Аналитические инструменты и AI/ML-подходы в российском рекламном рынке: текущее состояние и перспективы #

Контекст российского рекламного рынка в 2023–2024 годах #

Объемы и структура. Российский рекламный рынок в 2023 году пережил уверенный рост и достиг рекордного объема – около 730,7 млрд руб. (без НДС), что на ~30% больше, чем в 2022 году vedomosti.ru. Впервые более половины рекламных бюджетов пришлось на цифровые каналы. Так, объем интернет-рекламы оценивается в ~386,6 млрд руб. (+37% за год), то есть свыше 53% всех вложенийakarussia.ru. Видео-реклама (охватывает телевидение и онлайн-видео) заняла ~32% рынка – около 231,5 млрд руб. (+20%)akarussia.ru. Наружная реклама (OOH) выросла быстрее всех – на 41%, до 67,1 млрд руб. (примерно 9% доли)vedomosti.ru, главным драйвером стал цифровой OOH (+64%)vedomosti.ru. Радио выросло на 32% (до 19,5 млрд), а вот печатная пресса продолжила стагнировать (печатные издания ~4,6 млрд, –4%)akarussia.ru. Таким образом, структура рынка сместилась в пользу digital, хотя традиционные медиа (ТВ, радио, наружка) по-прежнему существенны.

Ключевые тенденции. Рекламная индустрия РФ прошла через кризис 2022 года (спад ~2% совокупно, особенно в интернет-сегменте) и в 2023-м восстановилась быстрыми темпамиvedomosti.ru. На динамику влияли несколько факторов: во-первых, экономическая адаптация к новым реалиям – после спада 2022-го многие рекламодатели вернулись на рынок, стимулируя рост бюджетов. Во-вторых, сказались изменения медиапотребления и уход иностранных игроков. После 2022 года аудитория изменила привычки – крупные зарубежные интернет-платформы (Facebook/Instagram*, некоторые DSP и др.) и медиа покинули рынок или были ограничены, и на передний план вышли отечественные площадки (например, ВКонтакте, Яндекс, Telegram и др.)adindex.ru vedomosti.ru. Этот импортозамещающий сдвиг открыл новые возможности для местных игроков и технологий – рынок ориентировался на внутренние разработки и партнерства с Востоком, активно заменяя ушедшие решенияsostav.ru. В-третьих, регуляторная среда сыграла значимую роль: с сентября 2022 в России заработал Единый реестр интернет-рекламы (ЕРИР) – государственная система учета всех онлайн-объявлений. В 2023 году данные ЕРИР впервые были использованы для оценки рынка, повысив прозрачность digital-сегмента и позволив точнее измерить локальные объемы интернет-рекламыtssonline.ru. Также продолжилось ужесточение требований к хранению данных (персональные данные россиян должны храниться на локальных серверах), что влияет на инструменты веб-аналитики и таргетинга.

Сравнение с глобальным рынком. Тренды в России в целом соответствуют мировым: повсеместно рекламные бюджеты смещаются в диджитал-каналы. Однако степень этого сдвига отличается. Глобально в 2024 году на digital уже приходится около 72–73% всех рекламных инвестицийdatareportal.com, тогда как в России доля digital-рекламы в 2023 году составила ~55%akarussia.ru. Иными словами, российский рынок пока сохраняет несколько более высокую роль традиционных медиа (в первую очередь телевидения), хотя разрыв сокращается. Структура digital-сегмента тоже специфична: если в мире лидируют глобальные платформы Google, Meta* и др., то в РФ основными каналами интернет-рекламы являются поисковые системы (прежде всего Яндекс, доля Google снизилась), социальные сети и мессенджеры отечественного происхождения (VK, Одноклассники, Telegram и др.), онлайн-видео платформы (YouTube все еще доступен, но растет Rutube и VK Видео), а также бурно развивается реклама на e-commerce платформах (маркетплейсы Ozon, Wildberries и т.п.). Последний сегмент, известный как Retail Media, стал новым драйвером – по оценкам, ~47% игроков рынка считают e-com самым перспективным направлением развитияsostav.ru. В плане подходов к аналитике российская индустрия стремится перенимать передовые методы, но учитывает локальные условия: например, больше внимания к сквозной аналитике в условиях отсутствия зарубежных end-to-end инструментов, использование локальных метрик и данных ЕРИР, а также необходимость работы с русскоязычными неструктурированными данными (отзывы, соцсети) с помощью отечественных NLP-технологий. В итоге, несмотря на санкции и ограничения, рынок рекламы РФ в 2023–24 гг. демонстрирует адаптивность: произошел скачок в цифровизации маркетинга, усиление роли отечественных AdTech/MarTech-решений и рост компетенций в области аналитики, что закладывает основу для дальнейшего развития.

