За гранью бинарной логики: почему «Да/Нет» больше не работает

Долгие годы поиск похожих аудиторий (Lookalike) строился на жесткой бинарной логике. Рекламодатель задавал условие: «Моя целевая аудитория — это те, кто провел на сайте 30 секунд, проскроллил 80% страницы и нажал кнопку N». Все, кто выполнил это условие, получали маркер «1» (целевой), остальные — «0» (нецелевой).

Проблема такого подхода заключается в том, что он игнорирует степень «прогрева» аудитории. Пользователь, который провел на сайте 28 секунд и внимательно изучал товар, но не успел нажать кнопку, получал тот же «0», что и случайный прохожий, закрывший вкладку через секунду. Чтобы ловить эту скрытую ценность, современные ML-архитектуры переходят от классификации (1/0) к скорингу намерений (Intent Scoring), оценивая каждого посетителя по шкале от 0 до 100.

Архитектура скоринга: 3D-модель пользователя

Для того чтобы алгоритм предсказывал вероятность конверсии с высокой точностью, профиль пользователя внутри системы формируется не как плоский список действий, а как трехмерная матрица (векторное пространство признаков):

• 1. Вектор Контекста (Где и Как?)
  Сюда входят агрегированные технические и гео-данные: часовой пояс, тип устройства, категория браузера и источник перехода (органика, прямой заход, конкретная рекламная кампания). Это формирует базовый портрет визита.
• 2. Исторический вектор и Функция затухания (Time Decay)
  Интерес человека не постоянен. Если пользователь искал холодильник месяц назад, его текущий интерес равен нулю. Если сегодня утром — он максимален. Алгоритм рассчитывает накопительный интерес к категориям сайта, применяя математическую функцию временного затухания: старые действия плавно теряют свой вес, уступая место свежим намерениям.
• 3. Вектор текущего поведения (Микроконверсии)
  Это анализ динамики: скорость скроллинга (человек читает вдумчиво или быстро проматывает?), паттерны взаимодействия с элементами интерфейса в первые секунды визита.

Адаптивность вместо жестких рамок: плавное отсечение аномалий

Если мы оцениваем пользователя от 0 до 100, возникает проблема «перегретой» аудитории. Контент-менеджер, который загружает товары на сайт по два часа в день, с точки зрения банальной статистики выполнит все целевые действия на «100 баллов», но для рекламы он абсолютно бесполезен.

Исторически системы решали это жестким фильтром: «если на сайте больше часа — это бот или админ». Но что если вы выкатили длинную интересную статью, и среднее время на сайте органически выросло? Жесткий фильтр отрежет вашу самую лояльную аудиторию.

Плавность и адаптивность: как ClikBy отсекает аномалии

Жесткие пороги вроде «если пользователь сидит дольше 2 часов — это бот» безнадежно устарели. Если вы добавите на сайт увлекательный лонгрид, среднее время визита вырастет, и жесткий фильтр срежет вашу самую лояльную аудиторию. В ClikBy мы решили эту проблему, внедрив адаптивный и плавный коэффициент аномальности (A_i).

Шаг 1. Отказ от абсолютных цифр в пользу перцентилей

Система ClikBy больше не использует захардкоженные лимиты (например, «максимум 50 сессий»). Вместо этого алгоритм непрерывно анализирует распределение данных за последние 3–7 дней и автоматически определяет:

• Медиану (норму) — текущее стандартное поведение аудитории на конкретном сайте.
• 95-й перцентиль (P₉₅) — границу, выше которой находятся лишь 5% самых активных («перегретых») пользователей.
• 99-й перцентиль (P₉₉) — зону экстремальных выбросов, где обитают контент-менеджеры, парсеры и оставленные на ночь вкладки.

Если поведение пользователей меняется, метрики P₉₅ и P₉₉ сдвигаются автоматически. Платформа адаптируется под «новую норму» сайта без ручного вмешательства.

Шаг 2. Плавная функция штрафа (Сигмоида затухания)

Вместо резкой «ступеньки» отсечения, мы используем перевернутую логистическую кривую. Пока поведение пользователя находится в пределах P₉₅, его множитель A_i = 1 (штрафа нет). Как только он переходит границу аномальности, коэффициент начинает плавно стремиться к нулю по формуле:

Как это работает на практике (Итоговый скоринг)

Допустим, правила интернет-магазина присвоили пользователю 80 сырых баллов интереса (RawScore). Посмотрим, как отработает 3D-парадигма ClikBy в разных ситуациях:

Champion-Challenger: битва алгоритмов за ROI

В промышленном маркетинге использование одной, пусть и умной модели, часто ведет к стагнации. Чтобы постоянно улучшать качество закупаемого трафика, применяется архитектура A/B-тестирования моделей (Champion-Challenger).

Как это работает на практике? Система параллельно рассчитывает скоринг двумя разными алгоритмическими пайплайнами. Алгоритм «А» может делать ставку на глубокую историю визитов, а экспериментальный алгоритм «Б» — придавать больший вес микро-поведению в текущей сессии.

Те пользователи, по которым мнения моделей совпали, отправляются в базовую кампанию. А те сегменты, где модели разошлись во мнениях, разделяются (строго по хэшированным идентификаторам) и отправляются в разные рекламные кампании для конкуренции. Оценивая итоговую стоимость лида (CPA) и средний балл интереса привлеченного трафика на сайте, маркетолог может математически доказать, какой алгоритм работает лучше для конкретного бизнеса.

«Вся эта глубокая предиктивная математика была бы невозможна без строгой концепции Privacy by Design. В нашей системе нет имен, IP-адресов или сырых куки-файлов. Мы работаем исключительно с необратимыми хэшами и поведенческими векторами. Система знает, что "Вектор X с вероятностью 85% совершит покупку", но она не знает, кто скрывается за этим вектором. Это позволяет нам обеспечивать беспрецедентную точность Lookalike-аудиторий, оставаясь в абсолютных и жестких рамках GDPR и CCPA».

Запросить аудит ваших текущих Lookalike аудиторий