кроссовок

Результат за месяц:

• Было: 50 кликов → 2 покупки → CPA 12,500₽
• Стало: 50 кликов → 5 покупок → CPA 5,000₽
• Снижение CPA на 60% при том же бюджете

Зачем нужна вся эта сложность: бизнес-эффект

Сложная инженерия под капотом → простой результат для бизнеса.

Эффект 1: Автостратегии начинают "видеть"

Было: Автостратегия работала вслепую. Все пользователи, достигшие цели, — одинаковы.

Стало: Автостратегия получает информацию о качестве каждого пользователя. Понимает, за кого платить 100₽, за кого 300₽.

Бизнес-эффект: CPA снижается на 25-35%, конверсия растёт на 40-60%.

Эффект 2: Обучение ускоряется в 3 раза

Было: 10 реальных конверсий/неделю → обучение 6 недель → 6 недель ожидания → 6 недель расхода бюджета на плохо обученную кампанию.

Стало: 10 реальных + 30 виртуальных → обучение 10 дней → быстрый результат → экономия 5 недель расходов.

Бизнес-эффект: Экономия времени = экономия денег. На бюджете 200,000₽/месяц это 250,000₽ сэкономленных расходов на плохо обученную кампанию.

Эффект 3: Качество трафика растёт постоянно

Было: Качество трафика стабильно или падает (аудитория "выгорает").

Стало: Модель еженедельно переобучается → находит новые сегменты с высоким намерением → качество растёт.

Бизнес-эффект: Через 3 месяца работы CPA на 10-15% ниже, чем через месяц. Система постоянно улучшается.

Эффект 4: Фокус на маржинальных товарах

Модель может быть настроена на отслеживание интереса к высокомаржинальным товарам.

Пример Mass Market: Настроили модель на премиальные протеины → доля дорогих товаров выросла в 3 раза → выручка +40% при тех же расходах.

Бизнес-эффект: Не просто снижение CPA, а рост прибыли за счёт изменения структуры продаж.

Сравнение подходов: почему нейросети эффективнее простых правил

Многие пытаются создать "виртуальные конверсии" через простые правила в Метрике. Сравним эффективность.

Вывод: Нейросети в 2-3 раза точнее простых правил. Это не "немного лучше", а качественно другой уровень предсказаний.

Реальные кейсы использования нейросетей

Примеры компаний, которые используют дополнительную нейросеть на сайте.

Lerna: платформа корпоративного обучения

Проблема: Нейросеть Директа привлекала много заявок, но 80% были нецелевые (студенты, конкуренты). Она не видела разницы между корпоративным клиентом и студентом.

Решение: Нейросеть Rivox AI обучилась на поведении реальных корпоративных клиентов:

• Изучение кейсов > 5 минут
• Просмотр демо-видео
• Возврат на сайт через 2-3 дня (принятие решений в компаниях долгое)
• Скачивание прайс-листа

Результаты:

• CPA: с 12,500₽ до 9,000₽ (-28%)
• Доля качественных лидов: с 20% до 65%
• Обучение: с 8 недель до 3 дней (нейросети работают вместе)

Подробнее: Кейс Lerna.

Mass Market: спортивное питание

Проблема: Нейросеть Директа привлекала покупателей дешёвых товаров (низкая маржа). Не видела разницы между интересом к дешёвому батончику и премиальному протеину.

Решение: Нейросеть Rivox AI обучилась распознавать интерес к дорогим товарам:

• Долгое изучение состава премиальных протеинов
• Чтение блока "Способ применения"
• Возврат к дорогому товару на следующий день
• Сравнение нескольких премиальных позиций

Результаты:

• CPA: с 3,150₽ до 2,142₽ (-32%)
• Доля премиум-товаров: выросла в 3 раза
• Средний чек +28%

Подробнее: Кейс Mass Market.

Как внедрить нейросеть для вашего Директа

Есть два варианта: разработать свою или использовать готовое решение.

Вариант 1: Разработка собственной нейросети

Что нужно:

• Data Scientist (зарплата от 300,000₽/месяц)
• Инфраструктура для обучения моделей
• Сбор и разметка данных (3-6 месяцев)
• Обучение модели и валидация (2-3 месяца)
• Интеграция с Директом

Стоимость: От 500,000₽ + 6-12 месяцев работы

Подходит для: Крупных компаний с бюджетом > 2 млн₽/месяц на рекламу

Вариант 2: Готовое решение (Rivox AI)

Что нужно:

1. Установить SDK на сайт (10 минут)
2. Подождать 2 недели на сбор данных
3. Нейросеть обучится автоматически
4. Виртуальные конверсии начнут работать

Стоимость: От 130,000₽ за 2 месяца

Окупаемость: 1-2 месяца за счёт снижения CPA

Подходит для: Малого и среднего бизнеса с бюджетом от 100,000₽/месяц

Как нейросети изменят рекламу в 2025-2026

Тренды развития AI в контекстной рекламе.

