Таргетинг рекламы с помощью машинного обучения: как ML управляет современной рекламой

Таргетинг рекламы с помощью машинного обучения годами являлся двигателем повышения эффективности Meta Ads, но большинство медиабайеров взаимодействуют с ним через интерфейс, скрывающий все интересные детали. Результат: рекламодатели принимают решения на основе заблуждений о работе системы, упуская значительные возможности для роста эффективности.

Это руководство погружается глубоко. Я объясню фактические механизмы работы ML-таргетинга внутри Meta — и сошлюсь на Google и TikTok там, где архитектура существенно отличается — чтобы вы могли принимать решения, которые работают с системой, а не случайно противодействуют ей.

---

Фундаментальный сдвиг: от правил к прогнозам

Традиционный таргетинг рекламы основывался на правилах: «покажи эту рекламу женщинам 25–44 лет, которым нравится бег». Таргетинг на основе машинного обучения заменяет правила прогнозами: «покажи эту рекламу пользователям, которые с наибольшей вероятностью совершат покупку, независимо от того, к какой демографической группе они относятся».

Это не тонкое различие. Это означает:

1. Ваши настройки аудитории — это отправные точки, а не ограничения. ML-системы рассматривают конфигурацию таргетинга как предварительные знания — полезный начальный сигнал, который модель переопределит, когда её собственные прогнозы будут более уверенными.

2. Система всегда решает задачу оптимизации. При каждой возможности показа ML-модель отвечает на вопрос: «Учитывая всё, что я знаю об этом пользователе, этом плейсменте, этом времени и этом креативе — какова вероятность целевого действия? И с учётом этой вероятности, какая ставка будет правильной?»

3. Данные — это топливо. ML-таргетинг становится точнее по мере накопления данных о конверсиях. Новая кампания без истории работает на априорных предположениях; зрелая кампания с 10 000 событий покупки работает на богатой, вертикально специализированной модели.

Понимание этих трёх фактов объясняет большинство «странного» поведения, которое наблюдают рекламодатели — почему аудитории отклоняются от настроек, почему эффективность колеблется во время фаз обучения и почему некоторые кампании никогда не стабилизируются.

---

Как работает архитектура ML-таргетинга Meta

Meta не опубликовала свою полную техническую архитектуру, но из академических статей, инженерных блогов и наблюдаемого поведения в миллионах кампаний мы можем реконструировать основные компоненты.

Уровень 1: Генерация кандидатов

Когда возникает возможность показа (пользователь открывает Facebook или Instagram), система Meta не оценивает каждого из более чем 3 миллионов активных рекламодателей, которые потенциально могли бы делать ставку на этот показ. В реальном времени это было бы вычислительно невозможно.

Вместо этого уровень генерации кандидатов использует грубые модели для сужения поля до сотен или нескольких тысяч релевантных рекламодателей. Этот уровень использует более простые признаки — широкое совпадение аудитории, доступность бюджета, исторические показатели кликов — и работает за микросекунды.

Последствие для рекламодателей: Если ваша кампания глубоко не соответствует инвентарю (например, очень узкий таргетинг по интересам в слоте с плохим совпадением), она может даже не попасть на стадию детального скоринга. Чрезмерно узкий таргетинг может снизить доставку не только ограничением охвата, но и провалом на этапе генерации кандидатов.

Уровень 2: Ранжирование и скоринг

Кандидаты, прошедшие Уровень 1, попадают в глубокое ранжирование. Здесь работают основные ML-модели Meta. Система ранжирования оценивает каждую пару «рекламодатель — показ» по нескольким измерениям:

• Прогнозируемый показатель действия (PAR): вероятность того, что пользователь выполнит цель оптимизации (клик, покупка, установка и т.д.)
• Релевантность креатива: насколько хорошо креатив соответствует контентным предпочтениям этого пользователя
• Оценка качества рекламы: исторические сигналы обратной связи от пользователей (уровень скрытия, негативная обратная связь, позитивное вовлечение)

Эти оценки подаются в формулу аукциона Meta:

Общая ценность = Ставка × Прогнозируемый показатель действия × Оценка качества рекламы

Рекламодатель с наивысшей общей ценностью выигрывает аукцион — но важно, что вы платите не полную ставку. Вы платите цену выбывания, определённую вторым по величине участником торгов, скорректированную с учётом различий в качестве.

