Дарья Дейн | Worldwide ads

Сегодня хочу поделиться с вами некоторыми результатами учеников «НейроДиректа».

А именно – сайтами, созданными в модуле по вайбкодингу. Что важно: это не просто красивые прототипы. Все сайты уже находятся в работе.

Татьяна
Всегда мечтала делать сайты, но с программированием не сложилось. Идя на курс Татьяна думала, что научится делать простенькие одностраничники на Тильде, а по факту собрала свой первый и сразу офигенный лендинг, который продала клиенту. С уникальным дизайном и интеграцией телеграм бота.
На лендинг уже запущена реклама и идут заявки, клиент доволен и заказал у Татьяны ещё один.
https://sapfir-orenburg.ru/detskaya-stomatologiya/

Дмитрий
Сделал сайт для существующего клиента, т.к. в последнее время снизилась конверсия и нужен был новый вариант для теста. Дмитрий предоставляет под ключ связку сайт + реклама.
http://centerobzora.ru/

Наталья
Создала сайт на основе успешной турбо страницы и продала клиенту за 20 000 руб.
https://gibkiy-kamen-59-client-preview-evr41zbbk.vercel.app/

Алексей
Делал сайт под клиента: необходимо было быстро собрать лендинг для А/В теста рекламной кампании.
Т.к. это тестовый вариант - покупать Тильду и что-то делать в платной версии не хотелось и бюджета под это не было. Алексей сделал сайт буквально за несколько часов со всеми доработками. Разместил на хостинге клиента.
https://domcsp.ru/

Нужен сайт, или связка сайт + реклама? – Смело обращайтесь к ребятам! Я рекомендую.

Хотите научиться также? – Покупайте запись курса «НейроДирект» со скидкой! И наконец-то:

⚫️Избавитесь от сайтоделов, которых месяцами надо уговаривать что-то поправить на сайте

⚫️Начнёте сами настраивать всю необходимую аналитику

⚫️Будете дополнительно зарабатывать на продаже сайтов клиентам

⚫️Сможете давать клиентам лучшие результаты по рекламе, благодаря быстрым изменениям сайта.

⚡️ Нейросеть делает следующий ход

Нейросети научились создавать объявления. Но пока в рекламные кабинеты интегрировались генераторы текстов и изображений, сами модели сделали ещё один шаг: научились лучше удерживать длинный разговор, разбивать сложную задачу на части и работать с данными из разных источников.

Теперь ИИ можно поручить не только сделать объявление, но и решить, по каким запросам его показать и на какую страницу сайта отправить человека после клика.

Начал меняться сам поиск. Google анонсировал AI Mode — режим, где человек может описать задачу целиком, получить ответ и продолжить разговор уточняющими вопросами. Чтобы ответить, система сама разбивает вопрос на части и делает несколько поисков по разным темам. Объявление в таком поиске может отвечать на конкретный вопрос о товаре прямо в ходе разговора.
Та же способность понимать задачу и работать с разными данными пригодилась и в рекламном кабинете.

В мае 2025 года Google представил AI Max для поисковых кампаний. Технология, где система изучает ключевые слова, объявления и страницы сайта рекламодателя и на основе этого находит подходящие запросы, которых нет в готовом списке, создает тексты объявлений с учётом запроса и выбирает посадочную страницу.

Рекомендации в кабинетах существовали и раньше. Но обычно специалисту приходилось самому изучать отчёты, искать причину изменений и решать, что делать дальше. Теперь часть этого пути можно пройти в разговоре с ИИ-помощником.

Google представил Ask Advisor — помощника, который анализирует данные, предлагает новые ключевые слова или объявления, рекомендует изменения ставок и бюджета.
В Яндекс Директе ИИ-помощник пока решает более узкие задачи: помогает собрать кампанию через диалог в «Простом старте», а в Директе Про кратко обобщает данные отчётов.

Это пока незрелые инструменты, но концептуальная перемена уже произошла: это сама идея «управления рекламой через чат». Хоть и до самостоятельного управления без человека здесь ещё далеко, разговор с рекламной системой теперь вполне может заканчиваться конкретным действием.

