Как устроен AI Google изнутри: Игорь Ивицкий на Definitive Traffic Seminar 2023

Definitive Traffic Seminar прошёл 23–25 мая 2023 года в Чикаго, США, в очном формате. Доклад представил Игорь Ивицкий.

Доклад «How Google’s AI Works Internally» связал три вопроса: какой сигнал конверсии обучает систему, как AI воспринимает контекст аудитории и почему успешная на вид оптимизация способна размножать ботов и нецелевые заявки. Разговор вышел за рамки обычного подбора ключевых слов в Google Ads и сосредоточился на обратной связи, от которой зависят автоматические кампании.

Google AI следует обратной связи

Главную аналогию Игорь взял из своих исследований неньютоновских жидкостей. И экспериментальная среда, и рекламный рынок динамичны, непредсказуемы и зависят от времени. Редкое или запоздалое измерение может описывать состояние, которое уже изменилось. В автоматической кампании роль такого измерения играет сигнал конверсии.

У сигнала есть три конкурирующих свойства: он должен поступать достаточно быстро, повторяться достаточно часто, чтобы система отличала закономерность от шума, и отражать ценное для бизнеса действие. Сложность в том, что самое быстрое и частое событие обычно слабее квалифицированной заявки или оплаты.

Автоматизация не отменяет профессиональное суждение, а переносит его к источнику данных. Тот же принцип действует, когда кампания получает больше свободы, в том числе при широком соответствии: чем шире пространство поиска, тем важнее качество обратной связи.

Такой взгляд полезен за пределами отдельного типа кампаний: он даёт маркетологу способ проверить, чему на самом деле учится автоматизированный аккаунт. В обучении школы мы возвращаемся к этому стратегическому уровню, а подробные примеры и механика остаются в записи доклада.

Ключевые выводы

• AI оптимизирует сигнал, а не невысказанное намерение рекламодателя. Если слабое действие засчитано как успех, система может очень эффективно находить ещё больше таких действий.
• Скорость, объём и ценность образуют одно решение. Максимизация одной стороны треугольника приводит к запоздалому обучению, шумным выводам или коммерчески пустым конверсиям.
• Качество аудитории заметно ещё до изменений на посадочной странице. В кейсе Игоря стоимость конверсии снизилась примерно втрое при прежней конверсии сайта; изменился прежде всего показатель взаимодействия.
• Дешёвые лиды могут скрывать дорогой провал. Лидогенерация выглядела вдвое эффективнее цели, но проверка продаж выявила ботов и людей, ожидавших совсем другие материалы.
• Обратная связь бизнеса должна возвращаться в рекламную систему. Данные о квалификации и оплате исправляют обучение, когда первичное заполнение формы недостаточно содержательно.

Ключевые моменты доклада

Модель обучения из гидродинамики

Игорь начал с 2019 года, когда автоматические стратегии снова и снова работали хуже знакомого ему ручного управления. Расходы росли, заявок становилось меньше, а бюджет вёл себя непредсказуемо. Объяснение нашлось в прежней научной задаче. Во время исследований неньютоновских жидкостей Игорь работал со средой, состояние которой менялось во времени и плохо измерялось медленным прибором или несколькими наблюдениями. В его модели у рекламного рынка те же три свойства: конкурентная среда и алгоритмы Google постоянно меняются, поведение покупателей непредсказуемо, а смысл сигнала зависит от момента его получения. «Алгоритму нужно много данных, чтобы отделить ошибки от закономерностей». Платформа способна вывести закономерность только из доступных ей наблюдений, но не из контекста бизнеса, который остался в голове рекламодателя. Если рекламодатель не объясняет системе, какое действие действительно важно, она принимает формальное событие за цель и последовательно усиливает найденную корреляцию. Именно здесь проявляется цена неверно поставленной цели: точная математика не способна исправить ошибочный смысл события, выбранного для обучения. Поэтому автоматизация в докладе сначала стала задачей измерения и только потом задачей управления ставками.

Золотой треугольник конверсий

Первое измерение треугольника связано со временем. Игорь сравнил Google AI с игроком с завязанными глазами, который ищет предмет, пока окружающие подсказывают правильное направление. Если ответ приходит намного позже, игрок успевает уйти в другую сторону и вынужден восстанавливать давнее решение. «Время от клика до конверсии должно быть как можно короче, иначе вы запутаете AI». Это не означает, что каждому бизнесу нужна мгновенная продажа. Длинный цикл сделки ставит другой вопрос: какое более раннее событие уже несёт достаточно смысла, чтобы направлять обучение, пока финальный результат ещё не наступил?

Два других измерения не дают выбрать самый ранний клик универсальным ответом. Редкая финальная покупка имеет высокую ценность, но может давать слишком мало наблюдений. Посещение страницы контактов или заявка появляются быстро и часто, однако почти ничего не говорят о выручке. Игорь показал аудит аккаунта с 2 600 посещениями страницы контактов и нулём покупок, хотя в оптимизацию попали оба действия. Он также предупредил о дублях отслеживания и о ситуации, когда запись за $1 воспринимается системой так же, как покупка за $3 000. Рекламодатель должен балансировать время, статистический объём и ценность, не назначая ни один критерий единственно верным. Если квалификация происходит позже, импорт офлайн-конверсий позволяет вернуть это подтверждение в Google Ads. Технические решения остаются в полном докладе; стратегический принцип состоит в том, чтобы смысл сигнала совпадал с данными продаж.

Когда оптимизация усваивает неправильный урок

Раздел об аудиториях продолжил ту же логику. Стандартные сегменты могут быть слишком широкими, а ручной выбор площадок охватывает лишь малую часть доступной среды. Игорь представил особые сегменты как способ обратиться к контекстным связям, которые уже есть в системе Google. В одном клиентском аккаунте новый подход снизил стоимость конверсии примерно втрое, хотя конверсия посадочной страницы не изменилась. Основное движение произошло в показателе взаимодействия: релевантность аудитории выросла ещё до того, как сайт начал убеждать посетителя. Точная конструкция и порядок тестов входят в запись, но общий принцип прост: AI работает с контекстом лучше, когда получает цельный смысловой сигнал, а не набор несвязанных намерений.

Финальный кейс объяснил, зачем успешной статистике нужна независимая проверка. Кампания лидогенерации в США должна была получать конверсии по $16. Уже со второго дня она превзошла цель, а через 10 дней интерфейс показывал 22 000 конверсий по $8. Затем отдел продаж сообщил: «Никто из этих пользователей ничего не купил». Часть лидов пришла с бот-ферм. Другие были реальными людьми, которые думали, что скачивают книгу или приложение со страницы, заполненной обманными рекламными блоками. Их контакты были настоящими, но намерение не имело отношения к предложению. После того как такие действия стали конверсиями, Google нашёл ещё больше пользователей, способных дать тот же дешёвый сигнал. Здесь недостаточно уборки внутри аккаунта: даже минус-слова не устранят потери, если сама обратная связь вознаграждает неверный результат. Квалификация и данные об оплате заново связывают эффективность платформы с бизнесом.

Полная запись этого доклада входит в бонусный пакет для учеников.