Клиент
CDEK — один из крупнейших логистических операторов в России, предоставляющий услуги доставки для бизнеса и частных лиц.
- Дорогие читатели и пользователи платформы StreamMyData! Хотим пригласить вас в наш телеграм канал, в котором публикуются важные новости, обновления, статьи и кейсы.
Задача
Повысить эффективность медийной рекламы за счет внедрения поведенческих сегментов, сформированных с помощью машинного обучения. Требовалось выявить наиболее конверсионные группы пользователей на основе их поведенческих паттернов при взаимодействии с сайтом.
Используемый инструмент
Для реализации задачи применялась технология «быстрых предиктов» — система, основанная на алгоритмах машинного и глубокого обучения. Она анализирует поведение пользователей на сайте и выявляет закономерности, позволяющие предсказать вероятность совершения целевого действия в заданный период времени.
Настройка проекта «быстрых предиктов» производится в личном кабинете платформы StreamMyData:
1. Настройка подключения к аккаунту Яндекс.Метрика
2. Выбор нужного счетчика Яндекс.Метрика и выбор цели для обучения системы
3. Выбор горизонта предсказания
После настройки необходимо нажать «Запустить предикт» и в течение нескольких часов аудитории пользователей будут готовы. Стоить отметить, что сформированные сегменты обновляются на ежедневной основе, что позволяет поддерживать постоянную актуальность данных.
Реализация
Для компании CDEK был запущен проект на платформе StreamMyData с применением технологии «быстрых предиктов». В качестве ключевого действия, на основе которого обучалась модель, была выбрана отправка онлайн-накладной — важный шаг в процессе оформления доставки. Горизонт прогнозирования составил 30 дней, а для обучения использовались поведенческие данные пользователей за последние три месяца.
Модель прошла обучение за несколько часов и на выходе сформировала четыре сегмента пользователей, различающихся по вероятности совершения конверсии в заданный период. Далее аудитории автоматически выгружались в Яндекс.Аудитории и были переданы в рекламные кабинеты команды CDEK для дальнейшего использования в кампаниях.
| Наименование аудитории | Диапазон значений вероятности покупки |
| high | 59-100% |
| slightly_high | 42-59% |
| slightly_low | 27-42% |
| low | 0-27% |
После формирования поведенческих сегментов на основе модели машинного обучения, клиент принял решение провести A/B‑тест в рамках медийного флайта. Целью теста было сравнение эффективности двух подходов к таргетингу:
- Группа A (контрольная): стандартный таргетинг по интересам, предлагаемый рекламной платформой;
- Группа B (тестовая): предиктивные сегменты пользователей с высокой и умеренно высокой вероятностью совершения целевого действия (категории high и slightly_high).
Кампания проходила с февраля по май 2025 года и охватывала два формата размещения — баннерную и видеорекламу. В каждом формате использовались оба подхода — таргетинг по интересам и таргетинг по ML-сегментам — что позволило обеспечить чистое сравнение результатов в равных условиях.
Результаты
Результаты A/B‑теста продемонстрировали значительное преимущество тестовой группы (ML-сегментов) по ключевым показателям эффективности. По сравнению с группой по интересам, удалось добиться следующих результатов:
- CPL (стоимость привлечения заявки на накладную):
снижение на 87,3% в баннерах и на 81,3% в видеоформате; - CPA по онлайн-расчётам:
снижение на 81% (баннеры) и 64,2% (видео); - Совокупный CPA (оффлайн + онлайн):
снижение на 68,2% (баннеры) и 52,9% (видео).
A/B‑тест подтвердил, что использование поведенческих сегментов, сформированных на основе машинного обучения, позволяет существенно повысить рентабельность медийных размещений. При том же охвате и форматах, рекламные бюджеты распределялись значительно эффективнее, что делает данный подход перспективной альтернативой или дополнением к традиционному таргетингу по интересам.
Еще больше полезной и интересной информации вы можете получить в нашем блоге