🔔 Генеративный ИИ врывается в рекламу

В 2022 году за пределами рекламы генеративные ИИ-модели стали доступны массовой аудитории. DALL·E создавала изображения по описанию, ChatGPT — связные тексты по запросу. Нейросети могли не только находить и сочетать готовое, но и предлагать новые варианты. Это стало следующим шагом эволюции в рекламе.

Узким местом в рекламе по-прежнему оставалось количество и качество креативов. Подготовка материалов требовала хорошего ТЗ и участия нескольких человек в цепочке от специалиста по рекламе до дизайнера. Генерация стала закрывать и этот пробел. Параллельно менялось и место подготовки рекламных креативов.

Осенью 2024 года Яндекс научил Мастер кампаний создавать по ссылке на сайт короткие видеоролики. А весной 2025-го в ЕПК появились нейрообъявления. Система теперь автоматически создавала до 25 ТГО.

В 2025 году Google собрал инструменты генерации в Asset Studio внутри Google Ads. А к 2026 работа с генерацией в Google Ads уже не сводится к просьбе «напиши заголовок». В Asset Studio можно задать рекламную задачу, загрузить изображения товаров и требования к стилю бренда, а затем получить сразу варианты текстов, изображений и видео.

Яндекс в 2025-м добавил в Директ ИИ-редактор: в нём можно создавать изображение по описанию и оживлять картинки, превращая их в короткие видео. А в 2026 расширил возможности нейрообъявлений. Вместо одной посадочной страницы системе можно передать целый раздел сайта, весь сайт или список страниц. Она отберёт подходящие страницы и создаст объявления для разных предложений.

Эта часть истории привела к тому, что нейросети интегрировались и стали частью рекламных платформ, наряду с подбором аудитории, назначением ставок и оценкой результатов.

📊 Ограничение трекинга и переизобретение конверсионных стратегий

Пока рекламные системы учились собирать кампании за человека, у них возникла новая проблема: ограничение трекинга. Исчезла возможность собирать данные на уровне отдельного пользователя

Как было построено обучение алгоритмов: система точно знала, что пользователь X увидел объявление в 10:03, кликнул в 10:05, зашёл на сайт с другого домена в четверг, а купил в субботу с телефона. Это была цепочка конкретных, проверяемых событий, привязанных к одному идентификатору — cookie.

Но с 2017 года начались ограничения в этой области. Браузеры стали ограничивать отслеживание между сайтами, а мобильные платформы — между приложениями разных компаний.

Для человека это означало больше контроля над своими данными. Для рекламных систем — пробелы в данных, на которых учились автостратегии:

⚫️Данные стали фрагментарными. Раньше вы видели всю цепочку целиком. Теперь только отдельные куски — где-то есть клик, но нет конверсии; где-то есть конверсия, но неизвестно, откуда пришёл пользователь.
⚫️Выборка сместилась. Данные собирались только по той части аудитории, которая дала согласие. А те, кто отказался от трекинга, систематически отличаются от тех, кто согласился (по возрасту, платформе, поведению) — значит, прямая экстраполяция «что верно для видимых 30%, верно и для всех 100%» работает плохо.
⚫️Часть конверсий стала принципиально нефиксируемой.

Рекламным системам нужно было быстро найти выход и они придумали замещение данных.

1) Агрегированные отчёты. Вместо данных по каждому пользователю система стала отдавать только агрегированные данные. Т.е. не «Вася кликнул и купил», а «группа из тысячи показов дала примерно 340 покупок» .

2) First-party данные рекламодателя — email, телефон, история покупок из CRM. Рекламодатель передает данные обратно в рекламную систему, где происходит их сверка с данными аккаунта, под которым человек залогинен (Google, Яндекс ID).

3) Моделирование конверсий — для той части аудитории, где данных нет вообще, платформа обучает статистическую модель на наблюдаемой части (тех, кто согласился) и достраивает вероятностную оценку для ненаблюдаемой части: «скорее всего, конверсий было на X% больше, чем мы реально увидели».

В итоге, цифры, которые вы сегодня видите в кабинете Google Ads, — это уже не чистый факт, а смесь наблюдаемых событий и статистической оценки того, что произошло, но не было зафиксировано напрямую.

Вот почему сегодня так важно передавать системе данные из CRM. Чем меньше сигналов вы отдаёте сами — тем больше системе приходится гадать за вас.

