Алгоритм Andromeda: фундаментальный лонгрид-разбор революции в рекламе Meta

Это лонгрид от редакции CPA-SITE . Время прочтения — около 30 минут. 

Никаких угрожающих плашек в Business Manager не появлялось. Не приходило уведомлений на почту. Первые симптомы в январе 2025 списали на «послепраздничное похмелье» аукциона. У кого-то CPM начал прыгать без видимых причин. Сегодня $15, завтра $35. Реакция была простой: «Подождём, когда успокоится после праздников». Спойлер: CPM не успокоился.

В феврале-марте у кого-то был замечен массовый падёж старых кампаний. Связки, которые кормили агентства годами (а-ля «крео + кнопка + интересы пользователя»), перестали давать результат. Баеры перебирали настройки и дублировали адсеты, но эффект зачастую оказывался противоположным — «ручной режим» ломал обучение и становилось только хуже.

В апреле в 2025 начало накатывать осознание, что это не дефолтный «шторм», а новая архитектура демонстрации рекламы пользователям. Алгоритм, который позже назовут «Андромеда» (или Lattice в технической документации), захватил контроль над ситуацией.

Сейчас начало декабря 2025 года. «Андромеда» теперь везде, она надолго с нами, и мы постараемся разобраться, что это такое, как прогресс в AI сделал возможным её внедрение, при чём тут NVIDIA, и как с этим нам дальше жить. 

И да, если мы закроем глаза, она не исчезнет — результаты ноябрьского опроса 150 действующих медиабаеров в Facebook из чата Konstantyn Fox показали следующие результаты:

• у 8% улучшились показатели
• 44% оценивают, что их показатели после обновления ухудшились
• 23% не заметили изменений

Поэтому завариваем чай, садимся поудобнее и последовательно разбираем нового, диковинного, но уже достаточно наследившего в рекламных кабинетах зверя. Задача этой статьи — создать наиболее развёрнутый материал по теме алгоритма Андромеды на русском языке, отследить то, как в целом такой алгоритм стал технически возможен, как с ним работать, и совместить теоретически-академическую часть с практическими выводами от действующих баеров. Приступим!

Что произошло и почему это важно — переводим с инженерного на человеческий

Чтобы понять, почему ваши старые методы перестали работать, нужно заглянуть в статью Meta для инженеров. Если отжать из неё всю воду про «инновации» и «ценности», останется сухой факт: Meta полностью заменила движок первичного отбора рекламы (Retrieval). Рекламный аукцион всегда работал в три этапа:

• Retrieval (Поиск или быстрый отбор): из десятков миллионов объявлений система быстро отбирает пару тысяч кандидатов, которые теоретически могут подойти пользователю.
• Ranking (Ранжирование): нейросеть детально оценивает этих кандидатов и решает, что показать.
• Auction (Аукцион): финальная ставка и показ.

Раньше «бутылочным горлышком» был первый этап. У системы просто не хватало мощностей, чтобы глубоко анализировать миллионы креативов за миллисекунды. Поэтому она полагалась на простые правила, которые задавал баер (таргетинги, пол, возраст).

С появлением GenAI и инструментов Advantage+ количество рекламных объявлений выросло взрывообразно. Рекламодатели начали генерировать по 15 миллионов креативов в месяц. Старая система захлебнулась — она физически не могла качественно отобрать лучшее из этой кучи мусора.

Решением этой проблемы и стал алогритм Andromeda: Meta внедрила новую архитектуру отбора рекламы к показу на технической базе суперчипов NVIDIA Grace Hopper и своих ускорителей MTIA.

 Что это значит на практике, исходя из публичной технической документации:

• Рост сложности отбора в 10 000 раз. Новый движок больше не использует простые правила. Он использует глубокие нейросети (Deep Neural Networks) прямо на этапе первичного отбора. Система теперь «понимает» контент вашего креатива, а не просто считывает настройки таргетинга.
• Иерархическая индексация. Вместо того чтобы перебирать все подряд, Andromeda строит умное дерево связей. Она видит неочевидные паттерны между интересами пользователя и визуальным рядом рекламы, которые человек никогда бы не настроил руками.
• Скорость и объем. Благодаря новым чипам, система обрабатывает в 3 раза больше запросов в секунду и «переваривает» огромные объемы данных, которые раньше просто отбрасывались.