Аналитические задачи и инструменты в рекламе #

Современный рекламный рынок опирается на множество аналитических задач – от оценки эффективности вложений до исследования восприятия бренда. Ниже перечислены ключевые задачи как для традиционных медиа, так и для digital, а также AI/ML-подходы, применяемые для их решения в российской практике. (Важно: речь идет именно об аналитике и измерениях, а не об инструментах закупки рекламы.)

Измерение ROMI/ROAS и эффективность кампаний. ROMI (Return on Marketing Investment) и ROAS (Return on Advertising Spend) – базовые метрики, показывающие окупаемость рекламных затрат. Задача аналитиков – правильно атрибутировать продажы/доход к рекламным активностям, чтобы рассчитать ROMI. В России, как и в мире, применяется подход сквозной аналитики: собираются данные от рекламного контакта до продажи (например, в онлайн-ретейле отслеживается путь пользователя). Однако из-за ограничений отслеживания (например, отсутствие данных от ушедших платформ, повышение внимания к privacy) напрямую посчитать окупаемость бывает сложно. Поэтому на помощь приходят статистические модели – например, marketing mix modeling – или эксперименты. В крупных компаниях ROMI считают с помощью регрессионных моделей, оценивающих вклад каждого канала в продажи habr.com, либо с помощью контролируемых A/B-тестов (измеряют прирост продаж в тестовой группе, видевшей рекламу, над контрольной группой). AI-инструменты ускоряют сбор и обработку данных для ROMI: используются автоматизированные дашборды и алгоритмы выявления аномалий, позволяющие в режиме реального времени видеть, какие кампании окупаются. В России популярны решения на базе BI-систем (PowerBI, Tableau) в сочетании с Python/R-скриптами для расчета ROMI. В условиях 2023 г., когда бюджеты ограничены, такую эффективность требуют практически все рекламодатели.
Маркетинг-микс моделирование (MMM). Это методология оптимального распределения бюджета между каналами, основанная на эконометрике и ML. MMM анализирует исторические данные о расходах и продажах, чтобы количественно оценить влияние каждого канала (ТВ, радио, поиск, соцсети и т.д.) на результирующие метрики (продажи, лиды) habr.com habr.com. В основе классического MMM – множественная регрессия, учитывающая как рекламные факторы, так и внешние (сезонность, цены, макроэкономика) habr.com habr.com. Модели усложняются нелинейными функциями отклика, лагами (отложенным эффектом рекламы) и эффектом насыщения. В 2023 г. интерес к MMM в России вырос, поскольку cookie-less тренды и уход некоторых трекеров затруднили персональное таргетирование – компании обращаются к агрегированным моделям. Крупные рекламодатели (банки, ритейл, FMCG) либо привлекают консультантов, либо строят собственные MMM с помощью ML-библиотек (например, scikit-learn, TensorFlow для более сложных моделей). Некоторые используют open-source решения (в глобальной практике известна, например, Facebook Robyn, в РФ ее тоже тестируют энтузиасты). Выходные данные MMM – это вклад каждого канала в продажи и оптимальная доля бюджета. Так, используя регрессию, можно рассчитать, что, скажем, ТВ-реклама дает X% объема продаж, а digital – Y%, и далее пересчитать ROI по каналам. Благодаря этому маркетологи получают научно обоснованные рекомендации по перераспределению бюджета, вместо интуитивного планирования. Стоит отметить, что в России внедрению MMM иногда мешает недостаток качественных данных (особенно по офлайн-эффектам) и консерватизм части рекламодателей, но ситуация улучшается – растет число кейсов, подтверждающих ценность такого анализа.
Атрибуция и пути клиента. В digital-среде важна задача атрибуции конверсий – то есть распределения “заслуги” за целевое действие между разными рекламными контактами пользователя. Традиционные подходы (first-click, last-click) недостаточно справедливы, поэтому используются алгоритмические модели атрибуции. В мире и РФ распространены Markov chains и Shapley value – методы из теории вероятностей и игр, примененные к маркетингу databricks.com. Марковская атрибуция строит вероятностную модель путей пользователя и рассчитывает удаление канала (removal effect): насколько снизится конверсия, если убрать данный канал из цепочки. Метод Шепли распределяет ценность конверсии на основе предельного вклада каждого канала, перебирая все комбинации. Эти data-driven подходы реализованы как