📄 Как алгоритмы научились собирать рекламные кампании

Получив от рекламодателя бизнес-цель, система уже могла определить, какие клики с большей вероятностью приведут к нужному результату. Но сама рекламная кампания по-прежнему оставалась в руках человека: подбор площадок, аудиторий, товаров, подготовка текстов объявлений, сбор и кластеризация семантики, построение структуры кампании. Настройка оставалась технически сложной и была прерогативой специалистов.

Это сдерживало огромный пласт небольших рекламодателей, которые не могли позволить себе нанять квалифицированного специалиста. А самостоятельно разбираться со ставками, таргетингами и десятками настроек рекламного кабинета не хотели. Поэтому рекламные системы закономерно начали двигаться в сторону упрощения запуска.

🚀 Первую серьёзную попытку убрать этот барьер Google сделал в 2011 году, запустив AdWords Express.

Инструмент предназначался для небольших локальных компаний, которые раньше не работали с контекстной рекламой. Владелец бизнеса указывал основную информацию о компании, писал объявление и задавал бюджет. Дальше система сама определяла, по каким запросам показывать рекламу, и автоматически управляла кампанией. Весь запуск занимал всего несколько минут.

⚫️В 2015 году Google пошёл дальше и запустил Universal App Campaigns. Та же логика заработала для продвижения мобильных приложений. Постепенно этот принцип распространился и на другие типы рекламных кампаний.

⚫️В 2021 году Яндекс запустил Мастер кампаний, который официально позиционировался как простой инструмент запуска рекламы для малого бизнеса.

Рекламодателю было достаточно указать ссылку на сайт, после чего система сама предлагала настройки, ключевые фразы, тексты объявлений и изображения.

⚫️В том же году Google сделал Performance Max доступной всем рекламодателям. PMax решала уже более широкую задачу: объединяла Поиск, КМС, YouTube, Discover, Gmail и Карты, позволяя алгоритму самостоятельно распределять бюджет между площадками для достижения лучшего результата.

При этом классические типы рекламных кампаний никуда не исчезли и зачастую оставались эффективнее новых упрощённых форматов.

Но у рекламодателей впервые появился исторический выбор: самостоятельно управлять всеми настройками или передать значительную часть работы алгоритмам.

📊 Как Яндекс научился узнавать пользовательские интересы

К 2011 году РСЯ уже знала, какие страницы открывает человек и что он недавно искал. Но интересов у одного пользователя могло быть много.

Одни сохранялись годами: профессия, увлечения, привычки.
Другие появлялись на несколько дней: выбор подарка, подготовка к отпуску или поиск новой стиральной машины.

Системе нужно было определить, какой интерес важен именно сейчас и какое объявление с большей вероятностью получит клик.

🧠 Для решения этой задачи Яндекс начал использовать две технологии: Матрикснет и Крипту.

Матрикснет прогнозировал вероятность клика. Эта технология машинного обучения сопоставляла содержание страницы, свойства объявления, интересы пользователя и результаты прошлых показов. Затем система сравнивала этот прогноз с ценой, которую предлагал рекламодатель, и выбирала наиболее выгодный вариант.

В результате два человека, читавшие одну и ту же страницу, могли увидеть разные объявления. Содержание страницы оставалось одним из условий показа, но уже не определяло его целиком.

Крипта анализировала рисунок поведения: какие запросы человек вводил, какие сайты посещал, когда выходил в интернет и к каким темам регулярно возвращался.

Сначала система изучала поведение людей, о которых уже было известно, что они относятся к определённой группе. Затем находила пользователей с похожими привычками и рассчитывала вероятность того, что они принадлежат к той же аудитории.

Если пользователь регулярно читал профессиональные материалы о рекламе, система могла отнести его к маркетологам. Если искал детские товары и пользовался сервисами для родителей — предположить, что у него есть ребёнок.

При этом Крипта учитывала, что интересы меняются. Увлечение спортом могло оставаться с человеком годами, а поиск отеля — закончиться сразу после поездки.

Со временем сведения Крипты стали одним из сигналов, которые Матрикснет использовал при отборе объявлений.

В 2013 году к предполагаемым интересам добавился ретаргетинг. Он использовал уже не прогноз, а известное действие, зафиксированное Метрикой.

