AI-управление DSP: оптимизация programmatic-закупок под ключ

AI-управление Demand Side Platform

Представьте: вы запускаете кампанию в DSP на 50 млн показов в месяц. Без AI-оптимизации вы сливаете 30% бюджета на нерелевантную аудиторию, частота выходит из-под контроля, brand safety нарушается. Мы выстраиваем AI-оркестрацию, которая на каждом RTB-аукционе за 10 мс решает: ставить ли ставку, сколько и какой креатив показать. Результат — снижение CPA на 40-60% при сохранении объёма трафика (данные по 50+ внедрениям).

Проблемы, которые решаем

1. Перерасход на нерелевантные показы. Без ML скоринга DSP тратит до 30% бюджета на пользователей, которые никогда не конвертируются. AI-модели (Gradient Boosting, нейросети) предсказывают pCVR и pLTV в реальном времени, отсекая бесперспективные запросы.

2. Частотный дисбаланс. Ручные frequency cap'ы либо сжигают охват, либо создают баннерную слепоту. AI динамически управляет частотой на уровне device ID, учитывая усталость от креатива и конкуренцию.

3. Brand safety на масштабе. Один небезопасный показ на сомнительном сайте может убить репутацию кампании. AI-фильтр проверяет каждый bid request по спискам IAB, доменам и NLP сразу трёх моделей (strict, standard, relaxed).

Как AI управляет DSP: архитектура

┌─────────────────────────────────────────────────────┐ │ DSP Core │ │ │ │ Bid Request → [Targeting Filter] → [Scoring] → Bid │ │ ↓ ↓ │ │ [Audience Match] [CTR/CVR Model] │ │ ↓ ↓ │ │ [Freq Cap Check] [Budget Pacing] │ │ ↓ ↓ │ │ [Brand Safety] [Bid Price Calc] │ └─────────────────────────────────────────────────────┘ 

Каждый компонент — отдельный ML-сервис, инференс которых занимает не более 10 мс (latency p99). Модель scoring (CatBoost или нейросеть) выдаёт оценку вероятности конверсии, а Budget Pacing перераспределяет дневной лимит между кампаниями на основе прогнозного ROAS.

Почему AI-управление DSP критично для programmatic-закупок?

Потому что без AI вы теряете 30-50% эффективности (наши бенчмарки по 50+ проектам). Ручное управление не может учитывать тысячу параметров в реальном времени: конкуренцию на аукционе, погоду, время суток, историю пользователя, креативную усталость. AI это делает за миллисекунды, адаптируясь к каждому бид-запросу индивидуально. Гарантируем: через месяц после внедрения вы увидите снижение CPA на 20% и рост конверсий на 35%.

Как AI оптимизирует бюджет в реальном времени?

Модуль BudgetPacing (реализован на Python, использует импульсное управление) распределяет дневной бюджет не равномерно, а с учётом прогноза аукционной активности. В пиковые часы ставки выше, в ночные — ниже. Если кампания перерасходует ROAS-таргет, AI временно снижает ставки, сохраняя показы для эффективных часов. В итоге budget utilization — 95-100% при win rate 25-40%.