Совет профессионала: Ваша «ставка» в Meta Ads — это фактически потолок того, сколько вы готовы заплатить, а не то, что вы фактически платите. Улучшение качества креатива и показателя релевантности напрямую снижает ваш эффективный CPM, даже при той же ставке. Лучший креатив — это буквально более дешёвый охват.

Уровень 3: Обучение после аукциона

После показа система Meta наблюдает, что происходит: кликнул ли пользователь? Совершил ли конверсию на вашем сайте? Насколько быстро? Какова была сумма покупки?

Этот цикл обратной связи непрерывно обновляет модели. Каждое конверсионное событие делает прогнозы для аналогичных будущих показов более точными. Именно поэтому «фаза обучения» в кампаниях Meta реальна — модель действительно строит прогностическую модель, специфичную для вашего конверсионного события, креатива и контекста аудитории.

Фаза обучения: Meta объявляет кампанию вышедшей из фазы обучения после 50 конверсионных событий. До этого порога модель всё ещё исследует различные сегменты пользователей для калибровки своих прогнозов. В этой фазе CPA обычно выше и более волатилен. Редактирование кампании сбрасывает фазу обучения, поскольку изменения аудитории, бюджета или креатива аннулируют данные, накопленные моделью.

---

Ключевые ML-модели в системе таргетинга Meta

Модели аудиторий lookalike

Аудитории lookalike — одна из старейших ML-функций Meta и по-прежнему одна из самых ценных. Модель работает следующим образом:

1. Ввод исходной аудитории: Вы предоставляете список (клиенты, покупатели, пользователи с высоким LTV) — минимум 100 пользователей, оптимально 1 000–50 000
2. Извлечение признаков: Meta находит все характеристики, поведение и связи в графе, которые может наблюдать для пользователей из исходной аудитории
3. Скоринг сходства: Модель оценивает всю базу пользователей по сходству с исходной аудиторией, генерируя непрерывное распределение сходства
4. Создание аудитории: Ваш 1%, 2% или 5% lookalike выбирает топ N% пользователей по показателю сходства

Модель использует сотни признаков — значительно больше, чем подразумевает описание «похожие интересы» в интерфейсе. Это включает паттерны потребления контента, структуру социального графа, покупательское поведение, паттерны использования устройств и поведенческие временные сигналы. Два пользователя могут попасть в lookalike на основе паттернов сходства, невидимых для любого ручного демографического анализа.

Почему lookalike по-прежнему важны в мире Advantage+: Расширение аудитории Advantage+ делает то же, что lookalike, но отталкиваясь от конверсионных событий, а не от статического списка. Для аккаунтов с богатыми клиентскими данными (более 10 000 клиентов с данными LTV) посев ML-таргетинга тщательно отобранными высокоценными сегментами превосходит результат, когда система обнаруживает их с нуля. Lookalike остаются ценными как входные данные для ML-расширения, а не как его замена.

Подробный обзор структурирования таргетинга аудитории вокруг этих моделей — в нашем полном руководстве по таргетингу аудитории Meta Ads.

Модель прогнозирования конверсий

Это основной двигатель оптимизации кампаний. Для кампаний, оптимизированных под конверсии, модель Meta прогнозирует вероятность того, что конкретный пользователь завершит ваше конверсионное событие (покупка, отправка лид-формы, установка приложения и т.д.) при показе вашей рекламы.

