Архитектура системы Скорика

Обновлено 17.06.2026 · ~5 мин на чтение

Scorika — это связка из SDK, серверной логики и ML-модели, которая позволяет бизнесу снижать стоимость заявки в Яндекс Директе через виртуальные конверсии, основанные на реальном поведении пользователей на сайте.

Общая схема работы

Пользователь заходит на сайт
SDK собирает поведение
ML-модель считает score (вероятность покупки)
Срабатывает виртуальная конверсия
Сигнал уходит в Яндекс Метрику
Яндекс Директ обучается на этих данных

Шаг 1. Сбор поведенческих данных через SDK

SDK Scorika превращает сайт в радар поведения. Мы фиксируем не просто клики и переходы, а полную картину вовлечённости — десятки поведенческих паттернов в реальном времени.

Что собирает SDK. Скрипт снимает более 600 параметров поведения:

Какие страницы просматривает пользователь
Какие кнопки попадают в поле зрения
Клики, скроллы, время на странице
Сколько товаров изучил
Сколько раз возвращался к одной карточке
Какой текст выделяет, куда наводит курсор
Переходы между страницами каталога
Цены товаров, которые рассматривает
Взаимодействие с формами
Попытки оформить заказ

Почему этого нет у самого Директа. Архитектурно Яндекс Директ не строит модель на сыром event-stream сайта. Он работает с pre-click сигналами (профиль пользователя в экосистеме Яндекса) и post-click агрегатами целей из Метрики.

Метрика и Директ связаны через слой целевых событий, а не через полный обмен поведенческими признаками. Директ учится на целях, e-commerce-событиях и доходе — но не на DOM-событиях, scroll depth, движениях мыши и других сырых сигналах. Поэтому качество автостратегии напрямую упирается в правильную настройку целей и передачу ценности. Scorika как раз закрывает этот разрыв: превращает полный поведенческий поток в дополнительные сигналы для обучения алгоритма.

Шаг 2. ML-модель предсказывает вероятность покупки

Мы используем тот же класс алгоритмов, что и сам Яндекс Директ (градиентный бустинг), но на стороне вашего сайта.

Модель анализирует собранные данные и выдаёт предсказание для каждого посетителя:

10%Игорь — вероятность покупки 50%Иван — вероятность покупки 80%Алексей — вероятность покупки

Модель кастомная: обучается под ваш конкретный сайт, ваш ассортимент, ценовой сегмент и поведение именно ваших покупателей. Универсального решения «для всех» здесь нет.

Шаг 3. Передача ценности в Яндекс Директ

Мы превращаем вероятность покупки в денежный сигнал через виртуальные цели.

Пример. Допустим, ваша средняя цена конверсии — 1 000 ₽:

Посетитель с вероятностью 100% → цель 1 000 ₽
Посетитель с вероятностью 50% → цель 500 ₽
Посетитель с вероятностью 30% → цель 300 ₽

Сигнал идёт в Директ через Метрику:

JavaScript

ym('reachGoal', 'scorika_goal', {value: 500})

Как настраивается оптимизация:

Основная цель остаётся на оптимизацию за конверсию
Виртуальная цель Scorika работает на оптимизацию за ДРР
Задача Директа — находить пользователей с максимальным доходом

Вместо 100 конверсий в неделю у Директа теперь 300 — и он понимает, какие из них действительно ценные.

Шаг 4. Директ обучается лучше и быстрее

Автостратегия получает втрое больше качественных сигналов и начинает видеть закономерности.

Без Scorika

100 конверсий в неделю
Все «не-покупатели» выглядят одинаково
Директ не понимает, кто ближе к покупке
Кампания упирается в плато

Со Scorika

300 конверсий в неделю
Директ видит ценность каждого пользователя
Понятно, кто на 80%, кто на 50%, кто на 10%
Кампания выходит за пределы консервативной аудитории

Результат: снижение CPA на 20–30%

Наша задача — обучить Директ так, чтобы те же заявки стоили на 30% меньше.