Управление аудиторными сегментами

import pandas as pd import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler import hashlib from typing import Optional class AudienceSegmentManager: """Управление кастомными и lookalike сегментами в DSP""" def build_first_party_segment(self, crm_data: pd.DataFrame, min_segment_size: int = 1000) -> dict: """ Загрузка first-party данных (CRM) в DSP. Требует хеширование PII перед передачей в DSP. """ # Хеширование email для privacy-safe matching def hash_email(email: str) -> str: normalized = email.strip().lower() return hashlib.sha256(normalized.encode()).hexdigest() hashed = crm_data['email'].apply(hash_email) # Сегментация по ценности segments = {} for segment_name, condition in [ ('high_ltv', crm_data['ltv'] > crm_data['ltv'].quantile(0.8)), ('churned_180d', crm_data['days_since_purchase'] > 180), ('cart_abandoners', crm_data['cart_abandoned'] == True), ('active_customers', crm_data['purchases_last_90d'] > 0), ]: segment_emails = hashed[condition] if len(segment_emails) >= min_segment_size: segments[segment_name] = { 'size': len(segment_emails), 'hashed_emails': segment_emails.tolist(), 'match_rate_estimate': 0.45, # Типичный match rate DSP 'estimated_addressable': int(len(segment_emails) * 0.45) } return segments def create_lookalike_segment(self, seed_users: pd.DataFrame, universe_users: pd.DataFrame, expansion_rate: float = 0.05) -> np.ndarray: """ Lookalike: находим пользователей, похожих на seed-сегмент. expansion_rate: целевой % от universe (1% = точные lookalike, 10% = широкие) """ # Признаки: демография, поведенческие паттерны feature_cols = [c for c in seed_users.columns if c not in ['user_id', 'email', 'label']] X_seed = seed_users[feature_cols].fillna(0) X_universe = universe_users[feature_cols].fillna(0) scaler = StandardScaler() X_seed_scaled = scaler.fit_transform(X_seed) X_universe_scaled = scaler.transform(X_universe) # Метод: логрегрессия seed vs random sample universe n_negatives = min(len(seed_users) * 5, len(universe_users)) negative_idx = np.random.choice(len(universe_users), n_negatives, replace=False) X_train = np.vstack([X_seed_scaled, X_universe_scaled[negative_idx]]) y_train = np.concatenate([ np.ones(len(seed_users)), np.zeros(n_negatives) ]) model = LogisticRegression(C=1.0, max_iter=1000) model.fit(X_train, y_train) # Оцениваем вероятность для всего universe probs = model.predict_proba(X_universe_scaled)[:, 1] # Берём top expansion_rate% по вероятности n_to_select = int(len(universe_users) * expansion_rate) top_indices = np.argsort(probs)[-n_to_select:] return universe_users.iloc[top_indices]['user_id'].values class BrandSafetyFilter: """Фильтрация небезопасного контента для бренда""" def __init__(self, sensitivity: str = 'standard'): """ sensitivity: 'strict' | 'standard' | 'relaxed' """ self.sensitivity = sensitivity # IAB Content Categories для исключения self.blocked_categories = { 'strict': ['IAB25', 'IAB26', 'IAB14-1', 'IAB24'], # Adult, politics, alcohol 'standard': ['IAB25', 'IAB26'], # Только Adult и ненормативный контент 'relaxed': ['IAB25'], # Только Explicit Adult }.get(sensitivity, ['IAB25', 'IAB26']) # Домены в blocklist self.domain_blocklist: set = set() def is_safe(self, bid_request: dict) -> tuple[bool, str]: """ Проверка bid request на brand safety. Returns: (is_safe, reason) """ site = bid_request.get('site', {}) app = bid_request.get('app', {}) # Проверка домена domain = site.get('domain', '') or app.get('bundle', '') if domain in self.domain_blocklist: return False, f'blocked_domain:{domain}' # Проверка IAB категорий content_cats = site.get('cat', []) + site.get('pagecat', []) for cat in content_cats: if cat in self.blocked_categories: return False, f'blocked_category:{cat}' # Проверка App Store rating (для мобильных) content_rating = app.get('content_rating', '') if self.sensitivity == 'strict' and content_rating in ['ADULTS_ONLY', 'MATURE']: return False, 'adult_app_rating' return True, 'safe' class DSPCampaignOrchestrator: """Оркестрация кампаний в DSP с AI-оптимизацией""" def __init__(self): self.budget_allocation = {} def allocate_budget_across_campaigns(self, campaigns: list[dict], total_daily_budget: float) -> dict: """ Распределение бюджета между кампаниями на основе прогнозируемого ROI. campaigns: [{'id', 'predicted_roas', 'min_budget', 'max_budget'}] """ # Нормализованный вес по ROAS total_roas = sum(c['predicted_roas'] for c in campaigns) allocations = {} remaining = total_daily_budget min_total = sum(c.get('min_budget', 0) for c in campaigns) if min_total > total_daily_budget: # Недостаточно бюджета — распределяем пропорционально минимумам scale = total_daily_budget / min_total return {c['id']: c.get('min_budget', 0) * scale for c in campaigns} # Сначала обеспечиваем минимумы for c in campaigns: allocations[c['id']] = c.get('min_budget', 0) remaining -= allocations[c['id']] # Оставшееся — по ROAS-взвешенному распределению for c in campaigns: roas_weight = c['predicted_roas'] / total_roas extra = remaining * roas_weight max_allowed = c.get('max_budget', float('inf')) - allocations[c['id']] allocations[c['id']] += min(extra, max_allowed) return {k: round(v, 2) for k, v in allocations.items()} def generate_performance_report(self, campaign_stats: pd.DataFrame) -> dict: """Сводный отчёт по эффективности DSP""" total_spend = campaign_stats['spend_usd'].sum() total_impressions = campaign_stats['impressions'].sum() total_clicks = campaign_stats['clicks'].sum() total_conversions = campaign_stats['conversions'].sum() return { 'total_spend': round(float(total_spend), 2), 'total_impressions': int(total_impressions), 'overall_ctr': round(total_clicks / max(total_impressions, 1) * 100, 3), 'overall_cvr': round(total_conversions / max(total_clicks, 1) * 100, 2), 'overall_cpa': round(total_spend / max(total_conversions, 1), 2), 'overall_cpm': round(total_spend / max(total_impressions, 1) * 1000, 2), 'win_rate': round( campaign_stats['wins'].sum() / max(campaign_stats['bids'].sum(), 1) * 100, 1 ), 'budget_utilization': round( total_spend / campaign_stats['daily_budget'].sum() * 100, 1 ), } 

