В Яндекс Директе давно уже мало смысла представлять автостратегию как калькулятор, который увидел конверсию, записал её на конкретный клик и чуть поправил ставку. В 2026 году эта схема стала ещё менее похожа на реальность: Яндекс обновил модель прогнозирования конверсий и теперь при оценке вероятности целевого действия учитывает не отдельный эпизод, а последовательность действий пользователя.
Это техническое изменение, но последствия у него вполне практические. Особенно для тех, кто привык оценивать кампании по принципу «этот запрос дал заявку — оставляем, этот не дал — режем». Чем больше решений принимает алгоритм, тем чаще такая ручная логика начинает конфликтовать с тем, как на самом деле работает стратегия.
Разберёмся, что именно поменялось, почему путь пользователя стал важнее отдельного клика и что из этого следует при настройке целей, аналитики и оптимизации кампаний.
Что именно обновил Яндекс
30 июня 2026 года Яндекс сообщил о внедрении новой модели прогнозирования конверсий и управления ставками. В основе — так называемая многоголовая архитектура: несколько нейросетей внутри модели работают с разными типами сигналов.
Ключевой момент здесь даже не само устройство нейросети. Важнее то, что модель анализирует весь доступный путь пользователя на сайте, а не только отдельное действие, непосредственно предшествовавшее конверсии.
По данным самого Яндекса, в тестах новая модель давала в среднем до 10% больше конверсий при сопоставимом бюджете. Это результат тестирования рекламной системы Яндекса, а не универсальная гарантия для любой кампании, поэтому переносить эти 10% в прогнозы конкретного бизнеса я бы точно не стал.
Но направление развития системы понятно: Директ всё сильнее пытается оценивать не «хороший ли этот клик», а насколько текущая последовательность сигналов похожа на путь пользователя, который в итоге конвертируется.
Почему одного последнего клика недостаточно
Представим обычную покупку, которая требует хотя бы небольшого выбора. Человек впервые приходит по рекламе, смотрит несколько страниц и уходит. Через день возвращается напрямую, изучает условия. Потом снова приходит из поиска, сравнивает варианты и только после этого оформляет заказ.
Если смотреть только на последний рекламный клик, значительная часть предыдущих действий превращается почти в информационный шум. Но для прогнозной модели это полезные признаки: какие страницы смотрел пользователь, возвращался ли он, насколько глубоко изучал предложение, какие действия совершал до основной цели.
Именно поэтому простая таблица «ключевая фраза — расход — конверсии» всё хуже описывает механику автоматических стратегий. Таблица остаётся полезной для анализа, но алгоритм принимает решения на гораздо более широком наборе сигналов.
Из этого не следует, что можно перестать следить за целями
Здесь легко сделать неправильный вывод: раз модель стала умнее, достаточно подключить Метрику, выбрать какую-нибудь цель и больше ничего не трогать.
На практике качество сигнала становится только важнее.
Автоматическая стратегия не знает бизнес так, как его знает владелец или маркетолог. Для неё цель — это формализованный сигнал. Если в качестве основной конверсии передать действие, которое слабо связано с деньгами, система вполне честно начнёт искать пользователей, склонных совершать именно это действие.
Например, посещение страницы контактов может коррелировать с заявкой. Но это ещё не заявка. Клик по номеру телефона может быть хорошим микросигналом, но не каждый клик превращается в разговор. Добавление товара в корзину значительно ближе к покупке, однако и корзины бросают постоянно.
Чем сильнее Директ использует последовательность поведения, тем аккуратнее стоит разделять основные бизнес-цели и вспомогательные микроконверсии.
Микроконверсии не стали бесполезными
Обратная крайность — удалить всё, кроме покупки или подтверждённой сделки. Это тоже не всегда хорошая идея.
У проекта может быть мало конечных конверсий. Тогда алгоритму трудно быстро собрать достаточный объём информации. Промежуточные действия помогают описать путь пользователя: просмотр важных страниц, начало оформления, отправка формы, звонок, добавление в корзину.
Но между «передавать сигнал» и «оптимизировать кампанию по этому сигналу как по главной цели» есть большая разница.
Полезно сначала разложить цели на несколько уровней:
- бизнес-результат — оплаченный заказ, квалифицированный лид, подтверждённая запись;
- основная онлайн-конверсия — отправка заявки, заказ, целевой звонок;
- микроконверсии — действия, которые показывают интерес, но сами по себе денег не приносят.
После этого становится гораздо понятнее, что использовать для оптимизации, а что оставить для аналитики.
Почему CRM и офлайн-конверсии становятся ещё важнее
Если рекламная система учится лучше распознавать путь к конверсии, логичный следующий вопрос — какую именно конверсию мы ей показываем.
