AI-система оптимизации рекламы в соцсетях (Programmatic AI)

AI-оптимизация таргетинга социальной рекламы

Programmatic-оптимизация в Facebook/Instagram Ads и TikTok Ads — это автоматический подбор аудиторий, креативов и ставок через ML. Правильная настройка снижает CPА на 30-50% и улучшает ROAS в 1.5-2x по сравнению с ручным управлением.

Автоматическая оптимизация кампаний

import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from anthropic import Anthropic
import json

class AudienceOptimizer:
    """Оптимизация lookalike и interest-based аудиторий"""

    def build_seed_audience(self, customers: pd.DataFrame,
                             customer_value_col: str = 'ltv_90d',
                             top_pct: float = 0.20) -> pd.DataFrame:
        """
        Seed аудитория для lookalike: топ клиентов по LTV.
        Чем лучше seed, тем точнее lookalike.
        """
        top_customers = customers.nlargest(
            int(len(customers) * top_pct), customer_value_col
        )

        # Профиль seed аудитории для понимания характеристик
        profile = {
            'size': len(top_customers),
            'avg_ltv': top_customers[customer_value_col].mean(),
            'age_distribution': top_customers.get('age_group', pd.Series(['25-34'])).value_counts(normalize=True).to_dict(),
            'top_interests': top_customers.get('interests', pd.Series([[]])).explode().value_counts().head(10).to_dict(),
        }

        return top_customers, profile

    def score_audience_segments(self, segment_performance: pd.DataFrame) -> pd.DataFrame:
        """Ранжирование аудиторных сегментов по эффективности"""
        df = segment_performance.copy()

        # Нормализованный скор: ROAS + CTR - CPA
        df['roas_norm'] = (df['roas'] - df['roas'].min()) / (df['roas'].max() - df['roas'].min() + 1e-9)
        df['ctr_norm'] = (df['ctr'] - df['ctr'].min()) / (df['ctr'].max() - df['ctr'].min() + 1e-9)
        df['cpa_norm'] = 1 - (df['cpa'] - df['cpa'].min()) / (df['cpa'].max() - df['cpa'].min() + 1e-9)

        df['segment_score'] = (
            df['roas_norm'] * 0.50 +
            df['cpa_norm'] * 0.30 +
            df['ctr_norm'] * 0.20
        )

        return df.sort_values('segment_score', ascending=False)


class CreativeOptimizer:
    """Оптимизация рекламных креативов"""

    def __init__(self):
        self.llm = Anthropic()

    def analyze_creative_performance(self,
                                      creative_data: pd.DataFrame) -> dict:
        """Анализ элементов, влияющих на CTR и конверсию"""
        # Предположим, что у нас есть теги для каждого креатива
        if creative_data.empty:
            return {}

        tag_performance = {}
        tag_cols = [c for c in creative_data.columns if c.startswith('has_')]

        for tag_col in tag_cols:
            tag = tag_col.replace('has_', '')
            with_tag = creative_data[creative_data[tag_col] == 1]
            without_tag = creative_data[creative_data[tag_col] == 0]

            if len(with_tag) > 5 and len(without_tag) > 5:
                lift = with_tag['ctr'].mean() / max(without_tag['ctr'].mean(), 1e-9) - 1
                tag_performance[tag] = {
                    'avg_ctr': round(with_tag['ctr'].mean(), 4),
                    'ctr_lift': round(lift, 3),
                    'sample_size': len(with_tag)
                }

        return dict(sorted(tag_performance.items(), key=lambda x: -x[1]['ctr_lift']))

    def generate_creative_variants(self, product: dict,
                                    top_performing_elements: list[str],
                                    target_audience: dict) -> list[dict]:
        """Генерация вариантов текстов для A/B теста"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=500,
            messages=[{
                "role": "user",
                "content": f"""Generate 4 ad copy variants for social media in Russian.

Product: {product.get('name')}
Key benefit: {product.get('main_benefit')}
Price point: {product.get('price', '')}

High-performing creative elements to incorporate: {top_performing_elements[:5]}
Target audience: {target_audience}

For each variant, return JSON:
{{"headline": "max 25 chars", "body": "max 125 chars", "cta": "button text", "angle": "urgency|social_proof|benefit|curiosity"}}

Return JSON array of 4 variants."""
            }]
        )

        try:
            return json.loads(response.content[0].text)
        except Exception:
            return []


class BidOptimizer:
    """Оптимизация ставок в рекламных аукционах"""

    def compute_optimal_bid(self, target_cpa: float,
                             predicted_cvr: float,
                             competition_level: float = 1.0) -> float:
        """
        Оптимальная ставка = target_CPA × CVR.
        Конкурентная поправка для hot аукционов.
        """
        base_bid = target_cpa * predicted_cvr
        adjusted_bid = base_bid * competition_level
        return round(adjusted_bid, 2)

    def dayparting_multipliers(self, hourly_performance: pd.DataFrame) -> dict:
        """Мультипликаторы ставок по часам суток"""
        # Нормализуем относительно среднего ROAS
        avg_roas = hourly_performance['roas'].mean()
        multipliers = {}

        for _, row in hourly_performance.iterrows():
            hour = row['hour']
            roas = row['roas']
            multiplier = roas / avg_roas if avg_roas > 0 else 1.0
            multipliers[hour] = round(float(np.clip(multiplier, 0.5, 2.0)), 2)

        return multipliers

    def portfolio_budget_allocation(self, campaigns: pd.DataFrame,
                                     total_budget: float) -> dict:
        """Распределение бюджета между кампаниями по эффективности"""
        # Аллоцируем пропорционально ROAS × объём конверсий
        campaigns = campaigns.copy()
        campaigns['weight'] = campaigns['roas'] * np.sqrt(campaigns['conversions'].clip(1))
        campaigns['weight'] = campaigns['weight'] / campaigns['weight'].sum()
        campaigns['allocated_budget'] = (campaigns['weight'] * total_budget).round(2)

        return campaigns.set_index('campaign_id')['allocated_budget'].to_dict()

Типичный результат AI-оптимизации social ads: CPА снижается на 25-40% за первые 2-3 недели обучения алгоритмов. Ключевые правила: не менять аудитории и бюджеты в фазе обучения (learning phase Facebook: 50 конверсий за 7 дней), регулярно обновлять seed аудитории при росте базы.