Аудиторный таргетинг

Аудиторный таргетинг — настройка рекламных показов по характеристикам самих пользователей: демографии, интересам, поведению в сети, истории покупок и взаимодействия с сайтом. В отличие от контекстного подхода, который привязан к теме страницы или ключевому запросу, аудиторный таргетинг следует за конкретным человеком вне зависимости от того, какой сайт он просматривает прямо сейчас.

Что такое аудиторный таргетинг

Аудиторный таргетинг строится на данных, которые рекламные платформы собирают о каждом пользователе: какие сайты он посещал, какие запросы вводил, на какие объявления кликал, какие товары просматривал или добавлял в корзину. Каждое действие превращается в атрибут пользователя, и система классифицирует его по сотням характеристик одновременно. Рекламодатель выбирает нужные сегменты и платит за показы только этой аудитории. Принципиальный сдвиг: вы покупаете не площадки, а конкретных людей. Реклама настигает потенциального клиента везде, где он бывает в сети — на новостных сайтах, в соцсетях, в почтовых сервисах, в мобильных приложениях.

История аудиторного таргетинга начинается в начале 2000-х годов, когда рекламные сети впервые начали накапливать пользовательские данные через cookie. В 2007 году Google запустил interest-based advertising в контекстно-медийной сети — первую масштабную систему таргетинга по интересам на основе истории просмотров. Яндекс внедрил поведенческий таргетинг в РСЯ в 2009 году, открыв рекламодателям доступ к аудитории по интересам без привязки к тематике сайта. Прорывным стал 2012 год, когда Facebook Ads предложил детальный демографический таргетинг по данным соцсети — рекламодатели впервые получили доступ к аудитории по семейному положению, образованию, профессии и жизненным событиям. С 2015 года на рынок вышли DMP-платформы (Data Management Platforms), позволяющие объединять собственные данные компании с третьесторонними сегментами. Сегодня объем глобального рынка programmatic-рекламы, основанного на аудиторном таргетинге, превышает 550 млрд долларов в год по оценкам Statista.

В структуре digital-маркетинга аудиторный таргетинг занимает центральное место в медийной и performance-рекламе. Он позволяет строить воронку по принципу аудиторных слоев: широкий охват новых пользователей через Look-alike, работа с теплой аудиторией через таргетинг по интересам, конверсия горячих пользователей через ретаргетинг. Без аудиторного таргетинга невозможно реализовать персонализированную рекламу — один из ключевых трендов последнего десятилетия. По данным исследования McKinsey, компании, применяющие персонализацию, генерируют на 40% больше выручки, чем те, кто от нее отказывается. Для in-house команд и агентств умение работать с аудиторными сегментами стало таким же базовым навыком, как настройка поисковых кампаний.

Маркетолог, который не разбирается в аудиторном таргетинге, неизбежно переплачивает за трафик. Без сегментации бюджет распыляется на нерелевантных пользователей: CPL растет, кампания уходит в минус, а причина списывается на «слабый продукт» или «не тот канал». Понимание механики позволяет выстраивать стратегию: какую аудиторию добавить на уровне кампании, какую исключить, где повысить ставку, а где снизить. С 2024 года Chrome завершает поэтапный переход на Privacy Sandbox, что меняет принципы сбора third-party cookie данных. Специалисты, которые уже сейчас работают с first-party данными — базами CRM, пикселями, SDK приложений, — окажутся на несколько шагов впереди конкурентов в новой реальности.