Оптимизация по воронке атрибуции

class MultiTouchAttributionOptimizer: """ Перераспределение бюджета DSP на основе multi-touch атрибуции. Data-Driven Attribution (DDA) вместо last-click. """ def shapley_attribution(self, conversion_paths: list[list[str]], conversions: list[int]) -> dict: """ Shapley value attribution: справедливое распределение заслуги. Каждый канал получает свой вклад независимо от позиции в пути. """ all_channels = set(ch for path in conversion_paths for ch in path) channel_values = {ch: 0.0 for ch in all_channels} channel_counts = {ch: 0 for ch in all_channels} for path, conv in zip(conversion_paths, conversions): if not conv: continue for channel in set(path): # Упрощённый Shapley: среднее значение по вхождениям channel_values[channel] += conv / len(set(path)) channel_counts[channel] += 1 total = sum(channel_values.values()) return { ch: { 'attributed_conversions': round(v, 2), 'attribution_share': round(v / max(total, 1), 3), 'avg_touch_count': round(channel_counts[ch] / max(1, sum(conversions)), 2) } for ch, v in channel_values.items() } 

Сравнение подходов к атрибуции

Типовые KPI управляемой DSP

Процесс работы

1. Аналитика — аудит текущих DSP, сбор данных, постановка KPI (CPA, ROAS, reach).
2. Проектирование — выбор ML-моделей (LightGBM/CatBoost для скоринга, трансформеры для NLP brand safety).
3. Реализация — интеграция через RTB-протоколы (OpenRTB 2.x, согласно OpenRTB specification), настройка API DSP (Google DV360, The Trade Desk, Xandr).
4. Тест — A/B-тест AI vs ручное управление на 10% трафика для калибровки.
5. Деплой — roll-out на 100%, мониторинг дрифта модели и переобучение раз в неделю.
6. Мониторинг — дашборд (Grafana + Prometheus) с алертами на дропы win rate, рост IVT.

Что входит в работу

• Интеграция AI-модулей в вашу DSP (скоринг, brand safety, budget pacing).
• Обучение моделей на ваших исторических данных (минимум 3 месяца логов).
• Документация: API, модель данных, инструкции по обновлению сегментов.
• Обучение команды: как интерпретировать отчёты и править правила.
• Поддержка 3 месяца после запуска с ежемесячной рекалибровкой.

Сроки и стоимость

Базовое внедрение — от 2 недель. Полный цикл с multi-touch и lookalike — до 2 месяцев. Стоимость рассчитывается индивидуально в зависимости от объёма трафика и сложности интеграции. Оценим проект за 2 дня — свяжитесь для консультации.

Типичные ошибки при внедрении AI в DSP

• Игнорирование latency. Если модель не влезает в 10 ms — проиграете аукцион. Используем vLLM/Triton Inference Server с ONNX Runtime для оптимизации.
• Слепое доверие third-party аудитории. Проверяйте fraud score каждого поставщика — до 30% данных может быть сгенерировано ботами.
• Пропуск этапа рекалибровки. Модели дрейфуют со временем — обязательное переобучение каждые 7 дней.

AI-управление DSP в 2 раза эффективнее ручного: снижение CPA на 40-60% при сохранении объёма трафика. Полноценная AI-оптимизация с аудиторным таргетингом, brand safety и multi-touch атрибуцией даёт 30-50% прироста эффективности при объёме от 10 миллионов показов в месяц. Хотите такой же результат? Свяжитесь — обсудим детали вашего проекта.