Ретаргетинг знал, что человек заходил на сайт рекламодателя, смотрел конкретный тур, но ничего не купил. Так реклама начала учитывать не только общие интересы пользователя, но и его историю взаимодействия с конкретным бизнесом.

🎯 В 2019 году Директ выделил бесфразные алгоритмы РСЯ, которые работали уже много лет, в отдельную настройку автотаргетинга и сделал их работу видимой для рекламодателя.

Ключевая фраза перестала быть обязательным условием показа. РСЯ смогла сама определять, кому подходит объявление.

🌐 Появление РСЯ: как алгоритм научился показывать рекламу без запроса

Первая часть истории развития алгоритмов была посвящена рекламе на поиске. Ведь развитие систем контекстной рекламы строилось именно на этом: человек сам писал, что ему нужно.

Запрос «купить холодильник» не оставлял большого простора для фантазии. Системе оставалось выбрать подходящие объявления, расставить их по местам и решить, сколько списать за клик.

Из-за ограниченного количества рекламных мест за них годами шли настоящие войны. Рекламодатели повышали ставки, поисковики меняли правила аукциона. Но все эти изменения решали одну и ту же задачу: как распределить ограниченное количество поисковых показов между рекламодателями так, чтобы пользователи чаще кликали, а площадка больше зарабатывала.

🌍 Но интернет не заканчивался поиском.

Огромное количество людей читали новости, выбирали товары на сайтах, общались на форумах и изучали интересующие их темы, не вводя в этот момент никакого запроса.

Для рекламных систем это была огромная аудитория, которая оставалась за пределами поискового аукциона. И огромные деньги. Логично было научиться определять интерес этой аудитории без поискового запроса.

В 2003 году Google начал размещать контекстные объявления на сайтах партнёров, а спустя два года этот рынок появился и в России.

22 декабря 2005 года Яндекс открыл Рекламную сеть. Первыми участниками РСЯ стали AdMe.ru, Travel.ru и 3DNews.ru. На их страницах появились небольшие текстовые объявления Директа.

Но перенести объявления оказалось проще, чем перенести механику их отбора.

На поиске интерес человека был заключён в запросе. В РСЯ вместо запроса сначала попытались использовать содержание страницы. Так слово «контекстная» получило новый смысл.

На поиске контекстом был запрос. В рекламной сети — содержание страницы.

Но простого совпадения слов было недостаточно. В описании туристического отеля могли встретиться слова «холодильник» и «телевизор», а в статье о бытовой технике — название страны-производителя. Содержание страницы рассказывало, на что смотрит человек, но не обязательно объясняло, чего он хочет.

В 2007 году Яндекс начал тестировать поведенческий таргетинг, а в 2008-м технология стала частью РСЯ. Теперь система учитывала не только текущую страницу, но и прежние действия пользователя, в том числе историю поиска.

Контекстом постепенно становился уже не текст, а сам человек.

Для этого понадобились те самые массивы данных, о которых мы говорили в прошлом посте. Миллионы запросов, показов и кликов формировали историю поведения. Теперь эти данные нужно было сопоставлять с содержанием страницы, свойствами объявления и реакцией других пользователей.

Так РСЯ научилась подбирать рекламу не только по тому, что человек читает сейчас, но и по тому, чем он интересовался раньше.

Но чем больше становилось таких сигналов, тем сложнее было заранее определить, какие из них действительно влияют на результат. Системе нужно было находить закономерности в накопленных данных.

➡️ О том, как РСЯ перешла от истории поведения к модели самого пользователя, — в следующем посте.

📚 Курс «НейроДирект» завершён и я передаю слово участникам

8 недель, 8 модулей и большой путь: от грамотной постановки задач нейросетям до собственных ИИ-инструментов, автоматизации отчётности и работы с Яндекс Директом через API.

