Алгоритмы продают нам всё лучше

Как реклама научилась понимать наши желания

Начнём с небольшой предыстории.

У современных социальных сетей есть две важные задачи:

1. Удерживать наше внимание. Этим занимаются рекомендательные алгоритмы. Они выбирают, какой ролик, фотографию или публикацию показать нам следующими, чтобы мы провели на платформе побольше времени.
2. Монетизировать наше внимание. Здесь работают рекламные системы. Они пытаются определить, какое объявление с наибольшей вероятностью заставит нас перейти на сайт рекламодателя или что-нибудь купить.

Казалось бы, задачи близкие. Но исторически эти системы развивались относительно независимо друг от друга. При этом рекомендательные алгоритмы часто располагали очень подробной информацией о наших интересах, а рекламные не всегда могли эффективно воспользоваться всеми этими знаниями.

Разумеется, поведенческий таргетинг появился не вчера. Интернет-реклама давно использует историю наших действий.

Но представим две ситуации:

1. Рекламная система знает, что мужчина 35 лет интересуется автомобилями. Значит, ему можно предложить всё что угодно, от автомобильного шампуня до страховки.
2. Система видит, что этот конкретный мужчина последние три дня изучает характеристики определённой модели, смотрит обзоры и сравнивает предложения дилеров.

Во втором случае есть основания предположить, что человек прямо сейчас выбирает машину. И вероятность продать ему автомобиль, очевидно, будет несколько выше.

Разница принципиальная: одно дело знать, что человеку вообще интересно, и совсем другое — понимать, что он, возможно, собирается купить прямо сейчас.

Собственно, именно здесь и начинается самое интересное.

Теперь алгоритмы пытаются предсказывать наши действия

VK создала единую технологическую платформу Discovery, которая объединяет инфраструктуру поиска, рекомендаций и рекламы.

Что это означает на практике?

1. Алгоритмы анализируют, какие публикации пользователь читает, какие видео смотрит и что ищет.
2. На основе этих действий система оценивает его интересы и текущие потребности.
3. Нейросети рассчитывают вероятность конкретного действия после просмотра рекламы: клика, регистрации или покупки.
4. Рекламная система использует эти прогнозы, чтобы выбрать наиболее подходящие объявления.

Причём VK тут вовсе не первопроходец.

Meta ещё в 2024 году представила систему Andromeda, которая с помощью нейросетей отбирает из десятков миллионов рекламных объявлений несколько тысяч наиболее подходящих для дальнейшего ранжирования.

У Pinterest похожая история. Инженеры компании научили рекламные модели учитывать не только историю действий пользователя, но и то, чем он интересуется непосредственно сейчас.

Например, человек может месяцами смотреть картинки с автомобилями, но в данный момент изучать фотографии винтажных кресел. Возможно, именно сейчас реклама мебели окажется для него актуальнее рекламы машины.

В общем, речь идёт о довольно масштабном технологическом тренде. Крупнейшие интернет-платформы вкладывают огромные ресурсы в то, чтобы всё точнее прогнозировать наши реакции на рекламу.

И, само собой, зарабатывать на этом деньги.

Теперь о деньгах. Насколько эффективнее стала реклама?

Вернёмся к результатам VK.

По данным компании, после внедрения новых рекламных технологий:

1. +27,5% — рост конверсии из показа рекламы в клик.
2. +45% — рост конверсии из показа в покупку.
3. -18,5% — снижение стоимости привлечения покупателя.

Если рекламодатель раньше тратил определённую сумму на привлечение клиента, а теперь получает того же клиента на 18,5% дешевле, экономический эффект вполне понятен.

При неизменном бюджете можно привлечь больше покупателей. Или сохранить прежнее количество клиентов, но потратить на рекламу меньше денег. А можно попытаться увеличить прибыль, если дополнительная экономия не уйдёт на другие расходы.

Звучит прекрасно.

Но есть нюанс.

Все упомянутые проценты — результаты экспериментов, о которых сообщает сама VK. Подробной методики, размера выборки и всех условий сравнения в публичных материалах нет. Поэтому насколько универсальны эти результаты, сказать сложно.

И здесь мы сталкиваемся с одной из старых проблем рекламного бизнеса.

Далеко не каждая покупка, совершённая после просмотра рекламы, произошла благодаря этой рекламе.

Представим, что вы уже неделю выбираете новый телефон, точно определились с моделью и собираетесь купить её завтра.

Алгоритм, изучив ваше поведение, совершенно справедливо решает, что вы очень перспективный покупатель, и показывает объявление магазина.

Вы переходите по рекламе и покупаете телефон.

Магазин доволен, рекламная платформа записывает конверсию себе в актив. Все молодцы.

Только вот телефон вы, возможно, и без всякой рекламы купили бы.

Это вовсе не означает, что реклама не работает. Означает лишь, что измерить её реальный вклад сложнее, чем кажется.

В 2019 году в научном журнале Marketing Science вышло исследование, основанное на 15 масштабных рекламных экспериментах Facebook. Учёные сравнивали результаты обычных методов оценки эффективности с результатами рандомизированных экспериментов.

И обнаружили, что распространённые методы анализа данных нередко ошибаются в оценке реального рекламного эффекта.

Поэтому для оценки дополнительных продаж необходимо сравнивать поведение людей, которым показывали рекламу, с сопоставимой контрольной группой.