В итоге ключевое изменение можно сформулировать так: произошёл переход от «маркетолог говорит алгоритму, кому показать рекламу» к «алгоритм сам смотрит на креатив и ищет под него людей».

Если вы  упоротый технарь, которому реально интересно, как работает иерархическая структурированная нейронная сеть, которая является значительной частью Андромеды — в этом прекрасном материале вы можете ознакомиться с академической базой до покраснения глаз. 

Для остальных — примерная схема работы ниже:

Как ситуация отражает тренд на рекламных и AI-рынках

Партнёрство Meta и NVIDIA, которое лежит в техническом фундаменте Андромеды, значительно повлияло на ситуацию на рынке AI-моделей. Многие рекламные системы мира упёрлись в ограничения классической архитектуры и начали не просто инвестировать в железо, а искать преимущество в виде связки «модель + скорость + память». 

Пример Андромеды для рынка стал показательным: на retrieval-этапе алгоритм за короткое время выбирает кандидатов для показа из огромного пула объявлений. Чтобы это работало, одной «умной моделью» не отделаться — нужна инфраструктура, которая выдерживает такой объём вычислений без задержек.

Рынок отреагировал: NVIDIA укрепилась не только как поставщик железа, но как поставщик датацентрового стека, в котором объединены вычисления, межсоединения, сеть и софт. Но вместе с этим включилась и антимонопольная логика Meta. Напоминаем, что вычисления не бесплатные, и чем больше компания на них тратит, тем рациональнее ей иметь альтернативы: собственные ускорители и платформы. 

В индустрии это закрепило две тенденции:

• Первая — «full-stack дата-центр»: узкое место вычислительных мощностей переехало из «не хватает флопсов» в «не так важны флопсы, как общая работа системы».
• Вторая — оптимизированное взаимодействие моделей и железа в тандеме постепенно становится стандартом индустрии: модели проектируют так, чтобы они эффективно жили на конкретной инфраструктуре, а инфраструктуру — под конкретные типы нагрузок и задач (первичный отбор рекламы под показ, ранжирование, генерация, обучение).

На уровне глобального рынка последствия скучные, но ощутимые: больше дата-центров, больше спроса на электроэнергию и на транспортировку вычислений по сетям, больше концентрации мощностей у корпораций, которые способны покупать и строить.

В рекламе это демонстрирует очередной виток тренда на автоматизацию: система берёт на себя всё больше решений по выбору кандидатов и распределению показов, а конкуренция смещается туда, где у рекламодателя остаётся рычаг — качество сигналов, измерение, скорость тестирования креатива и продукта. Это не антиутопическая драма, которая позволяет заламывать руки и сокрушаться «алгоритм всё решил», а достаточно взвешенная data-экономика: у кого лучше входные данные и понятнее причина конверсии, тот дешевле купит результат.

Анатомия Андромеды: деконструкция факторов ранжирования объявлений

Андромеда — нейросетевой «чёрный ящик», что важно учитывать. Однако это не делает её полностью непредсказуемой — мы можем предполагать, ориентироваться на документацию и то, как работают рекомендательные модели в принципе. 

Как было раньше: алгоритм работал по принципу «Найти людей с тегом «фитнес»». Фейсбук смотрел, кто что лайкал, какие интересы есть на странице у пользователя, и в целом был достаточно ограничен в своём анализе. То есть мы могли выстроить достаточно простую систему графов и причинно-следственных связей, которая показывала бы, на что опирается показ рекламы для пользователя. Допустим, здесь пользователь лайкнет кроссовки, тут у него фото с пробежки, а здесь — четыре минуты, проведённые на сайте по продаже спортивного питания. Подобные факторы достаточно просто поддаются декомпозиции и визуализируются. Потом была плюс-минус таким же образом работающая DLRM (Deep Learning Recommendation Model). 

Андромеда критически сложнее, и если выражаться заумным языком, то она действует в векторном пространстве высокой размерности. Это не скоринг и не примитивный алгоритм «если X, то пусть будет Y», это математическое моделирование вероятности связи между состоянием пользователя, контекстом и креативом. Андромеде не интересно, что написано в профиле у человека и какие фотографии он публикует. Ей важно поведение здесь и сейчас, ей важен контекст. Она действует как опытный психолог-профайлер, знающий о человеке больше, чем он сам знает о себе.

