Как научить алгоритм Google покупать самый ценный трафик: Гид по Custom Bidding в DV360

Автоматические стратегии назначения ставок работают по линейной логике. Для них действует принцип: «одна конверсия = одинаковая ценность». С точки зрения системы подписка на рассылку, добавление товара в корзину и покупка премиального продукта имеют почти одинаковый приоритет, если они настроены как цели. Но для реального бизнеса это не так. Такой усредненный подход приводит к тому, что рекламный бюджет не концентрируется на привлечении клиентов, которые приносят наибольшую ценность для бизнеса. 

Чтобы преодолеть этот разрыв между медиапоказателями и бизнес-результатами, Google разработал Custom Bidding. Это уникальный функционал DV360, который позволяет рекламодателям выйти за рамки стандартных KPI. Вместо того чтобы подстраиваться под автоматические стратегии назначения ставок Google, вы получаете возможность «научить» ИИ оценивать каждый показ через призму ваших конкретных бизнес-задач: от маржинальности товаров до прогнозируемого жизненного цикла клиента (LTV).

В этой статье мы подробно разберем, как работает эта технология, почему она остается эксклюзивным преимуществом экосистемы Google Marketing Platform, и как построить собственный алгоритм, который будет приносить вашему бренду не просто клики, а настоящую ценность. 

Фундаментальная разница: ключевые отличия от стандартного Auto-Bidding

Чтобы понять силу Custom Bidding, стоит посмотреть на механику стандартных стратегий. Автоматическое назначение ставок (Automated Bidding) в DV360 оптимизирует кампании на основе вероятности клика, конверсии или видимости. Модель ИИ анализирует исторические данные и более 40 аукционных сигналов, чтобы купить показ по оптимальной цене.

Проблема стандартного подхода заключается в ограниченности целей. Если вы выбираете «Максимизацию конверсий», система будет одинаково бороться за пользователя, который добавляет товар в корзину, и за того, кто совершает покупку на большой чек. Custom Bidding меняет правила игры. Это не создание алгоритма с нуля, а «тонкая настройка» (fine-tuning) существующих моделей Google. Вы используете ту же силу ИИ, но самостоятельно назначаете «вес» или баллы для каждого действия пользователя.

Четыре главных сценария использования алгоритмов

Custom Bidding позволяет оперировать данными, которые раньше были недоступны для автоматической оптимизации ставок:

• ROAS транзакций 

Оптимизация непосредственно на ценность дохода, передаваемого через Floodlight теги продаж или цели Google Analytics. Система автоматически корректирует ставки, чтобы максимизировать общую прибыль, а не количество заказов.

• Взвешенные конверсии (Weighted Conversions)

Вы можете отобразить всю воронку продаж в алгоритме. Например, назначить 10 баллов за посещение страницы товара, 50 баллов за регистрацию и 100 баллов за покупку. Это помогает алгоритму быстрее обучаться, так как он видит ценность в каждом шаге пользователя, а не только в финальном действии.

• Оптимизация на основе Customer Value
  

Используя кастомные переменные (u-variables) в Floodlight или цели GA4, вы можете передавать в систему информацию о товарах в корзине, длительности проживания при бронировании, SKU товара или статусе лояльности клиента. Алгоритм будет делать более высокую ставку за показ пользователю, чей прогнозируемый чек выше.

• Качество брендового контакта 

Для медийных кампаний важно, как именно пользователь видел рекламу. Custom Bidding позволяет учитывать размер креатива, позицию объявления на странице, длительность просмотра видео и показатели Active View, чтобы бренд был действительно заметен в поле зрения целевой аудитории.

Сравнение Automated bidding VS Custom bidding?

Главное отличие между стандартными стратегиями назначения ставок и кастомными алгоритмами заключается в переходе от бинарной оценки показа к его дифференцированной интеллектуальной оценке.

1. Логика работы Automated Bidding (Стандартная автоматизация)

Традиционные алгоритмы платформы работают по упрощенной системе оценки эффективности показа, где существует только два состояния: «да» или «нет».