Иначе можно получить очень красивый отчёт об эффективности кампании, которая в действительности принесла значительно меньше новых покупателей, чем кажется.

Кому достанется экономическая выгода?

На первый взгляд ответ очевиден: рекламодателям.

Более точный подбор рекламы позволяет снизить затраты на привлечение покупателей. Особенно это важно для интернет-магазинов, где стоимость привлечения клиента напрямую влияет на экономику продаж.

Но давайте посмотрим на ситуацию немного шире.

В выигрыше потенциально оказываются сразу несколько участников рынка:

1. Рекламодатели. Могут эффективнее расходовать бюджеты, получать больше покупателей и тратить меньше времени на ручной подбор аудитории.
2. Рекламные платформы. Получают возможность лучше монетизировать аудиторию и увеличивать ценность рекламных размещений.
3. Крупнейшие технологические компании. Укрепляют конкурентные преимущества благодаря данным, вычислительным мощностям и собственным алгоритмам.

А вот дальше начинается любопытная экономическая история.

Рекламные размещения на крупных платформах часто продаются через аукционы. Если алгоритмы становятся эффективнее, рекламодатели могут начать больше платить за показы, которые с высокой вероятностью принесут продажи.

Конкуренция за такие показы усилится. И часть выгоды от технологического прогресса вполне может достаться самой платформе.

Более эффективная реклама вовсе не обязательно означает более дешёвую рекламу. Особенно если рекламодатель готов платить больше за каждый результативный показ.

Причём со временем этот эффект может усиливаться.

Для обучения современных моделей нужны огромные массивы данных, квалифицированные инженеры и дорогостоящие вычислительные мощности. Всё это есть у крупнейших технологических компаний. Небольшим конкурентам повторить подобную инфраструктуру гораздо сложнее.

Получается интересная ситуация: технологии снижают издержки рекламодателей, но одновременно могут укреплять рыночные позиции тех, кто эти технологии контролирует.

А нам с вами от этого какая польза?

Разработчики рекламных систем утверждают, что более точные алгоритмы позволяют показывать пользователям меньше случайных и больше полезных объявлений.

В этом, безусловно, есть рациональное зерно.

Наверное, лучше видеть рекламу товара, который действительно нужен, чем бесконечные предложения чудодейственных курсов личностного роста.

Но я бы не торопился объявлять такую рекламу безусловным благом.

Ведь интересы рекламной платформы и пользователя совпадают далеко не всегда.

Посмотрим на задачи каждой стороны:

1. Рекламодатель хочет продать нам свой товар.
2. Платформа заинтересована в том, чтобы реклама приносила результат и рекламодатели продолжали платить.
3. Покупатель хочет удовлетворить свои потребности, желательно не потратив лишнего.

И последнее совсем не обязательно совпадает с первыми двумя пунктами.

Более того, чем точнее система прогнозирует наше поведение, тем эффективнее она потенциально может стимулировать покупки, которые мы изначально даже не планировали.

Есть и другой вопрос — персональные данные.

Чтобы хорошо понимать человека, нужно много знать о его поведении:

1. Какие публикации он читает.
2. Какие ролики смотрит.
3. Что ищет в интернете.
4. На каких предложениях задерживает внимание.
5. С какими объявлениями взаимодействует.

С экономической точки зрения это чрезвычайно ценный массив информации. Но с точки зрения приватности всё уже не так однозначно.

Не случайно в Евросоюзе действуют ограничения на отдельные виды поведенческого таргетинга. Например, запрещено использовать для профилированной рекламы определённые категории чувствительных персональных данных, а также показывать несовершеннолетним рекламу, основанную на профилировании.

Разумеется, от этого сами алгоритмы не становятся плохими. Вопрос в том, какие ограничения существуют на их использование и насколько человек контролирует информацию о себе.

Что дальше? Экономика нашего внимания

Думаю, направление развития рекламных технологий вполне очевидно.

В ближайшие годы платформы будут стараться:

1. Ещё точнее определять наши текущие потребности.
2. Быстрее прогнозировать вероятность покупки.
3. Автоматически подбирать не только аудиторию, но и содержание рекламных объявлений.
4. Снижать издержки рекламодателей и повышать отдачу от каждого показа.

Искусственный интеллект позволяет развивать такие системы дальше, хотя никаких гарантий бесконечного роста эффективности, конечно, нет.

Для рекламодателей это потенциально означает более эффективное расходование денег. Для интернет-платформ — возможность лучше монетизировать аудиторию.

Но, пожалуй, самое интересное здесь то, как меняется сама конкуренция в цифровой экономике.

Раньше огромное значение имело количество пользователей платформы. Теперь всё важнее становится способность извлекать экономическую ценность из информации об их поведении.

Чем лучше компания умеет предсказывать, что мы сделаем в следующую минуту, тем дороже становится наше внимание.

И вот тут возникает главный вопрос.

Ведь реклама, которая помогает человеку найти нужный товар, и реклама, которая умеет убедить его купить ненужный, с технической точки зрения могут оказаться одинаково эффективными.

А с нашей — разница принципиальная.

В общем, технологический прогресс налицо. Для бизнеса история выглядит весьма многообещающей.

А вот станем ли мы, пользователи, от этого счастливее — большой вопрос. )