Модель обучается на исторических данных о конверсиях всех рекламодателей на платформе Meta — не только вашего аккаунта, а миллиардов конверсионных событий. Это даёт ей кросс-вертикальное распознавание паттернов, которое данные одного вашего аккаунта обеспечить не могут.

Ваши данные пикселя персонализируют модель под вашу конкретную вертикаль, ценовую точку и воронку конверсии. Интернет-магазин, продающий предметы роскоши, развивает модель конверсии, отличную от магазина товаров повседневного спроса, даже если пиксель настроен идентично.

Ключевое следствие: Чем больше данных о конверсиях вы подаёте в систему Meta, тем более персонализированной и точной становится модель для вашего конкретного случая. Именно поэтому аккаунты с высоким объёмом конверсий стабильно превосходят аккаунты с малым объёмом по эффективности — они построили более богатые обучающие наборы для ML-системы.

Динамическая оптимизация креатива (DCO)

При использовании DCO или Advantage+ Creative отдельная ML-система учится, какие комбинации креативов работают лучше для разных сегментов пользователей. Эта модель:

1. Тестирует различные комбинации элементов креатива (заголовок, изображение, основной текст, кнопка CTA) на сегментах пользователей
2. Учится, какие комбинации обеспечивают более высокие прогнозируемые показатели действий для разных типов пользователей
3. Персонализирует доставку креатива — пользователь A видит комбинацию X, а пользователь B — комбинацию Y, даже в одной группе объявлений

Модель DCO может выявлять неочевидные паттерны: возможно, прямое изображение продукта лучше работает для пользователей, которые ранее посещали страницы продуктов, а изображения стиля жизни лучше конвертируют для холодной аудитории. Ручное A/B-тестирование не может эффективно обнаружить эти сегмент-специфичные паттерны.

Совет профессионала: Дайте моделям DCO достаточное разнообразие для обучения. Если вы предоставите только два варианта заголовка и одно изображение, у системы будет ограниченное количество комбинаций для тестирования. Загрузите 5–8 заголовков, 5–8 изображений и 3–5 вариантов основного текста, чтобы дать ML осмысленную дифференциацию для оптимизации.

---

Advantage+ и консолидация ML-систем

Пакет Advantage+ от Meta представляет собой консолидацию ML-систем в единый, сквозно оптимизированный тип кампании.

Как работают кампании Advantage+ Shopping изнутри

При запуске кампании Advantage+ Shopping:

1. Ручной таргетинг аудитории не требуется: Система использует ваш креатив и каталог продуктов как сигналы в сочетании с данными пикселя и полным графом пользователей Meta для идентификации вероятных покупателей с нуля
2. Распределение бюджета полностью управляется ML: Вместо того чтобы вы разделяли бюджет между группами объявлений, система динамически направляет его на сегменты аудитории с наивысшим прогнозируемым ROAS
3. Выбор креатива персонализирован: С возможностью до 150 креативов модель DCO доставляет разные креативы разным пользователям на основе прогнозируемого резонанса
4. Плейсменты — это решения на уровне каждого показа: Каждая возможность показа на Facebook Feed, Instagram Stories, Reels и в Audience Network оценивается независимо — без статического распределения плейсментов

Вся кампания работает как непрерывная задача оптимизации, где каждое решение (кому показать, какой креатив, какой плейсмент, какую ставку) принимается ML в реальном времени.

Данные об эффективности: Meta сообщает, что кампании ASC обеспечивают в среднем на 17% более низкий CPA по сравнению с традиционными структурами кампаний. Независимый анализ за 2025 год оценивает это в 12–22% в зависимости от зрелости вертикали и объёма креативов.

Когда ML в Advantage+ может давать сбои

ML-оптимизация максимизирует вашу заявленную цель — не вашу реальную бизнес-цель. Типичные расхождения:

Решение — не обвинять ML: он делает именно то, что вы попросили. Решение — настроить конверсионные события в соответствии с реальной бизнес-метрикой и использовать оптимизацию по ценности, когда стоимость покупок значительно варьируется.