в готовых аналитических платформах, так и кастомно (например, с помощью Python-скриптов аналитиков). В России, с учетом локального ландшафта, атрибуцию часто делают внутри отдельных экосистем: к примеру, Яндекс Метрика предлагает многоканальную атрибуцию (модели “последний значимый переход”, позиционная и др.), VK Рекламный кабинет показывает свою атрибуцию на действия в VK и др. Сквозная атрибуция по всем каналам осложнена тем, что нет единых идентификаторов между платформами (куки от третьих лиц уходят, а единый ID от ЕРИР пока недоступен бизнесу). Поэтому набирают популярность гибридные решения: использование UID пользователей внутри CDP (Customer Data Platform) и продвинутые математические модели. Например, крупный e-com может связать данные о пользователях (email/телефон) с их рекламными касаниями через собственную CDP и далее обучить модель (скажем, градиентный бустинг) предсказывать вероятность конверсии от каждого канала. Итог – более точное распределение заслуг между рекламными каналами и оптимизация медиамикса с учетом реального вклада каналов, а не простых правил.
Сегментация аудитории и таргетинг. Классическая маркетинговая задача – разбить аудиторию на группы, чтобы персонализировать коммуникацию. Сегодня это реализуется через кластерный анализ и ML-сегментацию. В наличии больших данных о поведении пользователей (веб-аналитика, CRM, социальные сети) позволяет применять алгоритмы кластеризации (k-means, DBSCAN, иерархические алгоритмы и др.) для поиска однородных групп потребителей. Например, анализ интернет-поведения может выделить кластеры: «люди, активно ищущие скидки», «постоянные премиум-покупатели», «новые молодые клиенты» и т.д. rbcgrp.com. Кластерный анализ считается эффективным инструментом для улучшения клиентского опыта и экономии бюджета rbcgrp.com – за счет того, что маркетинг может адресно работать с каждым сегментом. В России ML-сегментация широко используется крупными рекламодателями и площадками. Так, Yandex.Audience предоставляет сервис look-alike на основе данных Яндекса: рекламодатель загружает список своих лучших клиентов, а алгоритмы (вероятно, на основе градиентного бустинга или нейросетей) находят в интернете схожих по поведенческому профилю людей. VK и Mail.ru Group тоже имеют сегментационные инструменты для таргетинга. Помимо поведения, используется и геосегментация (например, сегмент «жители спальных районов vs. центра» для наружной рекламы) и RFM-анализ транзакций. Из инструментов аналитики данных, помогающих сегментации, популярны Python-библиотеки (pandas, scikit-learn), а также специальные решения в облаках (Google BigQuery ML, СберCloud ML и пр.). Сформированные кластеры интегрируются в DSP/рекламные кабинеты для таргетинга. Пример российского кейса: агентство провело кластеризацию клиентов банка и обнаружило сегмент молодых пользователей, которых эффективнее привлекать через TikTok/VK, и отдельно кластер «ценители распродаж», на который нацелили спецпредложения – в результате повысилась отдача кампаний rbcgrp.com. Таким образом, AI упрощает и ускоряет сегментацию, делая ее динамичной (обновляемой по мере поступления новых данных) и более тонкой, чем ручное деление по соц.-дем характеристикам.
Brand lift и бренд-аналитика. Помимо performance-показателей, рекламодатели следят за брендовыми метриками: узнаваемость, знание, лояльность, «тональность» бренда в отзывах и пр. Brand Lift-исследования обычно строятся как эксперимент: часть аудитории видит рекламу, часть – нет, потом опрос или замер показывает разницу в показателях (lift). Такие эксперименты проводят площадки (например, YouTube Brand Lift, VK проводит опросы среди охваченной рекламы аудитории) и исследовательские компании. В России крупные интернет-площадки предлагают Brand Lift как услугу для рекламодателей. Аналитики, получив данные (например, +5 пунктов к знанию бренда среди тех, кто видел рекламу), используют статистические модели для оценки значимости и экстраполяции на всю аудиторию. AI может усилить бренд-аналитику за счет обработки неопросных данных – здесь входит анализ соцсетей, упоминаний в медиа, отзывов, поисковых трендов. Например, после большой кампании можно собрать массив твитов/постов о бренде и применить NLP-модели для тонального анализа (Sentiment Analysis), чтобы понять, улучшилось ли восприятие бренда. Также с помощью кластеризации тематики упоминаний можно выявить, с чем ассоциируется бренд до и после кампании. В РФ существуют инструменты социальногоListening-а – например, платформа Brand Analytics широко используется для мониторинга русскоязычного инфополя. Она применяет алгоритмы обработки текста (в т.