Мы постараемся опираться на официальные материалы и известные принципы работы рекомендательных моделей, чтобы сократить число домыслов и быть наиболее точными в рекомендациях. Повторимся, что речь идёт о «чёрном ящике» с сотнями, если не тысячами, учитываемых факторов ранжирования. 

«Вайб» креатива вместо тегов

Сейчас будет сложно, но важно. Алгоритм Андромеды берёт загруженный вами креатив и пользователя, и превращает их в два вектора (или набора координат) в многомерном пространстве. Вектор креатива — это его содержимое. Вектор пользователя — это его поведение во время сессии плюс какая-то накопленная информация о его пользовательском профиле и поведении. Если векторы направлены в одну сторону, и ваш крео мэтчится с пользователем — происходит показ. Можно привести дурацкую, но достаточно близкую аналогию — нужно, чтобы у креатива и пользователя, который его увидит, совпал вайб (это не шутка).

Объясняем на примере. В объявление, допустим, был загружен видеокреатив с кроссовками. Раньше система видела, что вы загрузили видео, и его технические характеристики: длительность 15 секунд, формат 9:16. Теперь она видит: «Динамичная подача контента, оранжевый фон, клиповый монтаж, крупный текст, ноги в кроссовках крупным планом, лицо улыбающегося человека крупным планом».

Андромеда ищет пользователей, чья дофаминовая реакция (время остановки скролла ленты) коррелирует с чем-то, похожим на оранжевый фон и быстрым монтаж. Так, широкими мазками, можно описать логику вектора креатива. Вектор сессии — это когда алгоритм анализирует последние 10–50 действий в реальном времени.

Например, пользователь лениво скролит Reels, и если в базе алгоритма есть предположение, что пользователи с подобным поведением отреагируют на видео с клиповым монтажом и ярким фоном — показ состоится. Алгоритм аргументирует показ, предсказывая следующее действие в цепочке событий.

Если пользователь, наоборот, вдумчиво читает длинный текст, ему будет показан более медленный и спокойный креатив хронометражом в минуту-полторы. Примеры абстрактные — точные связи между сессией и креативом может знать только AI, поскольку это всё еще «чёрный ящик» с тысячами факторов ранжирования. Важно, что алгоритм ищет людей, которые реагируют ещё и на на стиль подачи, а не только на суть товара.

Иерархический индекс

Представьте, что у Meta есть миллиард рекламных объявлений. Проверять каждое под каждого пользователя — долго и дорого. Раньше они просто фильтровали этот список грубыми настройками (пол/возраст). Андромеда делает иначе, она выстраивает иерархию пользовательского интента: 

1. Сначала она смотрит широко: «У пользователя сейчас запрос на развлечение или пользу?»
2. Потом дальше: «Нужно видео или статическая картинка?»
3. И заглядывает ещё глубже: «Обычно ему заходят эмоциональные лица или сухие факты о преимуществах?»

В конце этого пути размышлений находится демонстрация креатива.

Это обновление мощно ударило по ручным настройкам. Когда выбирается «исключить аудиторию X» или «сузить до Y», то происходит запрет алгоритму пройти по естественному пути поиска и найти нужную аудиторию. 

На техническом уровне это выглядит как многоуровневая система кластеров, которые выстроены от общих понятий к более частным, и можно их представить как-то так:

• Уровень 1 (Broad): Кластер «Гик-развлечения / Гик-лайфстайл».
• Уровень 2 (Specific): Кластер «Эстетика техники / Гаджеты».
• Уровень 3 (Hyper-local): Конкретный оффер наушников с UGC-видео, который подаётся в киберпанк-эстетик сеттинге.

Дискриминация по качеству: вычисления есть, но они не для вас сделаны.

Прямая цитата из публикации Meta: мы внедрили иерархический обмен данными от крупных моделей с высокой пропускной способностью до легких вертикальных моделей.

Это означает, что в Андромеде была внедрена довольно циничная, но максимально эффективная механика: алгоритм тратит разное количество вычислительных мощностей на разных пользователей. Например:

• Есть Low-Intent User (думскроллер) — пользователь вяло скроллит ленту, лайкает мемы, денег не тратит. Андромеда включает «эконом-режим». Ему покажут простую, дешевую рекламу, отобранную не слишком старающейся нейросеткой.
• И есть High-Intent User (покупатель) — пользователь замедлился, перешёл по ссылке, вернулся, смотрит сторис внимательно. Андромеда понимает: «Тут пахнет деньгами». Включается «старательная нейронка» на чипах Grace Hopper, которая просчитывает вероятность покупки с точностью до доли процента.