Когда я собирала программу, мне было важно выйти за рамки генерации текстов и объявлений. Поэтому на курсе мы прошли весь цикл работы директолога:

⚫️научились собирать контекст проекта, чтобы ИИ понимал бизнес, продукт и задачи клиента;
⚫️исследовали нишу, целевую аудиторию и конкурентов, считали юнит-экономику и медиапланы;
⚫️работали с офферами, посадочными страницами и креативами;
⚫️создавали собственные GPT-инструменты с инструкциями и базами знаний;
⚫️анализировали поисковые запросы, площадки РСЯ, срезы и данные сквозной аналитики;
⚫️подключались к Яндекс Директу через API, автоматизировали отчёты и собирали собственные рабочие системы;
⚫️разбирались с товарными фидами и учились вайбкодить лендинги с помощью ИИ.

Мне хотелось, чтобы после курса нейросеть стала понятным регулярно используемым рабочим инструментом. Чтобы участники знали, какую задачу ей поручить, какие данные передать и как использовать полученный результат в реальном проекте.

Спасибо каждому, кто прошёл этот путь вместе со мной: за доверие, вопросы, обратную связь и готовность пробовать новое💜

А отзыв о курсе можно оставить под этим постом 👇

🫸 Первый «бунт машин»

В прошлом посте мы уже возвращались в 2002 год. Тогда Google добавил к ставке CTR, и мы говорили о том, как релевантность стала частью экономики аукциона.

Но у этой формулы было ещё одно, гораздо менее заметное последствие. Впервые рекламная система начала принимать экономические решения на основании поведения миллионов людей. Каждый клик теперь не только приносил Google деньги, но и становился данными для следующих аукционов.

Чтобы сделать такой переход, одной новой формулы было мало. В начале нулевых менялся сам интернет. Каждый запрос, показ и клик оставлял запись. То, что раньше исчезало вместе с закрытым окном браузера, постепенно превращалось в историю поведения пользователей.

👣 Одновременно, благодаря развитию технологий, стало возможным хранить и обрабатывать огромные массивы данных за счёт их распределения между тысячами связанных компьютеров. Так накопленная статистика стала материалом для машинного обучения.

Системе давали данные о множестве прошлых показов вместе с результатом: кликнул человек или прошёл мимо. Она находила сочетания признаков, которые чаще приводили к клику, и по ним оценивала вероятность следующего.

В 2005 году появился Quality Score. Система использовала накопленную статистику, релевантность объявления и другие факторы, чтобы оценить будущую кликабельность.

Но прогнозировать клик было недостаточно. CTR показывал, какое объявление лучше привлечет внимание, но внимание не гарантировало деньги бизнесу.
_______________________________________________________

🤬 К этому моменту у рекламного клика уже появилась «биография». AdWords умел отслеживать конверсии с 2001 года, а в 2005-м Google сделал Analytics бесплатным. Теперь рекламодатель мог связать запрос, объявление и результат: человек кликнул, купил, оставил заявку или ушёл.

Оставалось дать прогнозу право распоряжаться деньгами.

24 сентября 2007 года Google запустил Conversion Optimizer.
Рекламодатель задавал максимальную стоимость конверсии, а система анализировала историю кампании, прогнозировала вероятность результата и сама рассчитывала CPC-ставку для каждого аукциона. За перспективный клик она могла предложить больше, за менее перспективный — меньше.

Это принципиально отличалось от биддера. Биддер быстрее человека выполнял заданное им правило и двигал ставку вслед за изменениями аукциона. Conversion Optimizer сначала пытался предсказать результат, а уже потом решал, сколько поставить.

Но к первому «бунту машин» допускали не всех.
Чтобы подключить инструмент, кампания должна была накопить не менее 300 конверсий за последние 30 дней. Для большинства рекламодателей это была недостижимая цифра. Машина уже умела принимать решения, но оставалась очень голодной до данных.

Так начался переход к машинному управлению: клик превратился в данные, данные — в прогноз, а прогноз — в ставку.

Подводим итоги конкурса

Друзья, для начала хочу от души поблагодарить вас за поздравления! Очень приятно в этот день получить столько добрых слов. Для меня это важно.

Что касается загадки, я, похоже, немного не докрутила подсказки) В следующий раз постараюсь лучше.

А сейчас разгадка такая: по знаку зодиака я Лев, но родись я в другом месяце – знак был бы другой. А максимально релевантное метафорическом льву место – это парк настоящих львов.

В этом году я еду в Подмосковный парк, где живут спасённые животные – Земля Прайда.

Таким образом, у нас есть два победителя с вариантами ответа «сафари-парк», что отражает суть места.