ч. на базе нейросетей) для определения тональности сообщений (позитивное/негативное), выделения упоминаемых продуктов, персонификации авторов и т.д. Автоматизированный анализ тональности теперь достаточно точен: современные системы используют машинное обучение и обработку естественного языка, позволяя обрабатывать огромные массивы текста – от отзывов на маркетплейсах до комментариев в VK ru.wikipedia.org. Например, после показа нового рекламного ролика на ТВ, аналитики могут собрать комментарии на YouTube/VK и с помощью ML определить долю позитивных реакций и основные эмоциональные триггеры. В телевизионной рекламе бренд-метрики измеряют через пост-кампейн опросы (их проводят такие компании как Mediascope или сами рекламодатели через онлайн-панели). Здесь AI может помочь на этапе подготовки вопросов (генерация формулировок с помощью языковых моделей) и анализе открытых ответов (классификация тем ответов NLP-моделями). В целом, брендовая аналитика становится все более данными-ориентированной: метрики бренда привязывают к бизнес-показателям, и с помощью статистических моделей пытаются объяснить, как рост узнаваемости конвертируется в рост продаж. Это сложная область, но AI/ML постепенно позволяют находить скрытые зависимости, например, используя регрессионный анализ с лагом (чтобы оценить долгосрочный эффект рекламы на бренд и последующие продажи).
Анализ креативов и визуального контента. Отдельно стоит отметить применение Computer Vision (CV) в рекламной аналитике. Задачи: понять, как именно визуальные материалы влияют на аудиторию, и как измерить видимость бренда в контенте. С помощью CV сегодня можно автоматически распознавать объекты и логотипы на изображениях и видео. Это открывает возможности, например, для анализа спонсорских интеграций: системы автоматического распознавания логотипов позволяют посчитать, сколько раз и на какое время бренд попал в кадр (например, в спортивной трансляции или клипе) medium.com. Такие AI-инструменты уже используются в спонсорском маркетинге: компания загружает запись мероприятия, алгоритм на основе нейросети для object detection находит все появления логотипа бренда на экране, и в итоге маркетолог получает точный отчет о реальной экспозиции бренда (GRP в секундах/пикселях) вместо грубых оценок medium.com medium.com. В digital-видео рекламах (например, на YouTube) аналитики могут с помощью CV оценивать внимание к креативу – например, отслеживать, присутствует ли логотип/продукт в первые 5 секунд ролика, чтобы коррелировать это с метриками досмотра и клика. Еще одно применение CV – контент-анализ баннеров: алгоритмы могут классифицировать баннеры по визуальным свойствам (цветовая гамма, наличие лица, текст на изображении и т.д.) и связать это с CTR/конверсиями. Таким образом выявляются креативные инсайты: какие визуальные элементы работают лучше для той или иной аудитории. В России подобные исследования проводятся крупными игроками – например, онлайн-рітейлер может проанализировать каталожные баннеры с помощью CV и выяснить, что фото товара на белом фоне дают меньше кликов, чем фото товара в интерьере, и скорректировать контент. Кроме того, CV помогает обеспечивать бренд-безопасность: автоматическая модерация рекламных креативов (выявление запрещенных образов, экстремистских символов и пр.) тоже использует компьютерное зрение. Наконец, на стыке CV и NLP есть задача оценки восприятия визуалов: современные многомодальные модели (Vision-Language) способны по изображению генерировать текстовое описание, близкое к тому, как его описал бы человек. Это можно применять, например, чтобы понять, какие эмоциональные реакции может вызвать рекламный визуал – модель описывает сцену и эмоции персонажей, давая подсказку к восприятию. Пока это скорее эксперименты, но уже возможно представить, что VLM (Visual Language Model) покажут рекламное объявление, и она ответит: «На этом изображении улыбающаяся семья в новом автомобиле, создается ощущение счастья и домашнего уюта». Для маркетолога такие выводы AI могут быть полезны при отборе креативов и формулировке гипотез для тестирования.

