Большие данные — большие корзины: AI-таргетинг для METRO
Metro на Новый год поставил задачу привлечь новых пользователей для покупки на сайте. В качестве подхода была выбрана новогодняя активация аудитории через новогоднее спецпредложение с промокодом на первый заказ. В качестве канала продвижения была выбрана programmatic DSP OneTarget. Сложность кейса составлял факт, что кампания шла без установки оптимизационных кодов на сайте, что для programmatic-площадки как традиционно охватного, медийного инструмента, оставляет небольшой выбор возможностей достижения данной задачи.
Описание кейса / решения
Для решения задачи был разработан кастомный скоринг-сегмент, основанный на анализе посещаемых пользователями страниц с учетом их контента. В основе подхода — матрица релевантности, сформированная с помощью LLM-модели, и последующее ранжирование пользователей по количеству и качеству целевых касаний.
Ключевая идея механики — максимально эффективно использовать имеющиеся данные о посещениях пользователями интернет-ресурсов. В отличие от классических DMP-сегментов, которые обновляются относительно редко и строятся по универсальным таксономиям «для всех», наш подход предполагает более гибкую и детализированную работу с аудиторией. Стандартные сегменты зачастую используются в неизменном виде в рамках большого количества кампаний, что ограничивает их эффективность с точки зрения конверсии. Дополнительным ограничением является непрозрачность механики формирования таких сегментов: для внешнего заказчика она, как правило, остается black box внутри DMP.
Наш подход включал несколько этапов:
На большинстве этапов использовались LLM-инструменты — от детализации аудиторной гипотезы до оценки релевантности URL и присвоения им весов.
Размещение изначально строилось как исследовательский тест и включало две группы:
Обе группы работали параллельно в идентичных условиях и не пересекались между собой. Таким образом, различия в результатах можно интерпретировать как следствие различий именно в используемых сегментах.
Основная гипотеза исследования заключалась в том, что скоринг-сегмент покажет более высокую эффективность в привлечении покупателей по сравнению с традиционными подходами к таргетингу.
Сроки реализации
17.12.2025 — 31.12.2025
Результаты ДО и ПОСЛЕ
Тестовая группа (ПОСЛЕ) показала результат по CR (коэффициенту конверсии из показа в оформленный и оплаченный заказ) в 2,4 раза выше, чем контрольная (ДО), а стоимость покупки снизилась в 7 раз. \
Конкретные цифры клиенту запрещено озвучивать, только приросты; тем не менее для нас такие результаты явились ключевым сигналом что концепция работает, и нужно искать способы улучшить и масштабировать данный подход.
В чем полезность и уникальность кейса?
Поскольку Programmatic традиционно более ограничен в возможностях привлечения конверсий чем контекст или соц-сети, для перформ-оптимизации ему требуются как минимум время на оптимизацию и крайне важны оптимизационные коды на сайте клиента.
OneTarget смог разработать принципиально новое решение, которое привлекло вовлеченных покупателей, что позволило в 7 раз более эффективно выполнить задачу клиента.
Сама механика легко адаптируется под другие ниши, является масштабируемой, ее эффективность подтверждают и другие наши размещения, а сам этот подход уже стоит на вооружении во многих размещениях наших рекламодателей.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Да, кейс легко масштабируется и применим во многих вертикалях.
Для решения задачи был разработан кастомный скоринг-сегмент, основанный на анализе посещаемых пользователями страниц с учетом их контента. В основе подхода — матрица релевантности, сформированная с помощью LLM-модели, и последующее ранжирование пользователей по количеству и качеству целевых касаний.
Ключевая идея механики — максимально эффективно использовать имеющиеся данные о посещениях пользователями интернет-ресурсов. В отличие от классических DMP-сегментов, которые обновляются относительно редко и строятся по универсальным таксономиям «для всех», наш подход предполагает более гибкую и детализированную работу с аудиторией. Стандартные сегменты зачастую используются в неизменном виде в рамках большого количества кампаний, что ограничивает их эффективность с точки зрения конверсии. Дополнительным ограничением является непрозрачность механики формирования таких сегментов: для внешнего заказчика она, как правило, остается black box внутри DMP.
Наш подход включал несколько этапов:
- Формирование аудиторной гипотезы на основе клиентского брифа и доступных материалов (посадочные страницы, креативы и др.).
- Под аудиторной гипотезой понимается декомпозиция описания целевой аудитории клиента с дополнительными предположениями о поведении пользователей в сети.
- Формирование списка сайтов, посещение которых может служить триггером принадлежности пользователя к целевой аудитории.
- Детализация доменного списка до конкретных URL для повышения точности сегментации.
- Присвоение каждому URL определенного веса — условного количества баллов, начисляемых пользователю при посещении соответствующей страницы.