Более широкий взгляд на то, как ИИ трансформирует таргетинг на протяжении всего жизненного цикла кампании, — в нашем руководстве по ИИ в рекламе 2026, где подробно рассматривается каждый слой.

---

Таргетинг на основе машинного обучения в Google и TikTok

Meta — не единственная платформа с ML-таргетингом. Вот сравнение с другими крупными платформами:

Архитектура ML-таргетинга Google

Кампании Performance Max (PMax) от Google имеют архитектурное сходство с ASC от Meta:

ML-таргетинг Google имеет одно значительное преимущество: кросс-интент-сигналы. Google может наблюдать не только поведенческие данные и данные социального графа, но и фактические поисковые запросы — сигнал с наивысшим намерением в цифровой рекламе. Когда вы запускаете PMax, ML-система может направлять бюджет на поисковые плейсменты, когда пользователи активно ищут ваш продукт, и на медийные плейсменты, когда модель прогнозирует высокую вероятность конверсии на основе поведенческих паттернов.

Ключевое отличие: ML Meta в основном базируется на поведении и социальном графе. ML Google добавляет явные интент-сигналы из поиска. Для рекламодателей, у которых намерение покупки сильно коррелирует с поисковым поведением (например, запросы «купить [продукт]»), ML-таргетинг Google может быть эффективнее в нахождении пользователей нижней части воронки.

ML-таргетинг TikTok

ML-таргетинг TikTok имеет одну отличительную особенность: сигналы потребления контента чрезвычайно свежие и высокочастотные. Пользователь, посмотревший 5 видео о тренировках подряд сегодня утром, демонстрирует интерес к фитнесу прямо сейчас — сегодня, а не три месяца назад, когда он поставил лайк странице о фитнесе в Facebook.

Алгоритм TikTok использует это преимущество свежести:

• Кластеризация интересов: ML определяет паттерны интересов в реальном времени из потребления видео, а не только из исторических данных профиля
• Сигналы хэштегов и звуков: Паттерны вовлечённости в контент (какие звуки, хэштеги, авторы привлекают пользователей) питают модели таргетинга
• Поведенческий импульс: Система обнаруживает «всплески интереса» — внезапные увеличения потребления категории контента — и показывает релевантную рекламу, пока интерес активен

Практическое следствие: ML-таргетинг TikTok может быть высокоэффективен для трендовых продуктов и вертикалей, где интерес к покупке коррелирует с паттернами потребления контента. Он менее эффективен для покупок с длительным циклом принятия решений, где офлайн-поведение важнее потребления контента на платформе.

---

Как работать с ML-таргетингом (а не против него)

Понимание архитектуры подсказывает конкретные тактические решения.

Дайте ML то, что ему нужно

ML-таргетинг работает настолько хорошо, насколько хороши предоставленные сигналы. Приоритетные входные данные:

1. Conversions API (CAPI): Данные пикселя на стороне браузера неполны из-за блокировщиков рекламы и ограничений iOS. Серверный CAPI отправляет конверсионные события напрямую с вашего сервера, восстанавливая 10–30% потерянных конверсий и кардинально улучшая качество ML-сигнала
2. Списки клиентов: Загрузите вашу клиентскую базу (хэшированные email и телефоны) для посева lookalike на основе ценности. Если у вас есть данные LTV, сегментируйте по уровню ценности и создавайте отдельные исходные аудитории для высокоценных и средних клиентов
3. Фиды каталогов: Для e-commerce хорошо структурированный каталог продуктов с богатыми атрибутами (категория, цена, наличие, рейтинги) даёт ML больше измерений для сопоставления пользователей с продуктами
4. Достаточный объём креативов: Моделям DCO нужно разнообразие. Минимум 5+ вариантов изображений, 5+ заголовков, 3+ вариантов основного текста на группу объявлений с DCO