Тренд 1: Нейросети на стороне сайта станут стандартом

Так же как сейчас 95% используют автостратегии (нейросети Директа), через 1-2 года 80% будут использовать дополнительные нейросети на сайте для передачи поведенческих данных.

Причина: Конкуренция растёт. Те, кто даёт нейросетям больше данных, получают преимущество.

Тренд 2: Персонализация ставок на уровне пользователя

Сейчас ставки корректируются на уровне аукциона. Скоро — на уровне конкретного пользователя. Для Игоря ставка 50₽, для Вани — 150₽ (потому что нейросеть знает, что Ваня купит с вероятностью 80%).

Тренд 3: Предсказание не только конверсии, но и LTV

Нейросети научатся предсказывать не только "купит или нет", но и сколько принесёт за всё время (LTV). Это изменит подход к оптимизации — можно будет платить больше за клиентов с высоким LTV.

Тренд 4: Креативы, генерируемые нейросетями

Нейросети будут автоматически создавать и тестировать тысячи вариантов объявлений, находя оптимальные для каждого сегмента аудитории.

Подробнее о трендах: Маркетинг в 2025.

Заключение: две нейросети лучше, чем одна

Нейросети в Яндекс.Директ — мощный инструмент, но с ограничениями. Они не видят, что происходит на вашем сайте, и обучаются только на факте конверсии.

Решение: Дополнительная нейросеть на стороне сайта (Rivox AI), которая:

1. Видит 500+ параметров поведения на сайте
2. Предсказывает вероятность покупки с точностью 85%
3. Передаёт эти данные в Директ через виртуальные конверсии
4. Ускоряет обучение автостратегий в 3 раза
5. Снижает CPA на 25-35%

Архитектура: Обе нейросети используют Gradient Boosting (CatBoost) — проверенный алгоритм, который показывает лучшие результаты для контекстной рекламы.

Стоимость: В 4 раза дешевле собственной разработки, результаты через 3-4 недели вместо 6-12 месяцев.

Подключить нейросеть для Директа

Или изучите, как ускорить обучение автостратегий с помощью дополнительных данных от нейросети.

FAQ: Частые вопросы о нейросетях в Директе

Есть ли нейросеть в Яндекс.Директ?

Да, автостратегии Яндекс.Директ работают на основе ML-моделей (Gradient Boosting, CatBoost). Они анализируют поведение в экосистеме Яндекса (поиск, сервисы, история кликов) и предсказывают вероятность конверсии для каждого аукциона. Но эта нейросеть не видит, что происходит на вашем сайте — только факт клика и достижения цели.

Почему встроенной нейросети Директа недостаточно?

Нейросеть Директа видит только поведение внутри Яндекса и факт конверсии. Она НЕ видит: как пользователь ведёт себя на сайте (изучает товары 10 секунд или 10 минут), возвращается ли к товарам, насколько заинтересован. Без этих данных предсказания менее точны. Дополнительная нейросеть на сайте анализирует 500+ параметров поведения и повышает точность на 20-30%.

Какие нейросети используются в рекламе?

Основные типы ML-моделей для контекстной рекламы:

• Gradient Boosting (CatBoost, XGBoost, LightGBM) — используется в Яндекс.Директ, Rivox AI и крупнейших рекламных платформах. Лучше всего работает с табличными данными (параметры пользователей), точность до 85-92%. Индустриальный стандарт для предсказания конверсий.
• Deep Neural Networks (DNN) — для сложных паттернов и неструктурированных данных (изображения, тексты). Используется для креативной оптимизации и таргетинга.
• Collaborative Filtering — для рекомендательных систем и персонализации контента.
• Ансамбли моделей — комбинация нескольких подходов для максимальной точности (используется в Rivox AI).

Как работает нейросеть Rivox AI?

Rivox AI — это ансамбль из 4 специализированных ML-моделей на базе Gradient Boosting:

1. SDK собирает 500+ параметров поведения и создаёт 1500+ производных признаков
2. Ансамбль моделей анализирует: предсказание конверсий, детекция спама, временные паттерны, калибровка вероятностей
3. Система выдаёт итоговый прогноз с точностью 88-92%
4. При высокой вероятности (> 50%) отправляется виртуальная конверсия с взвешенной ценностью
5. Автостратегия Директа получает качественные сигналы и обучается в 3 раза быстрее
6. Модель переобучается еженедельно, адаптируясь к изменениям
7. CPA снижается на 25-35%, конверсия растёт

Сколько стоит использование нейросети для Директа?

Встроенные нейросети Директа (автостратегии) — бесплатны, включены по умолчанию при выборе автостратегии. Дополнительная нейросеть на сайте (Rivox AI) — от 130,000₽ за 2 месяца. Окупаемость через 1-2 месяца за счёт снижения CPA на 25-35%. Альтернатива — разработка собственной нейросети: от 500,000₽ + 3-6 месяцев разработки.