(Примечание: Meta Platforms, владеющая Facebook и Instagram, объявлена экстремистской организацией и ее деятельность запрещена в РФ.)

Роль LLM и VLM в аналитике рекламы #

Большие языковые модели (LLM) и связанные с ними мультимодальные модели (VLM) открыли новые возможности для анализа данных в маркетинге. В российских реалиях 2023–2024 гг. эти технологии только начинают внедряться, но потенциал их применения в рекламной аналитике очень высок. Ниже рассмотрим текущее использование и перспективные сценарии:

Анализ текстовых данных и отзывов. LLM, подобные GPT-4, способны «понимать» и генерировать тексты на человеческом языке. Для маркетинговой аналитики это значит, что машина может прочитать тысячи отзывов или упоминаний бренда и выделить ключевые инсайты в считанные минуты. Например, анализ тональности, о котором говорилось выше, традиционно строился на алгоритмах классификации, а LLM могут подойти к задаче гибче. Модель может суммировать отзывы пользователей на продукт после рекламной кампании и ответить, в чем основная похвала и основная критика. В российской практике уже есть примеры использования GPT-моделей для анализу соцмедиа: благодаря хорошему пониманию контекста русскоязычных текстов, большие языковые модели могут более тонко определять сарказм, скрытые эмоции, намерение автора – того, с чем базовые алгоритмы справлялись хуже. Кроме того, LLM могут автоматически проводить тематическое моделирование – без заранее заданных категорий выявлять основные темы обсуждения бренда в сети. Например, автопроизводитель может получить от модели вывод, что «пользователи чаще всего обсуждают дизайн салона и расход топлива после просмотра нашей рекламы, причем тональность нейтрально-положительная».
Генерация отчетов и интерпретация данных. Сильная сторона LLM – способность генерировать связанный текст по заданным данным. Это находит применение в автоматизации аналитических отчетов. Представим, маркетинговый отдел получает регулярные дашборды с десятками метрик (CTR, конверсии, охваты, продажи и т.д.) за период. Аналитик обычно вручную пишет отчеты, интерпретируя, почему вырос CTR или упали продажи. Сегодня возможно поручить первичный черновик ChatGPT-подобной модели: она подключается к данным (например, через настроенный плагин или выгрузку в текст) и сама составляет описание результатов – какие каналы выросли, где просели, какие аномалии. Уже в 2024 г. отмечалось, что ChatGPT стал одним из самых популярных AI-инструментов у рекламных агентств в России sostav.ru. Это подтверждает тренд: рутинную подготовку презентаций и отчетности постепенно берут на себя нейросети. Конечно, итоговый текст проверяется человеком, но экономия времени очевидна. Помимо отчета о фактах, LLM могут давать рекомендации: обученная на маркетинговых данных модель может подсказать, например, «Рост CPA в канале X может быть связан с увеличением ставки – стоит проверить настройки бюджета». В российских компаниях такие решения пока экспериментальны, но некоторые крупные рекламодатели уже создают внутренних чат-ботов для маркетологов, которые на основе подключенных данных организации отвечают на запросы на естественном языке («Какой был ROMI по кампании Y?» или «Что повлияло на снижение продаж в регионе Z?»). Благодаря развитию отечественных языковых моделей (например, семейство моделей SberGPT от Сбера, «GigaChat» и др.), появляется возможность развернуть такие системы on-premises, не нарушая требования безопасности данных.
Продвинутый sentiment analysis и эмоциональная аналитика. LLM показали способность разбираться в контексте гораздо лучше узкоспециализированных моделей. Например, если пользователь пишет: «Ну класс, еще одна реклама — как же я рад», обычный алгоритм мог бы посчитать это позитивным (по ключевому слову «рад»). LLM же, понимая сарказм, определит негатив. Такие нюансы важны для анализа реакции аудитории на рекламу. ВКонтакте и другие площадки, вероятно, начнут внедрять ML-модели нового поколения для оценки комментариев на рекламные посты, чтобы бренды получали честную картину восприятия. Vision-Language модели (типа CLIP, GPT-4V) позволяют также оценивать эмоциональный отклик на визуал – например, по фотографии с камер наблюдения на digital-стенде в торговом центре можно попытаться определить выражение лица людей, когда они видят рекламу (хотя тут и этические границы, и точность пока далеки от идеала). Но в контролируемых условиях (фокус-группы) уже используют распознавание эмоций: люди смотрят рекламный ролик, а AI анализирует видео их лиц, фиксируя улыбки, внимание по взгляду и т.п. Такие технологии присутствуют на рынке (например, в инструментах типа Affectiva), и крупные рекламодатели в России через партнеров могли их применять для тестирования видеокреативов.
Помощь в медиапланировании и оптимизации. LLM могут выступать в роли своего рода «эксперта-консультанта». Маркетолог может «спросить» у модели: «Как лучше распределить бюджет между каналами, если моя цель – повысить узнаваемость среди молодежи?». Модель, обученная на огромном корпусе маркетинговых знаний, конечно, не даст гарантированно правильный ответ, но может сгенерировать список идей: больше видеорекламы на YouTube и TikTok, использовать инфлюенсеров, меньший упор на прессу и радио и т.д. Подобные советы раньше давали люди-эксперты, теперь их частично может сгенерировать нейросеть, особенно если она снабжена актуальными данными по медиапотреблению. В РФ появятся локализованные решения: например, на базе отечественной LLM обучат специального ассистента медиапланнера, учитывающего специфику наших площадок (VK, Rutube и т.д.). Также уже сейчас языковые модели могут автоматизировать рутинные операции в рекламе: написать вариации рекламных текстов, придумать заголовки для A/B тестирования, подстроить сообщения под разный тон-of-voice сегментов аудитории. Хотя это больше относится к генерации контента, а не к аналитике, граница размыта – быстрый подбор эффективного сообщения через тестирование множества сгенерированных вариантов также повышает эффективность рекламы.
Кейс: Естественный язык для доступа к данным. Перспективное направление – интеграция LLM в интерфейсы аналитических платформ. Например, сотрудник, не владеющий SQL, сможет спросить у системы: «Сколько у нас было новых пользователей с рекламы в Яндексе за прошлый месяц по регионам?», и LLM-приложение, связанное с базой, само составит SQL-запрос, получит данные и выдаст ответ в текстово-графической форме. Уже сейчас некоторые BI-системы внедряют такие возможности. В условиях нехватки аналитиков это особенно актуально: бизнес-пользователи смогут самостоятельно получать инсайты в диалоге с AI, без ожидания отчетов.