• Механика оценки
  Если кампания оптимизируется, например, по критерию видимости, то зафиксированный просмотр объявления (Ad is Viewed) получает 100% ценности. В то же время показ, который не стал видимым (Ad is Not Viewed), маркируется как полностью неэффективный и получает 0% ценности.
• Ограничения
  Алгоритм автоматизации не учитывает качественные характеристики самого просмотра. Для него два видимых показа абсолютно равноценны, даже если на первой площадке пользователь взаимодействовал с рекламой 2 секунды, а на второй – более 10 секунд на большом экране.

2. Логика работы Custom Bidding (Кастомные алгоритмы)

Кастомный подход позволяет рекламодателю самостоятельно определять, какие именно комбинации сигналов и технических метрик формируют действительно качественный медийный контакт. Вместо жесткой шкалы «0 или 100» внедряется гибкое распределение ценности в зависимости от силы сигнала.

Ценность одного показа может динамически изменяться под влиянием комбинации трех факторов: видимости (Ad is Viewed), времени на экране (ToS > 10 sec) и масштаба креатива (Large Creative):

• 100% ценности (Идеальный показ)
  Присваивается только тогда, когда совпадают все три критерия – объявление было видимым, воспроизводилось более 10 секунд и использовало креатив большого размера.
• 70% ценности (Приоритет формата)
  Начисляется, если объявление было видимым и использовало креатив большого размера, но длительность контакта была менее 10 секунд.
• 40% ценности (Приоритет длительности)
  Система фиксирует, когда объявление было видимым и удерживало внимание пользователя более 10 секунд, однако сам формат креатива был стандартным или малым.

Почему это важно для оптимизации кампаний?

Внедрение Custom Bidding коренным образом меняет вектор обучения нейросети DV360. Вместо того чтобы слепо скупать любой инвентарь, который формально подпадает под критерий видимости, алгоритм учится определять, какие показы имеют наибольшую ценность для достижения бизнес-целей.

Типи Сustom Bidding

Расчет кастомного биддинга основывается на математическом моделировании, которое позволяет объединять различные типы сигналов в единую систему оценки показа. Это дает возможность не просто фиксировать факт выполнения действия, а взвешивать его контекст.

Компоненты математической модели

Для точного скоринга показа алгоритм агрегирует сумму базовых баллов и перемножает ее на коэффициенты, отражающие качество или условия самого показа.

• Базовые баллы
  Это количественные метрики взаимодействия пользователя с объявлением – например, факт совершения конверсии или клика. Каждому действию присваивается свой вес, отражающий его значимость для бизнеса.
• Коэффициенты (множители)
  Это качественные параметры, которые усиливают или ослабляют ценность базового действия в зависимости от условий показа. К ним относятся тип устройства (например, мобильный) или позиция объявления на странице сайта.

Пример расчета ценности на практике

Три разных рекламных показа (А, B и C) получают совершенно разную финальную ценность для алгоритма закупки благодаря комбинации баллов и множителей.

• Показ А (Максимальная ценность)
  Пользователь совершил конверсию (9 баллов) и кликнул по объявлению (1 балл) на мобильном устройстве (множитель 2) с топовой позиции объявления (множитель 5). Формула расчета $(9 + 1) \times 2 \times 5$ дает финальную ценность показа 100. Это приоритетный трафик, за который система будет бороться активнее всего.

• Показ B (Минимальная ценность)
  В данном случае конверсии не было (0 баллов), зафиксирован только клик (1 балл) на mobile (множитель 2), при этом данные о позиции объявления отсутствуют. Расчет по формуле $(0 + 1) \times 2$ трансформируется в финальную ценность показа 2. Алгоритм маркирует такой инвентарь как низкоприоритетный.
• Показ C (Нулевая ценность)
  Показ произошел на хорошей позиции объявления (множитель 4), однако пользователь не совершил ни одного базового действия – ни клика, ни конверсии (0 баллов). Математическая логика $(0 + 0) \times 4$ приводит к ценности показа 0. Для алгоритма этот показ не имеет никакого смысла, поэтому тратить бюджет на подобные размещения система перестанет.