За счёт чего это работает:

Больше данных — вместо 10 конверсий в неделю Директ получает 50
Ценность в рублях — алгоритм видит, что Игорь принесёт 300 ₽, а Иван — 800 ₽
Оптимизация по ДРР — Директ ищет пользователей с максимальной отдачей
Чёткие закономерности — алгоритм учится отличать «горячего» покупателя от случайного

Фильтрация спама и ботов

Качество автостратегии напрямую зависит от чистоты данных. Если в обучение попадают боты и спам-заявки, Директ начинает «оптимизироваться» под мусорный трафик. Scorika решает это на уровне ML-модели.

Как работает фильтрация:

Модель обучена на типовых паттернах ботов и спам-заявок — они отличаются от живых людей по десяткам признаков: скорость заполнения форм, последовательность шагов, глубина вовлечения
Если в вашей CRM есть разметка спама («нецелевой», «спам»), модель дополнительно учится на этих метках и точнее фильтрует мусор именно под ваш проект
Боты могут имитировать отдельные действия, но при анализе полной сессии из 250+ параметров проявляются устойчивые паттерны, которые модель распознаёт
Виртуальные конверсии не срабатывают для тех, кого модель квалифицировала как бота или спам — это защищает обучение Директа от загрязнения

На практике доля нецелевых заявок снижается, Директ концентрирует бюджет на реальных людях, и стоимость качественного лида падает.

Универсальность

Scorika работает с разными сайтами, ценовыми сегментами, товарами и сезонами:

Кастомная модель — обучается под конкретный сайт, а не «средняя по больнице»
Любая цена цели — от 500 ₽ до 500 000 ₽, логика работает одинаково
Любой объём трафика — даже при 10 конверсиях в неделю мы доводим объём обучающих событий до 30–50
Адаптация к сезонности — модель регулярно переобучается на свежих данных

Выход за пределы плато

Типичная проблема кампаний — упереться в плато. Набрали 100 конверсий, сфокусировались на узкой аудитории и застряли в ней.

Scorika подаёт в Директ данные о разной ценности пользователей — и алгоритм выходит за рамки консервативной аудитории, начинает искать новых покупателей.

Влияние на аукцион Яндекс Директа

Частый вопрос: «Не ломают ли виртуальные конверсии аукцион?» Короткий ответ — нет. Они в аукционе вообще не участвуют.

Как устроен аукцион. Рекламодатели конкурируют за показы по ставкам, CTR, качеству объявлений и релевантности. Этот механизм один для всех, и от того, какие цели у конкретного рекламодателя, он не зависит.

На что влияют виртуальные конверсии:

Они меняют обучение автостратегии, но не ставки в аукционе напрямую
Аукцион остаётся одинаковым для всех — Scorika не даёт преимущества на уровне торгов
Что меняется: CatBoost-модель Директа получает расширенную выборку и быстрее находит закономерности
Вместо 2–5 реальных конверсий в неделю автостратегия видит 20–50 событий (реальные + виртуальные)
Скорость обучения растёт в 10–20 раз
Алгоритм точнее сегментирует аудиторию по вероятности покупки

По сути Scorika не меняет правила игры — она даёт автостратегии больше качественных данных. Решения становятся точнее, но аукцион работает по тем же правилам.

Контролируемое срабатывание виртуальных целей

Виртуальная конверсия — это не случайный выстрел. Каждое срабатывание — результат анализа полной сессии пользователя.

Как принимается решение:

SDK собирает поведенческие данные в реальном времени всю сессию
Модель смотрит на полную картину: от первого клика до текущего момента
Если вероятность конверсии превышает порог — отправляется виртуальная цель с динамической ценностью

Частота и ценность:

Виртуальные цели срабатывают в 10–20 раз чаще реальных — это нормальная пропорция
Типичная динамическая ценность одного события — 100–200 ₽ (зависит от установленной цены цели)
Ценность для каждого посетителя считается индивидуально: Цена цели × Вероятность
Суммарная ценность виртуальных событий стремится к паритету с суммарной ценностью реальных

Статья оказалась полезной?