Как работает аудиторный таргетинг

Сбор пользовательских сигналов. Рекламные платформы непрерывно фиксируют действия каждого пользователя: посещения сайтов, поисковые запросы, клики по объявлениям, просмотры карточек товаров, добавление в корзину, покупки. Для сбора используются cookie, пиксели-трекеры на сайтах, SDK мобильных приложений и данные авторизованных аккаунтов. Яндекс комбинирует сигналы из Поиска, Маркета, Яндекс Метрики и почты — это дает многомерный профиль пользователя по тысячам атрибутов, недоступных конкурентам с меньшей экосистемой.
Классификация пользователей по сегментам. На основе собранных сигналов алгоритм присваивает пользователю набор меток: «интересуется автомобилями», «ищет ипотеку», «мужчина 30-40 лет», «регулярно покупает онлайн». Эти метки формируют аудиторные сегменты — группы пользователей со схожими признаками. В Яндекс Аудиториях доступно более 400 готовых категорий интересов, в Google Ads — схожее разнообразие, причем Google отдельно выделяет «намерение к покупке» (in-market audiences) — пользователей, которые прямо сейчас исследуют покупку в конкретной категории. Это критически важное разграничение для маркетолога: интерес к теме и намерение купить — разные сигналы с разной ценностью.
Выбор и комбинирование сегментов. Рекламодатель в интерфейсе рекламного кабинета выбирает нужные сегменты и задает логику их сочетания: «показывать пользователям, которые интересуются фитнесом И имеют детей до 5 лет, НО НЕ являются существующими клиентами». Оператор AND сужает аудиторию и повышает точность, оператор OR расширяет ее. Исключение сегментов критично: без него реклама уходит к тем, кто уже купил, что расходует бюджет на повторный контакт с людьми, которым оффер неактуален. Практическое правило: всегда загружайте CRM-базу покупателей как исключение в кампаниях привлечения.
Настройка корректировок ставок. Аудиторный таргетинг не обязательно означает показ исключительно выбранной аудитории — можно задавать корректировки ставок для сегментов внутри более широкой кампании. Например, повысить ставку на 50% для пользователей, которые уже были на сайте, оставив базовые показы для остальных. Такой подход используется в поисковых кампаниях как RLSA (Remarketing Lists for Search Ads): пользователь вводит тот же ключевой запрос, что и все остальные, но ставка выше для тех, кто уже знаком с вашим брендом. По данным Google, RLSA-кампании в среднем снижают CPA на 15-30% по сравнению с кампаниями без аудиторных корректировок.
Обучение алгоритма и первичная оптимизация. После запуска кампании алгоритм платформы анализирует, какие пользователи из выбранных сегментов чаще конвертируются, и смещает показы в сторону конвертирующих профилей. Для корректного обучения нужно не менее 50 конверсий за 30 дней — это стандартное требование алгоритмов Google и Яндекса. До накопления этого порога менять настройки таргетинга не стоит: каждое изменение частично обнуляет обучение и расходует бюджет на повторный разгон. Дайте алгоритму от 2 до 4 недель стабильной работы перед первой оптимизацией.
Обновление и актуализация аудиторий. Аудитории стареют: сегмент «ищет новую машину» актуален 30-60 дней, после чего пользователь либо купил, либо отложил решение. Маркетолог должен регулярно обновлять состав сегментов, исключать купивших на основе свежих данных CRM, добавлять новые Look-alike по последним конверсиям. Кампании, где аудиторные сегменты не пересматривались 3 месяца и более, теряют эффективность в среднем на 20-35%.

Виды аудиторного таргетинга

Демографический таргетинг. Настройка по возрасту, полу, семейному положению, наличию детей, уровню дохода. Самый базовый тип, доступный на всех рекламных платформах без исключения. Хорошо работает для продуктов с четкой половозрастной аудиторией: детские товары (женщины 25-40 с маленькими детьми), премиальные финансовые продукты (аудитория с доходом выше среднего). Слабость — точность демографических данных варьируется: платформы определяют доход косвенно, по поведению, а не по декларируемым данным.
Таргетинг по интересам. Показ рекламы пользователям, чья история поведения указывает на устойчивый интерес к определенной теме. Если человек регулярно читает материалы о путешествиях — он попадает в сегмент «путешественники». В Яндекс Аудиториях интересы делятся на долгосрочные (стабильные предпочтения) и краткосрочные (активный поиск прямо сейчас). Для товаров с длинным циклом выбора — недвижимость, автомобили, дорогое оборудование — долгосрочные интересы работают точнее, так как охватывают аудиторию шире по времени.
Поведенческий ретаргетинг. Показ рекламы пользователям, которые совершили конкретные действия на вашем сайте или в приложении: посетили определенную страницу, просмотрели товар, добавили в корзину, но не завершили заказ. Самый точный тип — пользователь уже проявил конкретный интерес к продукту, и реклама встречает его в точке максимального намерения. Конверсия ретаргетинговых кампаний в среднем в 2-3 раза выше, чем у кампаний на холодную аудиторию, и именно это делает ретаргетинг приоритетным при ограниченном бюджете.
Look-alike (похожие аудитории). Алгоритм находит пользователей, максимально похожих на вашу существующую базу клиентов. Вы загружаете список email-адресов или телефонов, платформа строит профиль и ищет схожих людей среди всей активной аудитории. В Яндекс Аудиториях можно настраивать процент схожести от 1% (очень узкая, максимально похожая аудитория) до 10% (шире охват, ниже точность).
Таргетинг по CRM-данным (Customer Match). Загрузка собственной базы клиентов — email, телефоны — для точечного таргетинга или исключения. Доступен в Google Ads (Customer Match), Яндекс Аудиториях, VK Рекламе. Позволяет показывать кросс-сейл офферы существующим клиентам или полностью исключать их из кампаний привлечения, чтобы не тратить бюджет на уже купивших. Минимальный размер загружаемой базы после матчинга — обычно 1000 строк, иначе размер аудитории недостаточен для статистически значимых результатов.
In-market (аудитории с намерением к покупке). Google и Яндекс выделяют отдельно сегменты пользователей, которые прямо сейчас активно исследуют покупку в конкретной категории: сравнивают модели, читают отзывы, заходят на сайты конкурентов. Это принципиально отличается от интереса к теме: человек в сегменте «in-market: автомобили» не просто читает статьи об авто — он активно выбирает и близок к решению. По данным Google, аудитории in-market повышают конверсию рекламных кампаний в среднем на 30% по сравнению с таргетингом по интересам без уточнения намерения.