Влияние на стратегию назначения ставок

Такой подход позволяет выйти за рамки стандартной оптимизации. Вместо того чтобы оценивать все конверсии или клики как одинаковые, Custom Bidding помогает системе видеть, какие именно факторы сопровождали эту конверсию. Если покупка произошла с мобильного устройства и премиальной позиции, искусственный интеллект моментально считывает этот сигнал и перестраивает модель назначения ставок, чтобы покупать больше именно такого, наиболее конверсионного и качественного инвентаря.

Attention-based bidding

Современный медийный анализ все чаще отходит от оценки кликов в пользу измерения реальной вовлеченности аудитории. Стратегия Attention-based bidding в DV360 позволяет настроить алгоритм так, чтобы он покупал инвентарь, гарантирующий максимальное внимание пользователя к рекламному сообщению.

1. Контекст показа (Placement & User Context)

Эта категория сигналов описывает внешние условия, при которых происходит рекламный контакт. Они отражают, где и когда демонстрируется реклама, и полностью независимы от параметров самого креатива. К ним относятся:

• Время и геолокация
  Час суток (Hour of Day), день недели (Day of Week) и географическое положение пользователя (Geo).
• Техническая среда
  Операционная система (Operating System) и тип устройства (Device Type).
• Качество площадки
  Тематическая категория или канал сайта (Site category/Channel), а также конкретный домен (Site/Domain).

Эти данные помогают системе заранее прогнозировать потенциал вовлеченности – например, снижать ставки в часы наименьшей активности или на сайтах с низким уровнем удержания внимания.

2. Качество показа и метрики внимания (Attention Proxies)

Это ключевой блок для Attention-based моделей. Прокси-метрики внимания определяют качество показа с точки зрения того, имел ли пользователь физическую возможность заметить и воспринять рекламу. Сюда входят параметры, которые непосредственно влияют на видимость и взаимодействие:

• Видимость и звук
  Фактическая видимость баннера или плеера (Viewable) и наличие включенного звука во время воспроизведения видео (Audible).
• Время контакта
  Длительность нахождения рекламного объявления на экране устройства (Time on screen).
• Характеристики плеера и креатива
  Физический размер рекламного блока (Creative Size / Dimensions), масштабы видеоинтерфейса (Video Player Size), а также факт изменения размера окна пользователем (Video Resized).

Бизнес-ценность подхода

Сочетание контекстных сигналов и метрик внимания позволяет алгоритму DV360 рассчитывать вероятность качественного медийного контакта еще до момента ставки. Например, система видит, что показ планируется на десктопе, на премиальном домене, в крупном формате плеера и с высокой вероятностью удержания длительности воспроизведения.

Для Attention-based bidding такой набор сигналов является триггером наивысшей ценности показа. Алгоритм автоматически повысит ставку, чтобы выкупить этот качественный инвентарь, и наоборот – минимизирует расходы на показы, где реклама хоть и загрузится, но будет прокручена пользователем за долю секунды.

Conversion-based bidding

1. Использование всех данных о конверсиях для оптимизации

Главная идея заключается в том, что не все конверсии одинаково важны для бизнеса. Custom bidding позволяет фокусироваться на наиболее ценных для вас действиях пользователя, при этом не теряя из виду другие полезные конверсии.

2. Как это работает (на примере воронки Floodlights)

Вместо того чтобы оптимизироваться только под одно финальное действие или под все действия с одинаковым весом (как это обычно делает стандартное автоматическое назначение ставок), кастомный алгоритм учитывает всю структуру конверсий (в соответствии с настроенными тегами Floodlight):

• Лендинг (просмотр страницы) – базовое действие, имеющее наименьшую ценность (серый цвет). 
• Начало заполнения формы – действие, свидетельствующее о более высоком интересе (красный цвет). 
• Финализация заполнения формы – шаг за шагом к успеху (оранжевый цвет). 
• Успешная отправка формы – самая ценная конверсия (зеленый цвет).

3. Питание алгоритма машинного обучения (Сравнение с Auto bidding)

График справа четко демонстрирует разницу в объеме сигналов, которые получает алгоритм для обучения:

• Auto bidding (Стандартное автоматическое назначение ставок)
  Ориентируется преимущественно на один тип сигналов (например, только на успешную отправку формы). Из-за этого объем данных для обучения алгоритма очень мал (низкий зеленый столбик).