Уважайте фазу обучения

Фаза обучения — не маркетинговый трюк Meta: она отражает реальное требование к данным. Действия, которых следует избегать во время обучения:

• Изменение бюджета кампании более чем на 30% за раз: Значительные изменения бюджета меняют пул аудитории, до которой ML может добраться, аннулируя накопленное обучение
• Редактирование аудитории, стратегии ставок или креатива: Каждое редактирование запускает сброс фазы обучения
• Приостановка и перезапуск кампаний: Паузы длительностью более 5–7 дней существенно ухудшают накопленное обучение; модель рассматривает перезапущенную кампанию как практически новую

Совет профессионала: Если вам нужно внести изменения во время фазы обучения кампании, объедините их в одну сессию редактирования вместо ежедневных правок. Каждое редактирование сбрасывает часы обучения, но объединение нескольких изменений в одну сессию сбрасывает их только один раз.

Установите правильные ограничения

ML-таргетинг выигрывает от ограничений, предотвращающих патологии оптимизации:

• Ограничения частоты: Без них ML-системы могут чрезмерно показывать рекламу пользователям с высокой прогнозируемой вероятностью конверсии, завышая частоту и ускоряя утомление от креатива
• Исключения аудитории: Исключите текущих клиентов из кампаний привлечения и пользователей, уже совершивших конверсию, из ремаркетинговых кампаний. ML-системы не подавляют их автоматически
• Нижние и верхние границы бюджета: Установите лимиты расходов на уровне аккаунта для предотвращения неконтролируемых расходов ML, если цель оптимизации даст неожиданные результаты
• Ограничения плейсментов при необходимости: Для безопасности бренда явно исключайте конкретные плейсменты (например, Audience Network для брендовых кампаний) вместо того, чтобы полагаться на ML-оптимизацию плейсментов

---

Роль first-party данных в ML-таргетинге

По мере исчезновения сторонних cookie и сужения доступа к данным платформ из-за регулирования конфиденциальности, first-party данные стали самым ценным входом для систем ML-таргетинга.

Что обеспечивают first-party данные

Минимальный жизнеспособный набор first-party данных для значимого улучшения ML-таргетинга: 5 000 записей email клиентов с базовой сегментацией (например, активные vs. ушедшие). При 10 000+ записей с данными LTV можно запускать lookalike на основе ценности, которые часто превосходят стандартные конверсионные lookalike на 15–25% по ROAS.

Практическое руководство по созданию и активации сегментов аудитории с помощью ИИ — в нашем руководстве по ИИ-сегментации аудитории для Meta Ads.

---

Измерение эффективности ML-таргетинга

Стандартные метрики не полностью отражают эффективность ML-таргетинга. Важны следующие дополнительные измерения:

Инкрементальность: таргетинг действительно вызывает конверсии?

Стандартная атрибуция показывает корреляции: люди, которые были таргетированы и конвертировались. ML-таргетинг может находить пользователей, которые конвертировались бы в любом случае, и присваивать себе заслугу за их конверсии. Тестирование инкрементальности разделяет корреляцию и причинность:

• Тесты с контрольной группой: Случайным образом исключите 10–20% целевой аудитории из показа рекламы, сравните показатели конверсии
• Географическая инкрементальность: Показывайте рекламу на одних рынках, не показывайте на других, контролируя базовые различия
• Исследования подъёма: Собственный инструмент измерения подъёма Meta предоставляет оценки инкрементальности

Инкрементальный ROAS часто на 20–40% ниже отчётного ROAS — ML находит некоторые конверсии, которые произошли бы и без рекламы. Это не означает, что таргетинг сломан; это означает, что ваша отчётная метрика завышает реальный вклад.