Можно предположить, что если ваш креатив не пробивает «баннерную слепоту» на первом этапе, то он с крайне низкой вероятностью попадет в «тяжёлую» модель. Вы будете получать дешевые клики от ботов и зевак и будете заперты в гетто неплатёжеспособной аудитории, потому что Андромеда не станет тратить на вас дорогие GPU-циклы для поиска реальных покупателей. 

Hardware-Level Parallelism: те самые МОЩНОСТИ

В описаниях Андромеды часто встречается упоминание понятий NVIDIA Grace Hopper Superchip, High-bandwidth CPU-GPU interconnection. Зачем это маркетологу вообще? А здесь скрыт нюанс, который позволяет понять драматический масштаб перемен. 

Раньше как было: данные гонялись между процессором (CPU) и видеокартой (GPU). Это дело небыстрое, и многие параметры отбрасывались для оптимизации. Теперь же данные лежат в памяти суперчипа (HBM-SRAM), что привело к тому самому «10,000x increase in model complexity».

Алгоритм учитывает факторы, о которых мы даже не думаем: скорость движения пальца по экрану, уровень заряда батареи (как индикатор тревожности), яркость экрана, скорость интернета, историю покупок за 5 лет и семантический анализ аудиодорожки в вашем видеокреативе. И всё это является маленьким фактором ранжирования. 

У автора статьи есть значительный опыт работы с Google Discover на заре подъема трафика оттуда, когда для исследования его алгоритмов применялся абсолютно примитивный способ — брался чистый Android-девайс и постепенно «натаскивался» поведенческими факторами, чтобы изучить выдачу контента для того или иного пользовательского профиля. Кто знает, возможно, некоторые методы подобного исследования демонстрации креативов перекочуют в Meta, в частности, для изучения рекламных рекомендаций дорогой ЦА.

Результаты изучения «анатомии»

Всё вышесказанное означает, что нужно осознавать свою дополнительную роль: теперь вы уже не просто медиабаер, а дилер данных (содержимого своих креативов) для нейросети. Чем качественнее, разнообразнее и понятнее для машины ваш контент, тем более умную и богатую аудиторию она сможет вам найти. Это первое. 

Второе — на своём опыте работы с LLM мы помним, что они развиваются итеративно. Сразу же вспоминается история версий ChatPGT: сначала выходит версия модели 4o, затем частично раскатывается 4.5 (при этом остаётся доступна 4o). После этого — модель 5.1, а старые на какое-то время пропадают, чтобы снова вернуться (но не для всех). Скорее всего, обновление алгоритмов будет происходить аналогичным образом. При этом, в случае с Meta это будут скрытые обновления на сложно предсказуемый сегмент рекламных объявлений. Можно предположить, что именно это и привело к тому, что активно «эффект Андромеды» мы начали чувствовать спустя год после обновления. 

Как эффективно работать с «Андромедой»?

Мы разобрались «что произошло», теперь перейдём к следующей стадии и рассмотрим, что с этим делать со всех сторон — от достаточно поверхностных и водных рекомендаций, до того, что пишет комьюнити из действующих баеров FB.

Повторимся, что алгоритм может работать в разных версиях для разных рекламных кабинетов и тематик, поэтому здесь сложно вывести алгоритм для универсально-успешного запуска. Скорее мы обозначаем направления «куда копать». Начнём с достаточно общих советов, которые скорее направлены на формирование майндсета для работы в новых реалиях, а завершим комментариями от практиков.

1. Не вставляем ИИ палки в колёса

Фразу «Creative is the new Targeting» мусолят на конференциях уже лет пять. Но раньше это было пошлым кликбейтом, а с приходом Андромеды — значительный фактором, который игнорировать нельзя.

Как это работало раньше:

Баеры приходили к Facebook и говорили: «Смотри, вот мой крем для суставов. Покажи его женщинам 45+, которые лайкают садоводство». Алгоритм шёл в свою базу, фильтровал пользователей по тегам и показывал рекламу. Маркетологи ограничивали поиск своим (не всегда соответствующим действительности) представлением о клиенте.

