К основному содержанию

ИИ в медиабаинге: что автоматизирует, а что нет

Пересказ по материалу Cossa

ИИ в медиабаинге: что автоматизирует, а что нет

Искусственный интеллект уже берёт на себя часть операционной работы в закупках рекламы — от создания креативов до контроля показателей. Но самостоятельно запускать кампании, управлять ставками и бюджетами алгоритмы пока не могут. Платформы вроде Google, Meta, AppLovin и Moloco давно используют машинное обучение для прогнозирования конверсий, подбора аудиторий и управления ставками на основе огромных объёмов собственных данных.

Базовая схема работы ИИ-агента достаточно простая. Специалист задаёт агенту целевые показатели и диапазоны значений — например, допустимый CPA. Агент подключается к рекламной системе, регулярно проверяет статистику и выдаёт рекомендации. Если стоимость привлечения выходит за установленный предел, алгоритм уведомляет медиабайера и предлагает скорректировать креатив, таргетинг или бюджет.

Данные как основание

Чтобы самостоятельно создать сопоставимого агента, компании нужен доступ к большому объёму информации о рекламных кампаниях. Зарубежные платформы Madgicx и AdScale работают так: первая анализирует кампании в Meta и выявляет точки роста, вторая объединяет данные кабинетов Google и Meta с информацией из интернет-магазинов и перераспределяет бюджет между каналами.

ИИ-агенту нужна накопленная история: статистика рекламных кабинетов, данные MMP, постбеки сетей, информация о поведении пользователей после установки, данные CRM и прошлые результаты по источникам, аудиториям и креативам. TopTraffic построили собственную DMP как базу для ИИ-агентов именно потому, что за годы работы накопился достаточный массив данных. На этой истории обучили собственные алгоритмы, а затем добавили агентов для отдельных операций. Качество рекомендаций агента зависит от инфраструктуры и данных под ним.

Каскад агентов для кампании

ИИ хорошо справляется с изолированными задачами, поэтому работу над рекламной кампанией лучше разделить на последовательные этапы, за каждый из которых отвечает отдельный агент. Процесс выглядит так:

проанализировать продукт и целевую аудиторию;

изучить кампании конкурентов и определить работающие подходы;

проанализировать внутренние исторические данные — какие источники, форматы и креативы работали эффективнее в похожих кампаниях;

сформировать гипотезы: какие креативы, в каких источниках и с какими таргетингами стоит протестировать.

Менеджер просматривает предложенные гипотезы, отбирает перспективные, ставит дизайнеру задачу на креативы и запускает кампанию. Ещё один агент следит за показателями и сообщает об отклонениях. Если результаты превосходят KPI, система предлагает масштабировать. Небольшое отклонение — повод проверить креатив, заметное ухудшение — остановить размещение. Все решения остаются за медиабайером.

По этой схеме TopTraffic запустили кампанию для O'STIN. Перед ними стояла задача привлечь новых пользователей и стимулировать покупки при высокой конкуренции. Встроили систему агентов, каждый отвечал за свой участок процесса создания гипотез. После запуска подключался агент, следивший за показателями и сообщавший об отклонениях в Telegram. Результаты: установок приложения выросло на 35%, конверсия в покупку — на 17%, CPI по проверяемым гипотезам снизился на 32%. Сократились затраты на тестирование — слабые варианты выявлялись на раннем этапе и команда тратила на них меньше времени и бюджета.

Главный эффект и преграды

Агентный медиабаинг сокращает себестоимость ведения кампаний и повышает их качество. ИИ ускоряет проверку гипотез, поэтому неэффективные варианты отсеиваются на раннем этапе. ИИ берёт на себя рутину по оптимизации, которая отнимает большую часть времени специалистов. Это освобождает сотрудников для стратегии, креативных решений и коммуникации с клиентом.

В пилоте Butler/Till и PubMatic ИИ-агент получил клиентский бриф, подобрал рекламный инвентарь и передал его на утверждение. Время настройки кампании сократилось на 98%, расходы цепочки поставок — на 82%, CPM — на 30%.

ИИ пока не способен заменить медиабайера полностью. Иногда срабатывает решение, которое противоречит накопленным шаблонам — опытный байер может пойти на осознанный эксперимент и взять ответственность за риск. Алгоритм не способен принять стратегическое решение и отвечать за последствия.

Вторая преграда — стоимость инфраструктуры. Нужно подключить агента к рекламным кабинетам, MMP, CRM, привести данные к единому виду, обеспечить их обновление и контроль качества. При работе с крупными брендами нужно учитывать контекст: брендбук, юридические нормы, требования безопасности.

Ещё одна причина — доступность и качество данных. Без истории кампаний, интеграций, информации о конкурентах, источниках и поведении пользователей агент не сможет работать эффективно. Данные приходится получать из разных систем, и далеко не все участники рынка готовы открывать доступ.

Наконец, огромную роль играет коммуникация с клиентом. Агент не проведёт встречу, не убедит заказчика в нестандартной идее, не защитит гипотезу и не возьмёт ответственность за риск.

Рынку пока не хватает опыта автоматизации кампаний с помощью ИИ. Чем больше компании будут инвестировать в собственные разработки и проверять разные сценарии, тем быстрее будут совершенствоваться модели. Желательно, чтобы это были самописные ИИ-модели, сформированные под потребности конкретного бизнеса, а не скопированные решения.

По материалам Cossa.

TG X Скопировано
Упомянуты: NeBazaAdScale

Спонсоры проекта

Компании, которые помогают держать аналитику открытой