• CCustom bidding (Кастомные ставки)
  Собирает и интегрирует сигналы со всех этапов воронки (от лендинга до финальной отправки). Благодаря этому алгоритм машинного обучения получает значительно больший объем данных ( «столбик сигналов» становится выше и разнообразнее), что позволяет ему быстрее и качественнее обучаться, точнее прогнозировать результаты и эффективнее оптимизировать закупку инвентаря.

Процесс создания собственного алгоритма с использованием конструктора целей в UI DV360

Эффективность программируемых закупок (programmatic) напрямую зависит от точности оценки медийного инвентаря. В Display & Video 360 технология Custom Bidding позволяет рекламодателям отойти от стандартных кликов или конверсий и самостоятельно определять ценность каждого рекламного показа.

Как демонстрирует логика платформы, для реализации алгоритма оптимизации существуют два фундаментальных инструмента, которые удовлетворяют различные аналитические потребности бизнеса.

Нативный конструктор целей в интерфейсе

Первый подход базируется на использовании встроенного инструментария DV360 без необходимости написания кода. Он предназначен для быстрого моделирования ценности на основе имеющихся этапов воронки продаж.

Специалист непосредственно в интерфейсе платформы назначает весовые коэффициенты для различных активностей Floodlight. Это позволяет системе различать ценность простых действий (например, просмотр страницы продукта) и финальных транзакций. Данный метод является оптимальным выбором для классических кампаний в сфере электронной коммерции, где главная цель – оптимизация под взвешенные конверсии, максимизация текущего дохода или учет базовых данных об офлайн-продажах. Его ключевые преимущества заключаются в скорости настройки, прозрачности и отсутствии необходимости привлечения разработчиков.

Кастомные скрипты на языке Python

Для решения нестандартных бизнес-задач, которые выходят за рамки линейного взаимодействия с пользователем, DV360 поддерживает интеграцию кастомных скриптов, написанных на языке Python. Это инструмент корпоративного уровня для создания гибких моделей оценки инвентаря.

Использование кода позволяет заложить в алгоритм более 40 разнообразных параметров и функций, объединяя их с помощью условной логики. Этот метод необходим для оптимизации кампаний по сложным бизнес-метрикам, таким как расчетная чистая прибыль (маржа), пожизненная ценность клиента (LTV), глубокая вовлеченность на сайте на основе сигналов Google Analytics 4 или специфические бренд-метрики. Главное преимущество Python-скриптов – это практически неограниченная гибкость, которая позволяет обучать алгоритм выкупать только те показы, которые приносят реальную ценность бизнесу.

Принцип работы и обучение алгоритма

Независимо от выбранного инструмента – нативного конструктора или Python-скрипта – фундаментальная механика Custom Bidding работает по замкнутому циклу машинного обучения.

Сначала на основе заданных вами правил или кода система просчитывает индивидуальный скоринг, то есть определяет точную ценность каждого отдельного показа. После этого алгоритмы DV360 анализируют полученные данные, выявляют закономерности в характеристиках аудитории и площадок, формируя предиктивную модель. На финальном этапе обученная модель оптимизирует ставки в реальном времени, фокусируя бюджет на выкупе инвентаря с наивысшей прогнозируемой ценностью.

Таким образом, выбор между интерфейсом и кодом сводится к балансу между скоростью запуска и необходимой глубиной интеграции бизнес-данных в процесс медиазакупки.

Конструктор целей в UI DV360

Скрипт можно создавать на базе следующих основных метрик и сигналов:

1. Конверсии (Conversions)

Это ключевые сигналы для оптимизации ценности, которые упоминаются в тексте и интерфейсе:

• Данные Floodlight: использование тегов отслеживания действий на сайте (таких как просмотры страниц, начало или финализация заполнения форм, покупки).
• События Google Analytics 4 (GA4): интеграция кастомных событий, которые пользователь совершает на вебресурсе или в приложении.