Для лидогенерации отправленная форма часто является слишком ранней точкой. Две кампании могут дать по 20 заявок с одинаковой стоимостью, но в одной половина обращений окажется целевой, а в другой — два нормальных лида и куча мусора. Для отчёта по CPL кампании выглядят одинаково. Для бизнеса — вообще нет.
Поэтому передача данных из CRM и офлайн-конверсий ценна не только ради красивой сквозной аналитики. Она помогает приблизить обучающий сигнал к реальному результату бизнеса.
И здесь есть неприятный, но важный нюанс: автоматизация усиливает не только хорошие данные, но и плохие. Если CRM размечается кое-как, статусы меняются несистемно, дубли не склеиваются, а часть продаж вообще не возвращается в аналитику, сложная модель не исправит исходные данные магическим образом.
Нужно ли теперь отказаться от ручного анализа поисковых фраз
Нет. Просто задача анализа немного меняется.
Раньше рекламодатель часто пытался почти вручную воспроизвести работу алгоритма: найти запросы, которые дали конверсии, поднять на них ставки, отключить всё остальное. Для автоматической стратегии такая микромеханика обычно не нужна.
Зато поисковые фразы по-прежнему отлично показывают другое: правильно ли кампания понимает спрос.
Если в отчёте много информационных, нерелевантных или заведомо некоммерческих запросов, это не становится нормой только потому, что ставками управляет нейросеть. Минус-слова, структура семантики, содержание объявлений и посадочные страницы никуда не исчезли.
Алгоритму можно доверить оценку вероятности конверсии. Но определять, какой спрос вообще имеет смысл покупать, всё ещё приходится рекламодателю.
Что проверить в действующих кампаниях
Я бы не стал после новости о новой модели срочно перестраивать все кампании. Обновление работает на стороне рекламной системы, отдельной кнопки «включить многоголовую нейросеть» нет.
Гораздо полезнее проверить фундамент, на котором она работает.
- Какие цели реально используются стратегиями. Не остались ли там старые цели, технические события или слишком лёгкие микроконверсии.
- Корректно ли фиксируются основные конверсии. Формы, звонки, покупки и другие важные действия должны измеряться стабильно.
- Есть ли связь с качеством лида. Если бизнес работает с заявками, желательно по возможности передавать более глубокие статусы, а не заканчивать аналитику на отправке формы.
- Не дробятся ли данные без необходимости. Слишком мелкая структура кампаний иногда оставляет каждой отдельной стратегии мало статистики.
- Достаточно ли времени даётся обучению. Ежедневные резкие изменения целей, бюджета и ограничений мешают оценивать результат даже независимо от конкретной архитектуры модели.
Что делать с атрибуцией
Ещё один интересный эффект таких изменений — отчётная атрибуция и логика оптимизации всё меньше являются одним и тем же.
В отчёте нам всё равно нужно как-то присвоить конверсию источнику, визиту или рекламному взаимодействию. Для этого существует выбранная модель атрибуции. Но прогнозная система может использовать множество сигналов, накопленных на пути пользователя.
Поэтому не стоит пытаться объяснить каждое решение автостратегии одной строкой отчёта. Если конкретная фраза вчера не получила конверсии, из этого не следует, что система обязана сегодня перестать покупать по ней трафик. Она может видеть признаки, которых в простом отчёте нет.
Это не повод закрыть отчёты и поверить алгоритму на слово. Просто оценивать автостратегии разумнее на уровне достаточного периода, целевых бизнес-метрик и качества полученного трафика, а не по нескольким отдельным кликам.
Главный практический вывод
Яндекс последовательно двигает Директ от управления отдельными ставками к прогнозированию поведения пользователя. Обновление модели в июне 2026 года хорошо показывает это направление: системе интересна уже не одна точка, а последовательность сигналов.
Для рекламодателя это означает довольно прозаичную вещь. Конкурировать с алгоритмом в скорости пересчёта ставок становится всё менее полезно. Зато возрастает ценность того, чего алгоритм сам за бизнес не сделает: правильно определить целевое действие, передать качественные данные, отделить заявку от продажи, убрать мусорный спрос и сделать нормальную посадочную страницу.
Чем умнее становится автостратегия, тем меньше смысла вручную угадывать ставку — и тем больше смысла внимательно следить за тем, на каких данных она учится.
И, пожалуй, это хороший ориентир для аудита Директа сегодня: начинать не с вопроса «какую ставку поставить», а с вопроса «что именно рекламная система считает успехом и насколько это совпадает с успехом для бизнеса».
Официальное описание обновления модели опубликовано в новостях Яндекса.