@Norka14 @alex300388 – поздравляю, вы выиграли! Я свяжусь с вами в личке для получения призов.

Всем остальным спасибо за участие и ещё раз спасибо за поздравления!

P.S. Не расстраивайтесь, совсем скоро у вас появится ещё одна возможность выиграть кое-что интересное)

Что ни день — новый ИИ-сервис

Сервисы наперебой предлагают аудит кампаний, поиск ошибок, генерацию объявлений, оптимизацию ставок и почти полностью автоматическое ведение Директа. Среди них наверняка есть полезные продукты. Но, на мой взгляд, большая часть рынку просто не нужна.

Вайбкодинг резко снизил порог входа в разработку. Директолог, который хорошо понимает свою работу, может открыть Codex, описать нужную логику обычными словами и за пару дней собрать похожий инструмент под себя. Уметь программировать для этого уже необязательно.

Но почти никто этого делать не будет.

Проще купить «классный сервис», чем потратить два вечера на собственный. Поэтому даже продукт, который дублирует уже доступную возможность или добавляет к ней небольшую надстройку, может годами продаваться и расти.

Достаточно хорошо его упаковать и убедить клиентов, что без него они теряют деньги. А в случае с ИИ сейчас это особенно просто: FOMO в самом разгаре.

И нет, это не значит, что тренд с ИИ можно пропустить. ИИ — уже не очередная новинка, а инструмент, которым скоро будет пользоваться весь рынок. Но это не делает автоматически полезным каждый сервис, к которому добавили буквы AI.

Поэтому сейчас важно не просто «внедрять ИИ», а понимать, за что именно вы платите: за реальную экономию времени и новый результат или за красиво упакованную функцию, которая и так была вам доступна. И вообще, за что стоит платить и что стоит научиться делать самостоятельно.

🔍 Зачем знать, каким был аукцион Директа 10 лет назад?

Кажется, что те времена давно канули в лету и вряд ли сейчас помогут чем-то, кроме ностальгии. Но, как известно, история циклична. И это касается не только «истории» в широком школьном смысле.

Я вот помню, как Алексей Довжиков, один из основателей eLama, вещал со сцены «Бизнес Молодости» об исключительности биддеров.
___________
При этом автоматическое управление ставками в виде Автоброкера уже существовало внутри Директа. Конечно, это были не одинаковые инструменты.

Автоброкер мог назначать ставку в пределах указанной рекламодателем суммы, а внешний биддер — повышать её, чтобы удерживать объявление на нужной позиции.
Т.е. нельзя сказать, что eLama вообще ничего нового не придумала. Но всё же это была относительно небольшая надстройка над функционалом, который уже существовал внутри рекламного кабинета.

И большинству рекламодателей эта надстройка, по большому счёту, была не нужна. Биддеры усиливали борьбу за позиции, разогревали аукцион и могли приводить к заметной переплате. Позволить себе такую стратегию могли далеко не все. Большинство компаний всё равно плюс-минус держались в одном диапазоне стоимости клика.
⚔️ Была даже целая движуха «трушных» директологов, которые пытались объяснить широкой аудитории ограниченную полезность биддеров)

Тем не менее, именно вокруг этой надстройки вырос большой и известный рынку продукт. Не потому, что без него невозможно было вести рекламу. А потому, что его правильно упаковали и предложили рынку в тот момент, когда идея постоянного контроля ставок казалась особенно важной.
Ну и, конечно, нужно отдать сервису должное за своевременную трансформацию из биддера в систему всестороннего управления рекламой.

Сейчас история отчасти повторяется. Но с сервисами другого направления...

🔔 Когда только ставки оказалось мало

Мы разобрали, как аукцион второй цены изменил стоимость клика и какие игры со ставками из него выросли.

В аукционе второй цены, система списывала с победителя сумму, которой хватало, чтобы удержать позицию, даже если его фактическая ставка была намного выше. Сам победитель по-прежнему определялся просто: кто поставил больше, тот и показывался выше.

И здесь рекламные системы столкнулись с новой проблемой.

Поисковик зарабатывает, когда пользователь кликает по рекламе. Если первое место заняло объявление с высокой ставкой, которое никому не интересно, площадка получает мало кликов и мало денег. А пользователь видит наверху рекламу, которая ему не подходит.