Скрипт можно создавать на базе следующих основных метрик и сигналов:

• Конверсии (Conversions)
  Это ключевые сигналы для оптимизации ценности, которые упоминаются в тексте и интерфейсе:
  Данные Floodlight: использование тегов отслеживания действий на сайте (таких как просмотры страниц, начало или финализация заполнения форм, покупки).
  События Google Analytics 4 (GA4): интеграция кастомных событий, которые пользователь совершает на вебресурсе или в приложении.
  Кастомные переменные (Custom Variables): передача дополнительных динамических параметров вместе с конверсией (например, сумма чека, категория товара, тип клиента и т. д.).
• Клики (Clicks)
  Оптимизация и назначение ставок на основе сигналов, максимизирующих количество переходов пользователей на ваш целевой сайт или лендинг (в частности, использование логики правил для оценки «качества » или кликабельности отдельных показов).
• Показы и Узнаваемость (Brand awareness / Impressions)
  Использование медийных сигналов для увеличения видимости бренда и охвата более широкой аудитории (например, скрипт может учитывать видимость баннера – Viewability, длительность контакта с рекламой или показ в определенной премиальной категории инвентаря).

Как это объединяется в скрипте?

Процесс создания алгоритма предполагает построение логики оценки (Scoring). В скрипте вы прописываете правила и математические весовые коэффициенты (баллы) для каждого типа сигнала.

Пример логики скрипта:

• Если произошел простой показ или клик, ведущий на сайт $\rightarrow$ – присвоить показу 1 балл.
• Если пользователь перешел дальше и начал заполнение формы (сигнал микроконверсии) $\rightarrow$ – присвоить 20 баллов.
• Если зафиксирована финальная конверсия (покупка или успешная отправка формы из Floodlight/GA4) $\rightarrow$ – присвоить наивысшую ценность, например, 100 баллов.

Таким образом скрипт »объясняет » искусственному интеллекту DV360, за какие именно комбинации показов, кликов и конверсий стоит платить больше, чтобы выкупать самый ценный для бизнеса трафик.

Процесс создания собственного алгоритма

Внедрение Custom Bidding состоит из нескольких технических этапов, где каждый шаг влияет на финальную эффективность кампании:

• Определение цели и сбор сигналов
  Прежде всего, необходимо понять, какие действия пользователя наиболее коррелируют с прибылью. Для этого используются данные Floodlight, события Google Analytics 4 или кастомные переменные.
• Построение логики оценки (Scoring)
  Вы создаете скрипт, который говорит системе: «Если пользователь просмотрел 3 страницы сайта, дай этому показу 20 баллов; если он провел на сайте более 2 минут – 50 баллов». Также можно добавлять отрицательные коэффициенты для нерелевантных гео или устройств.
• Тестирование и обучение
  После загрузки скрипта системе требуется время на обучение. Обычно это занимает от нескольких недель, в течение которых алгоритм анализирует результаты аукционов и корреляцию между ставками и полученными «баллами » ценности.

При создании алгоритмов Custom Bidding на основе кастомных правил крайне важно определить, как именно система будет обрабатывать несколько сигналов, если они сработают одновременно во время одного показа. Для этого в коде скрипта используются три базовых метода агрегации, каждый из которых полностью меняет логику подсчета итоговой ценности инвентаря. Разработчику доступны следующие три способа подсчета финального балла:

1. Суммирование результатов (sum_aggregate)

Этот метод работает по принципу кумулятивного эффекта, когда все полезные действия пользователя или характеристики показа добавляются друг к другу. Скрипт анализирует весь набор заданных правил и суммирует баллы за каждое из них, которое оказалось успешным. Например, если во время показа сработали два разных правила (одно с ценностью 1, другое – с ценностью 1), алгоритм выдаст финальный результат 2. Такой подход является оптимальным, когда вам важно учесть каждую микроконверсию или дополнительный сигнал вовлеченности, накапливая общую ценность контакта с аудиторией.

2. Выбор максимального значения (max_aggregate)

Логика этого метода заключается в определении наиболее приоритетного и весомого события среди всех, что произошли в рамках одного рекламного показа. Вместо сложения баллов, скрипт сравнивает результаты всех сработавших правил и выбирает из них только одно – то, которое имеет наибольший вес. Если зафиксировано несколько сигналов с ценностями 0.8, 1 и 0.2, финальным баллом всего показа станет 1. Этот метод идеально подходит для кампаний с четко расставленными приоритетами, где достижение макроцели полностью нивелирует ценность промежуточных этапов воронки.