- Настройка DSP на сбор и анализ пользователей, взаимодействовавших с одним или несколькими целевыми URL, с последующим расчетом суммарного скоринга.
- Разделение пользователей на группы по количеству набранных баллов и запуск кампаний по каждой группе для определения оптимального порога таргетирования.
- Масштабирование наиболее эффективного сегмента с помощью LAL-моделирования.
На большинстве этапов использовались LLM-инструменты — от детализации аудиторной гипотезы до оценки релевантности URL и присвоения им весов.
Размещение изначально строилось как исследовательский тест и включало две группы:
- Контрольную группу — размещение на стандартных DMP-сегментах. Эта группа использовалась как базовая для оценки прироста и сравнения эффективности.
- Тестовую группу — размещение с использованием разработанного LLM-сегмента OneTarget.
Обе группы работали параллельно в идентичных условиях и не пересекались между собой. Таким образом, различия в результатах можно интерпретировать как следствие различий именно в используемых сегментах.
Основная гипотеза исследования заключалась в том, что скоринг-сегмент покажет более высокую эффективность в привлечении покупателей по сравнению с традиционными подходами к таргетингу.
Сроки реализации
17.12.2025 — 31.12.2025
Результаты ДО и ПОСЛЕ
Тестовая группа (ПОСЛЕ) показала результат по CR (коэффициенту конверсии из показа в оформленный и оплаченный заказ) в 2,4 раза выше, чем контрольная (ДО), а стоимость покупки снизилась в 7 раз. \
Конкретные цифры клиенту запрещено озвучивать, только приросты; тем не менее для нас такие результаты явились ключевым сигналом что концепция работает, и нужно искать способы улучшить и масштабировать данный подход.
В чем полезность и уникальность кейса?
Поскольку Programmatic традиционно более ограничен в возможностях привлечения конверсий чем контекст или соц-сети, для перформ-оптимизации ему требуются как минимум время на оптимизацию и крайне важны оптимизационные коды на сайте клиента.
OneTarget смог разработать принципиально новое решение, которое привлекло вовлеченных покупателей, что позволило в 7 раз более эффективно выполнить задачу клиента.
Сама механика легко адаптируется под другие ниши, является масштабируемой, ее эффективность подтверждают и другие наши размещения, а сам этот подход уже стоит на вооружении во многих размещениях наших рекламодателей.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Да, кейс легко масштабируется и применим во многих вертикалях.
Результат
Стоимость покупки снизилась в 7 раз. Конкретные цифры клиенту запрещено озвучивать, только приросты, тем не менее результат отмечен клиентом
Описание кейса / решения
Для решения задачи был разработан кастомный скоринг-сегмент, основанный на анализе посещаемых пользователями страниц с учетом их контента. В основе подхода — матрица релевантности, сформированная с помощью LLM-модели, и последующее ранжирование пользователей по количеству и качеству целевых касаний.
Ключевая идея механики — максимально эффективно использовать имеющиеся данные о посещениях пользователями интернет-ресурсов. В отличие от классических DMP-сегментов, которые обновляются относительно редко и строятся по универсальным таксономиям «для всех», наш подход предполагает более гибкую и детализированную работу с аудиторией. Стандартные сегменты зачастую используются в неизменном виде в рамках большого количества кампаний, что ограничивает их эффективность с точки зрения конверсии. Дополнительным ограничением является непрозрачность механики формирования таких сегментов: для внешнего заказчика она, как правило, остается black box внутри DMP.
Наш подход включал несколько этапов:
На большинстве этапов использовались LLM-инструменты — от детализации аудиторной гипотезы до оценки релевантности URL и присвоения им весов.
Размещение изначально строилось как исследовательский тест и включало две группы:
Обе группы работали параллельно в идентичных условиях и не пересекались между собой. Таким образом, различия в результатах можно интерпретировать как следствие различий именно в используемых сегментах.
Основная гипотеза исследования заключалась в том, что скоринг-сегмент покажет более высокую эффективность в привлечении покупателей по сравнению с традиционными подходами к таргетингу.
Сроки реализации
17.12.2025 — 31.12.2025
Результаты ДО и ПОСЛЕ
Тестовая группа (ПОСЛЕ) показала результат по CR (коэффициенту конверсии из показа в оформленный и оплаченный заказ) в 2,4 раза выше, чем контрольная (ДО), а стоимость покупки снизилась в 7 раз. \
Конкретные цифры клиенту запрещено озвучивать, только приросты; тем не менее для нас такие результаты явились ключевым сигналом что концепция работает, и нужно искать способы улучшить и масштабировать данный подход.
В чем полезность и уникальность кейса?