📈 В 2002 году Google снова изменил правила игры: добавил в формулу ранжирования второй показатель — CTR.
Система умножала ставку на CTR и по результату расставляла объявления. Чем выше получалось число, тем больше Google мог заработать с тысячи показов и тем выше поднимал объявление. Объявление с меньшей ставкой теперь могло обойти более дорогого конкурента, если люди кликали по нему чаще.

Обойти такого конкурента деньгами всё ещё было возможно, но стало очень невыгодно. Для этого приходилось задирать ставку, пока она не компенсирует слабую кликабельность. И любоваться первым местом, пока каждый клик съедал выгоду от этой победы.

Гораздо разумнее оказалось заняться самим объявлением. Рекламодатели переносили слова из запроса пользователя в заголовок и под разные формулировки писали разные тексты. Человек видел точный ответ на свой вопрос, чаще кликал, и хорошую позицию уже не приходилось выкупать любой ценой.

Так релевантность стала частью экономики аукциона.
На почти пустой странице поиска середины нулевых, новую логику было видно сразу. Человек набирал «доставка цветов», и в рекламной строке те же слова выделялись жирным. Взгляд цеплялся за знакомую фразу: реклама словно подхватывала вопрос, который он только что задал.

Сначала релевантность жила в самом объявлении. Позже поисковики включили в оценку и посадочную страницу. Так сложился привычный нам принцип: человек задаёт вопрос, объявление отвечает, сайт продолжает ответ.

Сегодня мы воспринимаем релевантность как заботу о пользователе, хотя правилом её сделали поисковики ради собственной выгоды: точные объявления чаще превращали показы в оплаченные клики.

🔣 Подпорки: как конкурентов заставляли платить втридорога

В прошлом посте мы остановились на том, что гонка ставок стала расчётливой. Вот вам самый известный приём той эпохи — подпорки. И породило их то самое «улучшение» аукциона из предыдущего поста.

Как работали подпорки:

1️⃣ Вы поставили 100 рублей — с запасом, чтобы вас точно никто не сместил. Реально в аукционе никто выше 50 не ставит, поэтому и платите вы 50.

В Директе была таблица цен по позициям: сколько стоит вход в спецразмещение, сколько — первое место, сколько — второе. И если кто-то сильно завышал ставку за первое место, цена в этой таблице резко поднималась у всех. Т.е. косвенно можно было определить, что кто-то поставил очень высокую ставку — как раз из расчёта перебить остальных, а заплатить по низкой ставке ближайшего конкурента.

2️⃣ Сосед снизу видит скачок и поднимает свою ставку с 50 до 99. Место у него не меняется, он как был вторым, так и остался. Платит он столько же — по ставке третьего.

3️⃣ А вот вы теперь отдаёте за клик не 50, а 99. Вдвое дороже за ту же позицию.

Дальше интереснее. Подпереть весь верхний блок мог даже тот, кто в него вообще не попал: рекламодатель снизу поднимал ставку — и цена вырастала сразу у всех наверху.

Смысл был простой: помочь расточительному конкуренту побыстрее потратить бюджет и освободить место. Кто-то не выдерживал и уходил из аукциона совсем.

Спасаться начали бид-менеджерами. Хотя в Директе для этого уже был свой механизм — автоброкер. Он понижал ставку до минимально достаточной, чтобы удержать место, и не давал переплачивать. В большинстве случаев его вполне хватало. Просто про него либо не знали, либо не понимали, как он устроен. Вот на этом непонимании и вырос весь хайп вокруг бид-менеджеров.

А с защитой от подпорок всё было намного проще. И бид-менеджеры тут были ни при чем.

Выход был в стратегии. Подпорки имели смысл только против тех, кто использовал стратегию «наивысшая доступная позиция» — т.е. гнался за показом на самом высоком месте любой ценой. А при использовании стратегии «показ в блоке по минимальной цене» подпирать вас было бессмысленно — вы все равно получали вход в спец размещение по самой низкой возможной цене.

Отсюда правило, которое актуально до сих пор: заоблачная ставка «чтобы всегда быть на первом месте» не даёт ничего, кроме необоснованных переплат). Намного выгоднее действовать по-умному, используя возможности системы.