3. Первый успешный выигрыш (first_match_aggregate)

Этот способ базируется на жесткой иерархической структуре правил, где критическое значение имеет последовательность их выполнения. Алгоритм проверяет кастомные правила по очереди, сверху вниз, как они прописаны в коде. Как только система сталкивается с первым правилом, условия которого были выполнены, она присваивает показу его балл (например, 0.8) и полностью прекращает дальнейший анализ, игнорируя остальные триггеры ниже по списку. Данный метод используется для построения сложных каскадных моделей, где рекламодателю необходимо четко разграничить аудиторию или типы конверсий по первичному признаку взаимодействия.

Резюме для архитектуры кампании

Выбор метода подсчета непосредственно формирует поведение искусственного интеллекта DV360 на аукционе. Накопительный sum_aggregate заставит систему искать многовекторную вовлеченность, max_aggregate будет фокусироваться исключительно на самых дорогих действиях, а first_match_aggregate позволит жестко контролировать бюджет в соответствии с заданной вами иерархией сигналов.

Custom bidding на базе Google Sheets

Для многих медиабайеров и маркетинговых команд необходимость написания кода на Python становится главным барьером на пути к внедрению Custom Bidding. Чтобы решить эту проблему и автоматизировать процесс, существует официальное решение от Google, доступное на GitHub. Оно позволяет генерировать сложные алгоритмы назначения ставок с помощью привычного интерфейса Google Sheets.

Логика работы и архитектура инструмента

Вместо ручного программирования логики if/else, специалист заполняет стандартизированную таблицу, которая состоит из нескольких ключевых блоков:

• Блок идентификации (User Inputs)
  На начальном этапе указываются базовые параметры системы, такие как DV360 Partner ID и DV360 Advertiser ID. Здесь же с помощью выпадающего списка выбирается метод обработки данных (Aggregation Method), например, max_aggregate.
• Гибкие условия и весовые коэффициенты (Condition & Weight)
  Для каждого правила задается его порядковый номер и математический вес (например, 150, 100 или 50), который определяет ценность показа при выполнении условий.
• Конструктор логических выражений
  С помощью простых селекторов вы настраиваете связи между переменными. Вы можете комбинировать такие параметры, как клики (click), типы устройств (device_type), длительность нахождения на экране (time_on_screen_seconds), видимость (active_view_viewed) и геометрические размеры баннера (creative_width / creative_height). Для связи между несколькими сигналами используются стандартные логические операторы AND и OR.

Валидация и экспорт готового скрипта

После завершения настройки таблицы пользователю не нужно самостоятельно комбинировать переменные. Интерфейс содержит две функциональные кнопки, которые завершают процесс автоматизации:

• QA Script Inputs
  Запускает автоматическую проверку синтаксиса и логики настроенных вами правил, исключая риск возникновения ошибок во время выполнения будущего алгоритма.
• Final Script to Copy
  Генерирует финальный, полностью готовый к работе Python-скрипт. Специалисту остается лишь скопировать этот код в один клик и вставить его непосредственно в соответствующее поле в интерфейсе DV360.

Преимущества подхода для бизнеса

Использование GitHub-решения на базе Google Sheets позволяет масштабировать работу с кастомными стратегиями. Медиабайеры получают инструмент, который сочетает в себе простоту нативного конструктора целей и техническую мощность Python-скриптов. Это значительно сокращает время на разработку и тестирование новых гипотез, позволяя создавать многофакторные модели оценки трафика без привлечения программистов.

Методология тестирования эффективности Custom Bidding: Experiments в DV360

Любое внедрение новых технологий в автоматизации маркетинга требует строгой верификации. Когда речь идет о переходе на Custom Bidding, рекламодатели часто допускают ошибку, сравнивая результаты по принципу «период к периоду». Однако в динамичной среде програматика такой подход не является репрезентативным. На итоговые цифры слишком сильно влияют внешние факторы: изменение аукционного ландшафта, активность конкурентов, сезонные колебания спроса или даже обновления браузеров.