Таким образом, LLM/VLM начинают играть роль интеллектуального помощника в рекламной аналитике. В 2023 году многие российские агентства и компании экспериментировали с ChatGPT и аналогами – кто-то для генерации креативов, кто-то для анализа данных. По оценкам, ~30% игроков рынка уже считают ИИ наиболее перспективным направлением развития отрасли sostav.ru. Пока существуют ограничения (англоязычные модели не всегда идеально понимают русский контекст; есть риски утечки данных при использовании публичных API; модель может «галлюцинировать» – давать неправдоподобные выводы), поэтому прямое доверие должна подкреплять экспертиза человека. Но потенциал LLM/VLM для повышения эффективности рекламной аналитики огромен: от сокращения времени на отчетность до находки новых инсайтов, которые сложно обнаружить традиционными методами.

Перспективы и выводы #

Зрелость и специфика аналитики в РФ. К 2024 году в российском рекламном рынке сформировалась довольно богатая экосистема аналитических решений. Digital-сегмент в целом отличается высоким уровнем измеримости: практически каждая онлайн-кампания сопровождается метриками кликов, показов, конверсий; есть отлаженные инструменты веб-аналитики (Яндекс Метрика, сторонние системы), сквозной аналитики (например, CoMagic, Roistat для малого бизнеса) и BI-платформы в крупных компаниях. Аналитика традиционных медиа тоже развивается – ТВ измеряется панелью Mediascope, наружная реклама имеет посткампейн аудит измерений, пресса и радио – свои исследования аудитории. Тем не менее, зрелость использования продвинутых AI/ML-подходов пока неравномерна. Топ-рекламодатели (из сфер телеком, финансы, e-com) и ведущие рекламные группы уже внедрили в работу многие описанные методы: строят MMM-модели, считают атрибуцию не только по last-click, занимаются data science-проектами для сегментации и прогнозов. У них зачастую есть собственные Data Science команды или партнерства со стартапами/консультантами. В то же время значительная масса средних и мелких рекламодателей все еще находится на этапе освоения базовой сквозной аналитики (связывание данных из разрозненных каналов) и опирается на инструменты платформ (отчеты MyTarget, Google Analytics и пр.). Причины – ограниченные ресурсы, недостаток экспертизы, а иногда и недоверие к сложным моделям. Российская специфика – относительно низкий порог входа: многие технологии доступны в opensource или через местных интеграторов. Например, даже небольшое агентство может настроить визуализацию данных в PowerBI и воспользоваться библиотеками Python для простого анализа – кадров с нужными навыками на рынке достаточно. С другой стороны, геополитические ограничения привели к тому, że часть глобальных сервисов ушла (Google Analytics 4 хоть и работает, но официально не поддерживается; Adobe Marketing Cloud прекратил поддержку клиентов из РФ и т.п.), поэтому локальным компаниям пришлось ускоренно искать альтернативы. Это вызов, но и стимул развивать отечественные решения.

Драйверы развития. В ближайшие 3–5 лет можно ожидать следующие факторы, стимулирующие развитие аналитики и ИИ в рекламе РФ:

Рост конкуренции и потребность в эффективности. Рынок хоть и восстановился, но бюджеты теперь распределяются внимательнее, акционеры требуют отдачи от маркетинга. Это заставляет все больше компаний вкладываться в точные измерения ROI и оптимизацию каналов – а значит, рано или поздно прийти к ML-инструментам (чтобы выжать максимум из данных). Бизнес понимает: кто лучше владеет данными, тот выигрывает на рынке.
Развитие Retail Media и новых каналов. Бурный рост рекламы на маркетплейсах, в Telegram-каналах, внутри smart TV приложений и т.д. потребует новых подходов к аналитике, т.к. традиционных стандартов там нет. Например, маркетплейсы предоставляют продавцам данные о продажах и показах, но связывать их с внешними кампаниями сложно – это вызовет спрос на модели атрибуции и MMM, учитывающие розничные медиа. Появление новых форматов (AR-реклама, геймифицированная реклама) тоже подтолкнет развитие специальных метрик и алгоритмов для оценки их эффективности.
Технологический прогресс и доступность AI. С каждым годом инструменты ИИ становятся доступнее: много открытых библиотек, облачные сервисы (включая российские облака) предлагают AutoML-функционал. Государство (через инициативы вроде Национальной стратегии ИИ) тоже поддерживает развитие AI. Крупные компании (Сбер, Яндекс, VK) инвестируют в свои модели. Все это ведет к тому, что барьер для внедрения ML-проектов снижается. Если вчера атрибуционный анализ с цепями Маркова требовал команды data scientists, то завтра это будет “из коробки” функция в популярной Martech-платформе.
Господдержка и регуляторика, стимулирующая прозрачность. ЕРИР, по замыслу, сделает рынок интернет-рекламы более прозрачным по данным – участники получают обезличенную статистику, которой раньше не было. Если эти данные (в агрегированной форме) станут шире доступны индустрии, это поможет лучше калибровать модели и оценивать медиа показатели. Кроме того, возможное введение единой измерительной системы (о чем говорят для интернет-рекламы, аналогично ТВ) могло бы унифицировать метрики и снизить фрагментацию данных.

Барьеры и проблемы. Наряду с драйверами, есть и препятствия:

Ограничение данных и «закрытые экосистемы». Мировой тренд ограничения трекинга затрагивает и Россию: борьба с third-party cookies, анти-трекинг в iOS (ATT), ужесточение политики браузеров – все это уменьшает объем доступных данных о пути клиента. К тому же крупные игроки (экосистемы) не спешат делиться данными друг с другом. В итоге построение единого клиентского пути становится сложнее технически. Без достаточных данных сложные модели могут быть неточны.
Кадровый дефицит и отток специалистов. Для успешной аналитики нужны квалифицированные кадры – аналитики, data science специалисты, инженеры. В России ощущается нехватка опытных профессионалов на стыке маркетинга и данных. Частично эта проблема смягчается образованием (много курсов, специалистов выпускают вузы), но конкуренция с финтехом и IT за талант высока. Дополнительно, геополитическая ситуация привела к оттоку части IT-специалистов из страны, что тоже сокращает кадровый резерв. Это может замедлять внедрение новых инструментов – компаниям нечем их подкрепить организационно.
Инвестиционные ограничения. Не у всех компаний есть бюджеты на масштабные инициативы по аналитике. Малый и средний бизнес зачастую живет «на ощупь», им сложно выделить средства на data-проекты или покупку дорогих платформ. А крупные международные бренды, ранее драйвившие сложную аналитику, сократили активность (многие ушли). Так что рынок может буксовать без заказчиков, готовых платить за передовую аналитику.
Разрозненность стандартов и доверие к данным. Отсутствие единого подхода к измерениям приводит к спорам: разные источники дают разную оценку (пример – расхождение оценок АКАР и АРИР по объемам интернет-рекламы, методологические дебаты и т.п.). Недоверие к результатам моделей (особенно если они «черный ящик») со стороны руководства тоже барьер: нужно обучать менеджмент интерпретировать и принимать выводы AI.

Перспективные направления (3–5 лет). Опираясь на тенденции, можно прогнозировать несколько наиболее перспективных направлений развития рекламной аналитики в РФ:

