Тренды in-app рекламы: ML-агенты становятся реальностью, а видео — новой точкой роста эффективности

Несколько лет подряд практически каждая рекламная платформа заявляла о развитии автоматизации закупки. Однако на практике речь чаще шла об отдельных алгоритмах оптимизации, которые помогали медиабайеру, но не заменяли его работу. Сегодня рынок подошел к следующему этапу: появились первые полноценные ML-агенты, способные самостоятельно управлять рекламной кампанией в рамках заданной бизнес-цели.

1. ML-оптимизация: переход от алгоритмов к агентам

Главное отличие современных ML-агентов от уже классических автоматических стратегий заключается в уровне самостоятельности. Если раньше система могла лишь корректировать ставку в зависимости от вероятности конверсии, то теперь агент способен более комплексно управлять кампанией в заранее определенных границах.

Требуется сформулировать цель — например, удерживать заданный CPI, CPA или ROAS, — а агент самостоятельно учтет десятки переменных, скорректирует ставки, перераспределит бюджет между паблишерами, отключит неэффективные площадки, адаптирует стратегию закупки по времени суток и конверсионности.

Такой подход становится особенно актуальным на фоне растущей сложности рекламного рынка. Количество сигналов, которые необходимо учитывать при принятии решений, уже давно превышает возможности ручного управления.

Помимо сложности аналитики, для качественной работы с баинговыми гипотезами требуется забирать как можно больше внутреннего когнитивного ресурса. Внутри работы с одним только проектом и клиентом связок, таких как «рекламное место — цена — спрос в конкретный час — процент победы в аукционе — конверсионность — креатив и формат», требующих проверки и прототипирования, может быть несколько сотен, самих клиентов у баера обычно не один.

Логика современного агента именно в том, чтобы высвободить креативный ресурс профессионала на более глубокую работу с клиентом.

Мы считаем, что именно сейчас технология переходит из стадии маркетинговых обещаний в практическую плоскость. Причина в растущей зрелости ML-моделей, накопленных объемах данных и развитии вычислительных мощностей. В результате агент становится не дополнительным инструментом специалиста, а исполнителем, которому человек делегирует операционную работу, сохраняя за собой постановку целей и контроль бизнес-результата. Важно отметить, что креативность в подходах и генерация баинговых гипотез все равно остается за профессионалом.

В ближайшие годы конкуренция между DSP будет все меньше строиться вокруг количества доступных настроек и все больше вокруг качества принимаемых системой решений. Побеждать будут платформы, которые смогут автоматизировать не отдельные функции, а весь цикл оптимизации рекламной кампании.

2. In-app видео: главный драйвер качественного инвентаря

Второй устойчивый тренд — рост спроса на in‑app видеоформаты. Причина заключается не только в высокой заметности такого инвентаря, но и в изменении подхода рекламодателей к оценке эффективности. Имя этому спросу — инкремент, уровень влияния рекламы на принятие решения и воздействие с рекламируемым сервисом.

Сегодня брендам и performance-рекламодателям становится недостаточно самого факта показа объявления. Все большее значение приобретают показатели реального взаимодействия пользователя с рекламой. Именно видео позволяет собирать наиболее прозрачные сигналы вовлеченности: длительность просмотра, процент досмотра, взаимодействие с креативом, завершенные просмотры и другие события, которые значительно лучше характеризуют качество контакта, чем обычный показ баннера.

Дополнительным фактором роста становится стремление рекламодателей искать инкрементальный охват и корректно измерять эффект от размещения.

Аплифты (для исчисления инкремента) измеряются через сравнение эффекта «до» и «после» включения того или иного рекламного канала.

Например: с 1 по 30 число приложение генерировало 10 000 органических установок и 12 000 установок от платных источников. В следующий отчетный период выделяется контрольная группа, например органика, и сравнивается тренд и объем установочной базы после включения нового рекламного канала, а также эффект на другие платные площадки.

По мере насыщения традиционных каналов именно качественный видеоинвентарь в мобильных приложениях позволяет привлекать довольно самостоятельную аудиторию.

Для рекламных платформ это означает необходимость развития более глубоких моделей оценки качества видеоинвентаря. Уже недостаточно учитывать только вероятность установки или конверсии, все большее значение приобретают сигналы внимания пользователя, которые становятся дополнительным источником данных для ML-оптимизации.

Это могут быть как корректно передаваемые квартили, так и % нажатия кнопки «пропустить», время просмотра того или иного контента или страницы. Все эти данные в обезличенном формате помогают в более качественном контакте с пользователем.

Можно ожидать, что в ближайшие годы именно сочетание качественного видеоинвентаря и ML-агентов станет одной из ключевых точек роста рынка. Видео будет генерировать более богатый массив поведенческих сигналов, а агенты — использовать их для принятия решений практически в режиме реального времени. Именно эта связка способна существенно повысить эффективность digital-рекламы без постоянного увеличения ручного управления кампаниями.