Что происходит сейчас:

Система сканирует видеоролик с рекламой (допустим, коврика для йоги), раскладывает его на тысячи параметров (эмбеддинги) и видит:

• Визуальный ряд: коврик для йоги, пастельные тона, медленные движения. Аудио: спокойный тембр, ASMR-звуки. 
• Текст: слова «баланс», «утро», «дыхание».

Андромеда не ищет людей, указавших тег «йога» на страницах. Она ищет поведенческий кластер, который реагирует на такое сочетание сигналов. И оказывается, что этот креатив лучше всего конвертит не у «адептов ЗОЖ», а у утомлённых офисных сотрудниц 30-40 лет с фотографиями в профиле из баров.

Последствия следующие:

• Интересы стали ограничениями. Когда выбирается интерес, вы буквально говорите алгоритму: «не нужно искать покупателей за пределами этой песочницы».
• Широкая аудитория — это путь. Выбирая Broad Match, Андромеда получает вводные: «Ищи везде, ты умнее», — и алгоритм находит.
• Исключения ломают аукцион. Пытаемся исключить тех, кто уже был на сайте? Поздравляем, CPM взлетел на 40%. Андромеда знает, кто купил, а кто — нет: лишние условия усложняют математику аукциона, за что система штрафует долларом.

Что делать: давать меньше ограничений и больше свободы для алгоритма.

2. Отпускаем старые связки 

Начиная с середины 2025 года, многие заметили, что связки, которые качали лиды годами, вдруг встали. Причиной стала возможность предиктивной аналитики у Андромеды —  иными словами, её возможность видеть будущее.

В формуле аукциона есть параметр EAR (Estimated Action Rate) — прогноз вероятности действия. Раньше он был простым: «Кликнет или нет?». Теперь, благодаря Sequence Learning (обучению на последовательностях), Андромеда оценивает Post-Click Experience ещё до показа рекламы. И это душит кликбейт.

Допустим, у вас яркий, кричащий креатив в винтажном стиле «ШОК! ПОХУДЕЙ ЗА 5 МИНУТ». Пользователь кликает, заходит на лендинг, ему там что-то не нравится, и он уходит спустя считанные секунды. Андромеда запоминает паттерн: «креатив генерирует разочарование».

Раньше вам бы это простили, если вы платите. Теперь система пессимизирует такой креатив на уровне много раз упомянутого в статье Retrieval (отбора креатива) и просто перестает пускать объявление в аукцион к ценной ЦА. 

Симптомы того, что Андромеда отфильтровала крео:

• Ghost Spend: стоит бюджет $1000, а откручивается $50. Система не находит людей, которым безопасно показать вашу рекламу.
• Взлет CPM в 3 раза: это налог на низкое качество, креатив пускают только к самой дорогой или самой мусорной аудитории.
• Смерть на вторые сутки: креатив запускается, даёт дешевые лиды 24 часа (пока система тестирует), а потом умирает в ноль. Это значит, что тест показал негативный User Value, и кран перекрыли.

Что делать: следить за всеми этапами воронки и отвыкать от того, что можно закидать разочарованного пользователя подъемом бюджета.

3. Даём качественные сигналы

Очень простой и предсказуемый пункт. Для того чтобы алгоритм высоко вас ранжировал, нужны факторы ранжирования — как отрицательные, так и положительные. Пиксель, CAPI, настроенные события — это «корм» которым вы насыщаете алгоритм.

CAPI хотелось бы выделить отдельным пунктом. При работе через серверные события EMQ выше, а обучение происходит быстрее. Помимо включения CAPI, важно качество передаваемой информации. Андромеда оценивает также и качество совпадений событий. Краткий чек-лист по обмену данными:

• Дублировать события, настроив передачу и через пиксель, и через CAPI. Facebook сам склеит дубли, зато ничего не потеряется.
• Использовать расширенный мэтчинг (Advanced Matching). Отправляйте хешированные данные: email, телефон, имя, город. У Андромеды есть гигантская база пользователей. Получив зашифрованный email вашего лида, она понимает: «Ага, это Вася, которому нравятся удочки. Поищу ещё рыбаков»
• Обучать алгоритм на всей воронке. Не шлите только событие покупки. Если покупок мало, данных вам не хватит. Передавайте ViewContent, AddToCart, InitiateCheckout — дайте алгоритму зацепиться хоть за что-то, чтобы был понятен портрет вашей аудитории.

Что делать: стараться скармливать алгоритму максимум из данных, которыми располагаете.