Сравнение аудиторного и контекстного таргетинга

Параметр	Аудиторный таргетинг	Контекстный таргетинг (ключевые слова)
Принцип показа	Следует за пользователем по его профилю — вне зависимости от содержания страницы	Привязан к ключевому запросу или тематике площадки прямо сейчас
Стадия воронки	Верх (охват, Look-alike) и середина (ретаргетинг, in-market)	Преимущественно низ воронки — горячий спрос, пользователь уже ищет
Точность попадания по намерению	Высокая по профилю, но намерение покупки не всегда актуально в момент показа	Максимальная — запрос в поиске отражает потребность здесь и сейчас
Охват и масштабируемость	Широкий охват, легко масштабировать через Look-alike и расширение сегментов	Ограничен частотностью запросов — нельзя охватить больше, чем есть спрос
Средний CPM и CPA	Ниже CPM на холодной аудитории; CPA выше, чем на горячем поиске	Выше CPM (конкурентные аукционы); ниже CPA при правильно подобранных запросах
Применение для новых ниш	Работает даже при нулевом поисковом спросе — можно «найти» аудиторию	Требует наличия сформированного спроса — без запросов нет трафика

Пример использования

Онлайн-школа иностранных языков запускала рекламу в РСЯ на широкую аудиторию 18-55 лет без какой-либо сегментации. За 3 месяца работы кампании средний CPL составил 3 400 рублей при конверсии сайта 1.1%. Месячный бюджет 200 000 рублей давал около 59 лидов — при стоимости курса 25 000 рублей и конверсии из лида в продажу 18% юнит-экономика не сходилась: выручка с рекламного бюджета не покрывала расходы на привлечение.

Маркетолог пересмотрел структуру и настроил три аудиторных сегмента: (1) пользователи с устойчивым интересом «изучение иностранных языков» плюс возраст 25-40 лет, (2) Look-alike на базе 870 существующих покупателей курсов, (3) ретаргетинг на посетителей страниц курсов за последние 30 дней. Широкую аудиторию 18-55 лет без признаков отключили. За следующие 30 дней CPL снизился с 3 400 до 1 850 рублей, конверсия сайта выросла с 1.1% до 2.4%. При том же бюджете 200 000 рублей кампания принесла 108 лидов вместо 59. При конверсии в продажу 18% выручка с рекламного бюджета выросла с 265 500 до 486 000 рублей — прирост 83% без увеличения затрат.

Частые вопросы

Как работает Look-alike аудитория и когда ее стоит подключать?

Look-alike строится алгоритмом платформы по принципу профильного сходства: вы загружаете список своих лучших клиентов, платформа анализирует их демографию, интересы и поведение, а затем ищет максимально похожих пользователей среди всей активной аудитории. Подключать Look-alike имеет смысл, когда: ваша собственная конвертированная база насчитывает не менее 500-1000 человек, ретаргетинговая аудитория по объему исчерпана (менее 5 000 человек — слишком мало для масштаба), и вы хотите масштабировать привлечение без снижения качества лидов. Ключевой нюанс: загружайте в основу Look-alike только реальных покупателей, а не всех посетителей сайта или подписчиков. Платформа построит профиль именно того, кого вы загрузили — если это случайные посетители, Look-alike найдет похожих случайных людей, а не похожих покупателей. Результат предсказуем: трафик есть, конверсии нет.

Почему аудитория сужается после добавления нескольких условий таргетинга?

Каждое условие AND в таргетинге уменьшает итоговое пересечение аудиторий. Если сегмент «интерес к недвижимости» охватывает 2 миллиона человек, а «уровень дохода выше среднего» — 5 миллионов, то их пересечение составит от 200 000 до 800 000 в зависимости от корреляции признаков. Добавьте третье условие «Москва и область» — получите 50 000-150 000 человек. Четвертое условие «возраст 30-45» — и аудитория сужается до 20 000-60 000. Слишком узкая аудитория (менее 5 000-10 000 для Google, менее 1 000 для Яндекса) блокирует запуск или дает нестабильные аукционные результаты. Практическое правило: начинайте с 1-2 ключевых критериев, смотрите на размер аудитории в предпросмотре системы, добавляйте дополнительные условия только если текущие не дают нужного качества трафика. Альтернатива жесткому AND — корректировки ставок: таргетируйтесь на более широкую аудиторию, но повышайте ставку для пересечения нужных сегментов.

Как часто нужно обновлять аудиторные сегменты в рекламных кампаниях?

Частота обновления напрямую зависит от цикла принятия решения в вашей нише. Для e-commerce с коротким циклом — одежда, аксессуары, техника до 30 000 рублей — аудитории ретаргетинга актуальны 7-14 дней: после этого пользователь либо купил, либо потерял интерес, и дальнейшие показы воспринимаются как навязчивость, что бьет по репутации бренда. Для b2b и сложных продуктов — CRM-системы, промышленное оборудование, недвижимость — аудитории остаются актуальными 90-180 дней, потому что цикл выбора растянут по времени. CRM-базы для Customer Match синхронизируйте не реже раза в месяц: покупатели должны вовремя переходить в сегмент «существующий клиент» и исключаться из кампаний привлечения. Look-alike аудитории пересчитывайте раз в 1-2 месяца, особенно если клиентская база активно растет — новые данные заметно повышают точность модели.