Чтобы получить чистый результат и понять реальное влияние кастомного алгоритма на бизнес-показатели, необходимо использовать научный подход. Единственным релевантным методом проверки гипотез в DV360 является запуск контролируемого A/B-тестирования через встроенный инструмент Experiments.

Этот функционал позволяет изолировать влияние стратегии назначения ставок от всех остальных факторов. Вы создаете две идентичные среды (тестовую и контрольную), где единственной переменной будет именно алгоритм биддинга. Только такой формат тестирования дает уверенность, что прирост ценности является результатом работы вашего скрипта, а не случайным стечением обстоятельств на рынке.

Вы разделяете свой инвентарь на две идентичные группы:

• Контрольная группа использует стандартную стратегию (например, Maximize Conversions).
• Тестовая группа работает на базе вашего Custom Bidding скрипта.

Такой подход позволяет увидеть чистый прирост (Lift) в ценности. Вы заметите, что хотя CPA в тестовой группе может быть идентичным или даже немного выше, общий доход (Revenue) или количество «тяжелых » конверсий (например, заказов с высоким чеком) существенно возрастает.

Эволюционный подход: от простого к сложному

Одним из крупнейших препятствий при переходе на кастомные стратегии является желание рекламодателя сразу создать «идеальный алгоритм », который учитывал бы десятки переменных. Однако практика показывает: попытка запустить «алгоритм-монстр » на старте часто приводит к нехватке данных для обучения ИИ.

Наиболее эффективной стратегией является постепенное усложнение модели. Это позволяет алгоритму стабильно обучаться, а команде – видеть реальное влияние каждой новой переменной на общий результат.

Этап 1: Взвешенная воронка (Weighted Conversions)

Первый и самый важный шаг – научить систему различать микро- и макроконверсии. Вместо того чтобы оптимизироваться только на финальную покупку (которой может быть недостаточно для быстрого обучения алгоритма), мы присваиваем «вес » или баллы каждому действию пользователя в рамках воронки.

• Просмотр ключевой страницы = 1 балл (сигнал интереса).
• Регистрация на сайте = 10 баллов (высокое намерение).
• Транзакция = 100 баллов (финальная цель).

Такая иерархия дает алгоритму DV360 огромный массив данных. Даже если транзакций немного, система видит тысячи «мелких » сигналов ценности и быстрее понимает, какой профиль пользователя с большей вероятностью дойдет до финала.

Этап 2: Использование u-variables (Custom Variables)

Как только модель на базе баллов стабилизировалась, пришло время переходить к интеграции реальных бизнес-метрик. На этом этапе мы используем кастомные переменные Floodlight (u-variables), которые позволяют передавать в скрипт специфическую информацию о событии.

Это позволяет алгоритму принимать решения на основе:

• Маржинальности: устанавливать более высокую ставку за покупку товаров с более высокой прибыльностью.
• Категории товаров: приоритезировать закупку трафика для новых коллекций или складских остатков.
• Статуса клиента: отличать новых пользователей от существующих, что критически важно для стратегий привлечения (Prospecting).

На этом уровне ваша реклама уже не просто ищет покупателей, а ищет выгодных покупателей.

Этап 3: Синергия с экосистемой Google Cloud

Это самый высокий уровень зрелости медиабаинга, где рекламная стратегия полностью сливается с бизнес-аналитикой. Используя интеграцию с BigQuery, вы можете загружать в DV360 сложные прогнозные модели.

Алгоритм получает доступ к данным, которые невозможно собрать только пикселем на сайте:

• Прогнозируемый LTV (Lifetime Value): система покупает показы объявлений пользователям, которые, согласно вашим данным, будут оставаться с брендом годами.
• Офлайн-данные: учет продаж в физических магазинах или через колл-центр для корректировки ставок в онлайне.
• Сложные модели атрибуции: оценка реального вклада каждого показа в многоканальную воронку.

Такая глубокая интеграция превращает DV360 в интеллектуальный центр, который покупает не просто трафик, а долгосрочную прибыльность для всего бизнеса.