Эффективность фазы обучения

Отслеживайте прогресс фазы обучения:

• Как быстро кампания вышла из фазы обучения? (Бенчмарк: 7–14 дней для аккаунтов с 50+ конверсиями/неделю)
• Каким был CPA во время обучения vs. после обучения? (Типичное улучшение: снижение CPA на 15–30% после стабилизации обучения)
• Начинали ли последующие кампании на том же аккаунте с лучших базовых показателей? (Обучение на уровне аккаунта накапливается со временем)

Анализ пересечения аудиторий

Используйте инструмент Audience Overlap от Meta для выявления случаев, когда ваши ML-таргетированные аудитории значительно пересекаются. Высокое пересечение между группами объявлений вызывает внутреннюю конкуренцию на аукционе и увеличивает CPM. Расширение ML-таргетинга имеет тенденцию сходиться к похожим профилям пользователей в разных кампаниях — проверка пересечений предотвращает случайную конкуренцию с самим собой.

---

Будущие направления ML-таргетинга рекламы

Таргетинг на основе машинного обучения не статичен. На основе текущих исследовательских траекторий и развития платформ:

ML с сохранением конфиденциальности: По мере продолжения потери сигналов из-за iOS, Android и отмены cookie платформы инвестируют в федеративное обучение (обучение моделей на устройстве без передачи сырых пользовательских данных) и технологии дифференциальной приватности. Эти подходы сохраняют эффективность ML-таргетинга при обработке данных локально, а не централизованно.

Каузальные ML-модели: Текущий ML-таргетинг в значительной степени корреляционный — он выявляет паттерны между характеристиками пользователей и вероятностью конверсии. Каузальный ML стремится определить, почему конкретные пользователи конвертируются, обеспечивая более точный таргетинг на основе предсказанных причинных механизмов, а не корреляционных паттернов.

Единый кросс-платформенный таргетинг: Текущий ML-таргетинг работает в рамках замкнутого сада каждой платформы. Новые технологии разрешения идентичности и чистых комнат данных позволяют ML-моделям обучаться на кросс-платформенных данных, теоретически повышая точность прогнозов за счёт учёта сигналов с нескольких платформ.

Сигналы намерения в реальном времени: Следующее поколение ML-таргетинга будет учитывать сигналы, обновляющиеся за минуты или часы — не только исторические паттерны, но текущий поведенческий контекст. Таргетинг TikTok на основе импульса — ранняя версия; более сложные модели намерений в реальном времени разрабатываются на всех крупных платформах.

---

Ключевые выводы

1. ML-таргетинг — это двигатель оптимизации, а не волшебная коробка. Он максимизирует заявленную цель с помощью вероятностных прогнозов. Плохие цели дают плохие результаты, независимо от продвинутости ML.

2. Ваши настройки таргетинга — это рекомендации, а не ограничения. Системы Advantage+ будут расширяться за пределы указанной аудитории, когда ML прогнозирует лучшие результаты. Обычно это полезно — позвольте системе работать.

3. Качество данных определяет эффективность ML. Conversions API, списки клиентов и достаточный объём конверсий — это входные данные, которые отделяют посредственные результаты ML от выдающихся.

4. Уважайте фазу обучения. Частые правки во время фаз обучения — одна из самых распространённых причин низкой эффективности кампаний. Объединяйте изменения и проявляйте терпение.

5. First-party данные — ваше конкурентное преимущество. По мере сужения доступа к данным платформ рекламодатели с богатыми, хорошо организованными first-party данными будут превосходить тех, кто полагается на сигналы, выведенные платформой.

6. Человеческий контроль остаётся необходимым. ML-таргетинг безупречно оптимизирует то, что вы приказали ему оптимизировать. Согласование целей оптимизации с бизнес-реальностью — и мониторинг патологического поведения — по-прежнему остаётся человеческой ответственностью.

Практические применения этих принципов распространяются на каждый аспект современного управления кампаниями. Для полной стратегической картины наше руководство по ИИ в рекламе охватывает то, как ML-таргетинг вписывается в комплексную операцию медиабаинга на основе ИИ.