Унификация данных и сквозная омниканальная аналитика. Компании будут стремиться соединить данные онлайн и офлайн каналов в единое хранилище и использовать единую модель атрибуции для всех точек контакта. Появятся решения, интегрирующие данные ТВ, outdoor и digital (например, через панельные данные и моделинг). На горизонте 5 лет – ID-решения отечественной разработки (возможно, на основе тех же ЕРИР) для отслеживания пользователя между платформами с соблюдением законов о данных. Это позволит ближе подойти к единому customer journey в аналитике.
Расцвет AI-инструментов «из коробки». Ожидается, что многие функциональности, сейчас реализуемые «вручную», станут стандартом в софте. Например, AI-помощники в рекламных кабинетах – когда система сама выделяет аномалии (напр., «вчера CPC вырос в 2 раза, проверьте страницу посадки»), советует оптимизации или даже автоматом корректирует ставки по заданной цели (элементы autonomous marketing). Предиктивная аналитика станет доступнее: не только смотреть прошлое, но и прогнозировать результаты кампаний (на основе исторических данных, трендов и внешних факторов). Возможно, в отечественных платформах (myTarget, Yandex) появятся встроенные предиктивные модели для бюджета – например, планировщик покажет ожидаемое количество продаж при разных уровнях инвестиций, рассчитывая по ML-модели обученной на многолетних данных.
Развитие локальных LLM/VLM и их внедрение. Российские технологические гиганты активно работают над крупными моделями, обученными на русском языке и мультимодальных данных. Через 2–3 года такие модели станут достаточно зрелыми и дешевыми в эксплуатации, чтобы их можно было внедрять повсеместно. Это выльется в то, что общение с данными на естественном языке станет обыденной частью работы маркетолога. Аналитик будущего сможет вместо написания SQL или построения вручную графиков спросить: «Какая реклама дала наибольший вклад в продажи за квартал?» – и тут же получить ответ с визуализацией. Vision-модели помогут анализировать не только цифры, но и визуальный контент: скажем, бренд-менеджер загрузит 100 баннеров конкурентов, и AI выдаст: «Основные тренды в визуалах конкурентов: часто используются изображения семей, упор на экологичность, преобладают синие тона». Это повысит скорость и качество аналитики в разы.
Новые метрики и методологии в ответ на новые платформы. На горизонте 3–5 лет могут появиться значимые новые площадки или форматы – например, рекламные платформы на базе искусственного интеллекта (персональные рекомендации в голосовых ассистентах, реклама в метавселенных и т.п.). Под них придется разрабатывать и аналитику. Уже сейчас говорят о multi-touch атрибуции, включающей офлайн-триггеры (например, как визит в магазин влияет на онлайн-покупку позже). Будут совершенствоваться экспериментальные дизайны – т.е. более широкое применение контролируемых экспериментов в рекламе (подсчитали lift – сразу перенастроили кампанию). Возможно, усилится тренд на приватный data collaboration – когда несколько игроков (например, ритейлер и производитель товаров) объединяют обезличенные данные для совместного анализа эффективности рекламы (в западном мире это развивается как clean rooms). В России, учитывая концентрацию бизнеса (крупные экосистемы сами владеют и медиа, и данными, и товарами), такой обмен может происходить внутри экосистем, но с AI-инструментами для вычленения полезной информации, не раскрывая сырые данные.
Ориентация на реальный бизнес-результат. Аналитика будет все теснее увязываться с конечными бизнес-показателями. Если раньше отчеты о рекламе могли ограничиваться CPM и кликами, то в перспективе каждый значимый рекламодатель захочет видеть unit-экономику маркетинга: сколько рублей принесла каждая вложенная 1000 руб. по каждому каналу, какова Lifetime Value привлеченных клиентов, как реклама повлияла на удержание и cross-sell. Это потребует продвинутых предиктивных моделей – например, предсказывать долгосрочную ценность клиента сразу при привлечении (с помощью ML-скоринга) и использовать эту информацию при оптимизации закупок рекламы (не просто по CPA, а по ожидаемой доходности клиента). Некоторые компании в РФ уже смотрят в эту сторону (банки, онлайн-сервисы), и через 5 лет это может стать массовой практикой.

Вывод: Российский рекламный рынок вступил в фазу, когда аналитика и AI/ML – не роскошь, а насущная необходимость для успеха кампаний. В условиях цифровизации медиа и высокой неопределенности внешней среды, умение быстро анализировать данные и применять алгоритмы машинного обучения стало конкурентным преимуществом. К 2024 году заложены крепкие основы: собрана инфраструктура данных, появились локальные инструменты и накоплен опыт. Впереди – дальнейшее углубление интеграции AI: от автоматизации каждодневных операций до стратегического прогнозирования. Драйверами служат как бизнес-запросы на эффективность, так и технологический прогресс (нейросетевой бум). Хотя существуют барьеры – нехваток данных, компетенций, стандартов – они постепенно преодолеваются совместными усилиями индустрии и государства. Перспектива на 3–5 лет: более прозрачный, технологичный и “умный” рекламный рынок, где решения принимаются на основе аналитических инсайтов, а значительную часть рутинной работы берут на себя машины. Российская специфика и дальше будет влиять на подходы (локальные платформы, регуляции), но в целом вектор развития совпадает с мировым: еще больше данных, автоматизации и искусственного интеллекта на службе у маркетинга sostav.ru sostav.ru. Это позволит участникам рынка эффективнее выстраивать коммуникации с потребителями и достигать маркетинговых целей даже в сложной конъюнктуре.

Источники: Отчет АКАР о рекламном рынке 2023 akarussia.ru vedomosti.ru, исследования Sostav/АКАР sostav.ru, профильные статьи (AdIndex, Habr) об аналитических методах habr.com databricks.com, Википедия ru.wikipedia.org и материалы по AI в маркетинге medium.com.