Измерение эффективности и лучшие практики

Переход на Custom Bidding требует смены парадигмы оценки результатов. Если в стандартных кампаниях мы фокусируемся на стоимости действия (CPA), то в кастомных стратегиях главным ориентиром становится совокупная ценность (Total Value). Ключевой показатель успеха здесь – не то, насколько дешево мы купили конверсию, а то, насколько качественный и прибыльный «объем» этих конверсий мы получили за тот же самый бюджет.

1.Количественные метрики оцененных показов

• Impressions with custom value (Показы с кастомной ценностью):
  • Определение: Количество (#) показов, которым ваш скрипт присвоил любую ценность.
  • Примечание: Сюда входят показы с оценкой «0» и исключаются те показы, которые вообще не попали под логику скрипта.
• Impressions with positive custom value (Показы с положительной кастомной ценностью):
  • Определение: Количество (#) показов, которым ваш скрипт присвоил ценность более 0.
  • Примечание: Исключает показы с оценкой «0» и показы, которые не были оценены.

2. Метрики суммарной и относительной ценности

• Total impression custom value (Общая кастомная ценность показов):
  • Определение: Сумма значений ценности всех показов.
• % Impressions with positive custom value (% показов с положительной кастомной ценностью):
  • Определение: Отношение показов с ценностью более 0 к общему количеству оцененных показов.

3. Финансовые и стоимостные метрики

• Estimated total cost for impressions with custom value (Ожидаемая общая стоимость показов с кастомной ценностью):
  • Определение: Общая стоимость показов, которые попали под логику скрипта (в анализируемой валюте рекламодателя).
  • Примечание: Эту метрику можно сравнить с показателем Revenue в стандартных отчетах.
• Estimated CPM for impressions with custom value (Ожидаемый CPM для показов с кастомной ценностью):
  • Определение: Стоимость 1000 показов, которым была присвоена ценность.
  • Примечание: Сопоставимо с метрикой Revenue CPM в стандартных отчетах.

4. Метрики эффективности алгоритма

• Impression Custom Value / Cost (Кастомная ценность показа / Стоимость):
  • Формула: (Сумма ценностей показов) / (Ориентировочные общие расходы).
  • Примечание: Это ключевая метрика для непосредственной оценки эффективности работы вашего алгоритма.
• Impression Value per 1000 Impressions (Ценность показа на 1000 показов):
  • Формула: (Сумма ценностей показов) * 1000 / (Общее количество оцененных показов).

Синергия в рамках Google Marketing Platform

Полная интеграция продуктов GMP превращает Custom Bidding в автономную систему принятия решений. Данные, которые собирает Google Analytics, автоматически становятся топливом для DV360. Благодаря этому вы создаете бесшовный опыт: аналитика фиксирует нюансы поведения пользователя, а алгоритм в ту же секунду получает инструкцию, какую ставку сделать на следующем аукционе. Это превращает медиабаинг из механического процесса в стратегическое управление ценностью бизнеса.

Custom Bidding в DV360 – это логичный шаг для команд, которые уже исчерпали потенциал стандартных стратегий и ищут способы более глубокой оптимизации. Вместо того чтобы полагаться на базовые алгоритмы, вы получаете возможность самостоятельно определять приоритеты для ИИ. Это превращает медиабаинг из механического процесса закупки «кликов» в инструмент точечного инвестирования в наиболее прибыльных клиентов. Внедрение кастомных стратегий требует времени на подготовку и техническую экспертизу, однако этот путь обеспечивает стабильный рост ROAS и прозрачную аналитику. Вы начинаете покупать не просто показы, а реальную ценность, которую каждый контакт приносит вашему бизнесу.

CoobX, как официальный Google Marketing Platform Sales Partner, помогает брендам и агентствам интегрировать Custom Bidding в рекламные стратегии. Если вы готовы перейти к более сложным моделям оптимизации, наши специалисты помогут с технической настройкой, запуском и анализом первых результатов. Обратитесь к нам, чтобы получить консультацию и начать внедрение.

Материал подготовлен на основе вебинаров CoobX – официального GMP Sales Partner.