Поскольку Programmatic традиционно более ограничен в возможностях привлечения конверсий чем контекст или соц-сети, для перформ-оптимизации ему требуются как минимум время на оптимизацию и крайне важны оптимизационные коды на сайте клиента.
OneTarget смог разработать принципиально новое решение, которое привлекло вовлеченных покупателей, что позволило в 7 раз более эффективно выполнить задачу клиента.
Сама механика легко адаптируется под другие ниши, является масштабируемой, ее эффективность подтверждают и другие наши размещения, а сам этот подход уже стоит на вооружении во многих размещениях наших рекламодателей.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Да, кейс легко масштабируется и применим во многих вертикалях.
Для решения задачи был разработан кастомный скоринг-сегмент, основанный на анализе посещаемых пользователями страниц с учетом их контента. В основе подхода — матрица релевантности, сформированная с помощью LLM-модели, и последующее ранжирование пользователей по количеству и качеству целевых касаний.
Ключевая идея механики — максимально эффективно использовать имеющиеся данные о посещениях пользователями интернет-ресурсов. В отличие от классических DMP-сегментов, которые обновляются относительно редко и строятся по универсальным таксономиям «для всех», наш подход предполагает более гибкую и детализированную работу с аудиторией. Стандартные сегменты зачастую используются в неизменном виде в рамках большого количества кампаний, что ограничивает их эффективность с точки зрения конверсии. Дополнительным ограничением является непрозрачность механики формирования таких сегментов: для внешнего заказчика она, как правило, остается black box внутри DMP.
Наш подход включал несколько этапов:
- Формирование аудиторной гипотезы на основе клиентского брифа и доступных материалов (посадочные страницы, креативы и др.).
- Под аудиторной гипотезой понимается декомпозиция описания целевой аудитории клиента с дополнительными предположениями о поведении пользователей в сети.
- Формирование списка сайтов, посещение которых может служить триггером принадлежности пользователя к целевой аудитории.
- Детализация доменного списка до конкретных URL для повышения точности сегментации.
- Присвоение каждому URL определенного веса — условного количества баллов, начисляемых пользователю при посещении соответствующей страницы.
- Настройка DSP на сбор и анализ пользователей, взаимодействовавших с одним или несколькими целевыми URL, с последующим расчетом суммарного скоринга.
- Разделение пользователей на группы по количеству набранных баллов и запуск кампаний по каждой группе для определения оптимального порога таргетирования.
- Масштабирование наиболее эффективного сегмента с помощью LAL-моделирования.
На большинстве этапов использовались LLM-инструменты — от детализации аудиторной гипотезы до оценки релевантности URL и присвоения им весов.
Размещение изначально строилось как исследовательский тест и включало две группы:
- Контрольную группу — размещение на стандартных DMP-сегментах. Эта группа использовалась как базовая для оценки прироста и сравнения эффективности.
- Тестовую группу — размещение с использованием разработанного LLM-сегмента OneTarget.
Обе группы работали параллельно в идентичных условиях и не пересекались между собой. Таким образом, различия в результатах можно интерпретировать как следствие различий именно в используемых сегментах.
Основная гипотеза исследования заключалась в том, что скоринг-сегмент покажет более высокую эффективность в привлечении покупателей по сравнению с традиционными подходами к таргетингу.
Сроки реализации
17.12.2025 — 31.12.2025
Результаты ДО и ПОСЛЕ
Тестовая группа (ПОСЛЕ) показала результат по CR (коэффициенту конверсии из показа в оформленный и оплаченный заказ) в 2,4 раза выше, чем контрольная (ДО), а стоимость покупки снизилась в 7 раз. \
Конкретные цифры клиенту запрещено озвучивать, только приросты; тем не менее для нас такие результаты явились ключевым сигналом что концепция работает, и нужно искать способы улучшить и масштабировать данный подход.
В чем полезность и уникальность кейса?
Поскольку Programmatic традиционно более ограничен в возможностях привлечения конверсий чем контекст или соц-сети, для перформ-оптимизации ему требуются как минимум время на оптимизацию и крайне важны оптимизационные коды на сайте клиента.
OneTarget смог разработать принципиально новое решение, которое привлекло вовлеченных покупателей, что позволило в 7 раз более эффективно выполнить задачу клиента.
Сама механика легко адаптируется под другие ниши, является масштабируемой, ее эффективность подтверждают и другие наши размещения, а сам этот подход уже стоит на вооружении во многих размещениях наших рекламодателей.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Да, кейс легко масштабируется и применим во многих вертикалях.
Результат
Стоимость покупки снизилась в 7 раз. Конкретные цифры клиенту запрещено озвучивать, только приросты, тем не менее результат отмечен клиентом