Как я собрал ИИ-таргетолога: видит каждый доллар, гасит слабое объявление за день

У меня в команде есть маркетолог и таргетолог — живые люди, и хорошие. Но решение «гасить это объявление или лить дальше» они принимали по цене заявки и по чутью. А я хотел, чтобы его принимали по продажам с каждого доллара. Так я собрал ИИ-таргетолога.

Это не робот вместо человека. Это слой, который видит всю цепочку — от показа до оплаты — и показывает её команде каждое утро. Ниже — как я его собрал по шагам. Дорожка «собери сам с ИИ»: можно повторить.

ИИ-таргетолог не заменяет человека — он даёт ему глаза

Живой таргетолог видит рекламный кабинет: показы, клики, цену заявки. Дальше цепочка обрывается. Дошла ли заявка до звонка, пришла ли на пробное, заплатила ли — он не знает, потому что это уже не в кабинете, а в CRM и в переписках.

Поэтому решение «дешёвая заявка — лей туда» часто оказывается ошибкой: дешёвые заявки могут не покупать вовсе. ИИ-таргетолог бьёт живого не умом, а полем зрения — он видит доллар на входе и оплату на выходе одновременно. И считает это по каждому объявлению без выходных.

Сначала собрал расход, заявки и оплаты в один контур

Пока эти три вещи живут порознь, посчитать окупаемость нельзя в принципе. Расход — в рекламном кабинете. Заявки — в CRM. Оплаты — у бухгалтера в своей таблице. Чтобы свести их, кто-то должен сесть и вручную сопоставить строки. К моменту, когда свёл, — данные уже уехали.

Первым делом я завёл всё в одно место: каждый потраченный доллар, каждая заявка, каждая оплата — в один контур, который обновляется сам. Это фундамент. Без него все следующие шаги невозможны.

Научил систему понимать, какое объявление привело клиента

Это самый тяжёлый шаг. Заявка из Instagram или WhatsApp по умолчанию приходит без ярлыка — «просто написали в директ». Раньше честная привязка заявок к рекламе была видна на 31%. Остальное списывали в «Инстаграм, наверное».

Я дотянул её до 100%. Каждая заявка теперь несёт метку: какое объявление её привело, в какой кампании, с какого текста. Дальше эта метка едет вместе с заявкой по всей цепочке — звонок, пробное, оплата. Так доллар на входе встречается с оплатой на выходе.

Как именно это устроено под капотом — я разобрал отдельно: привязка заявок к рекламе 31→100% →

Поставил порог, по которому слабое объявление гаснет за день

Когда видна вся цепочка, появляется главное — правило. Порог, по которому система сама помечает объявление как убыточное: потратило заметную сумму, привело заявки, а продаж — ноль. Такое объявление незачем держать неделю «на всякий случай». Оно гасится, а его бюджет уходит туда, где доллар возвращается продажами.

Разница не в уме, а в скорости. Живой таргетолог заметит слабое объявление, когда накопится статистика и дойдут руки — это неделя. Система замечает за сутки, потому что смотрит каждый час и не устаёт.

А теперь — как это выглядит в цифрах. Слабое объявление красным, сильное зелёным. По цене заявки первое и второе почти не отличить — разница видна только на полной цепочке до оплаты.

Смотри на первые две строки. Расход почти одинаковый, цена заявки — тоже. Но «дешёвые заявки» дали ноль продаж, а «дорогая заявка» вернула почти восемь долларов на каждый доллар. Живой таргетолог по кабинету увидел бы победителем первое. Система видит правду.

ИИ читает переписки и звонки — и делает объявления точнее

Дальше начинается интересное. Раз каждая заявка привязана к объявлению, а к заявке подшиты переписка и звонок, ИИ читает их и понимает: чего родители боятся, что спрашивают первым, что их останавливает перед оплатой. По ~25 параметрам — от возраста ребёнка до фразы «а это не травмоопасно».

Это не догадки маркетолога о «нашей аудитории». Это то, что клиенты пишут своими словами. Так следующее объявление собирается не от балды, а под реальные страхи и желания тех, кто уже платит. Круг замыкается: реклама → заявка → разговор → снова реклама, но точнее.

Что не получилось с первого раза

Первая привязка была кривой. Заявки из WhatsApp прилетали без метки объявления, и я долго терял их в «неизвестном источнике» — потолок держался далеко ниже сотни. Пришлось отдельно учить систему сопоставлять номер и текст первого сообщения с объявлением. На это ушло время.

Второе — порог отсева я сначала поставил слишком резким. Система гасила объявления, которые просто не успели набрать статистику, и рубила нормальные заходы. Пришлось искать баланс: сколько дать объявлению «на разгон», прежде чем судить. Настройка заняла около двух недель.

И третье, честно: ИИ ошибается. Он может неверно привязать редкий случай или переоценить слабое объявление на малых числах. Поэтому цифры сверяются с CRM один в один, а финальное решение — гасить рекламу или масштабировать — остаётся за человеком. Система показывает правду, решает владелец.