4. Диверсифицируем креативы

Помните, как закидывали сразу пачку креативов, где менялись одно-два слова или элемент картинки? Забудьте. Андромеда ненавидит дубли. Если вы загрузите 5 видео, где меняется только цвет фона, алгоритм отсканирует их, поймёт, что семантически это одно и то же, и схлопнет их в один кластер, где вы будете грустно конкурировать сами с собой.

Что алгоритм не считает разнообразием:

• 15 версий одного заголовка.
• Переупаковка одного и того же месседжа из одних составляющих.
• Одно и то же видео с разными хуками в первые три секунды.
• Косметические правки в тексте.

В нынешних реалиях нужно кормить алгоритм семантически разным кормом, чтобы он мог зацепить разные сегменты аудитории (Micro-audiences) внутри широкого таргетинга. У вашей аудитории могут быть как разные портреты, так и разные состояния, в которых они наткнутся на ваш креатив. Ваш сетап может выглядеть примерно так:

• Креатив А (UGC, живая съемка, эмоции): это крючок на импульсивных зумеров.
• Креатив Б (статистика, наука, крупный текст, цифры, выгода): это, допустим, для рациональных мужчин 35+.
• Креатив В (Founder Story, говорящая голова): для тех, кому нужны доверие и бренд.

Все три креатива лежат в одном широком адсете. Андромеда сама покажет Креатив А студенту, а Креатив Б — бухгалтеру.

Реальная диверсификация начинается тогда, когда один и тот же продукт продаётся через разные боли, разным людям и в разных форматах. Система проанализирует библиотеку креативов и сопоставит её с поведением пользователей. Если вчера человек смотрел распаковки — алгоритм покажет ему ваш UGC.

 В идеале в вашем адсете должны работать фундаментально разные концепции, например:

• Проблема/Решение: классическая демонстрация «было/стало».
• История фаундера: почему этот продукт вообще появился.
• Социальное доказательство: UGC (контент пользователей), отзывы, распаковки.
• Лайфстайл: продукт в реальной жизни.
• Демонстрация: технические характеристики, «внутрянка».
• Продажа «образа жизни»: лаконичный креатив, который демонстрирует эстетику и эмоции, с которыми ЦА хочет себя ассоциировать 

Выше представлены самые базовые концепции, для проработки всех возможных понадобится отдельный лонгрид, который мы, возможно, когда-нибудь и напишем…

Что делать: видеть потенциальные «портреты» и «User Story» ЦА, а не параметры. Тестировать не креативы, а психотипы. 

5. Проектируем рекламу как продукт: подход User Story

В процессе изучения алгоритма Андромеды и адаптации под них креативов, сами собой напросились параллели с проектированием цифровых продуктов и UX. В UX/UI дизайне часто используют формулу User Story, чтобы понять суть и задачу интегрируемой фичи. Формула выглядит так:
«Как <роль>, я хочу <действие>, чтобы <ценность>».

В рекламе на Facebook, по мере раскатывания Андромеды, как будто бы предстоит делать то же самое: не создавать «баннер для…», а проектировать решение под конкретную ситуацию потребления. 

Это можно представить как условное разделение на Роль, Желание, и Контекст. Раскроем по пунктам:

1. Роль. Это не абстрактные «женщины 25-45», а более конкретный аватар в некотором контексте, допустим:

• Студент в поисках акций и скидок.
• Молодая мама в декрете, у которой нет времени на себя.
• Скептик 40+, который уже был огорчён покупкой схожего товара.
• Upper-middle класс, которому важнее картинка, нежели цена.

2. Желание. Здесь желательно искать корневую мотивацию. «Купить дрель» — это плохо сформулированное желание. «Повесить полку и почувствовать себя мужиком» или «Подарить дрель мужу, чтобы он прикрутил наконец эту несчастную полку» — гораздо более контекстное.

3. Контекст. На какой стадии решения проблемы, которое предлагает наш оффер, находится потребитель прямо сейчас?

• Unaware: не знает, что у него проблема — нужен шок-контент или интрига.
• Problem-Aware: знает, что болит, но не знает, чем лечить — нужен ликбез по методам.
• Solution-Aware: знает варианты лечения, но не знает вас — нужно выделиться.
• Product-Aware: знает вас, но мнётся — нужен пробивной оффер или отбивка возможных возражений.

Адаптированная формула разработки User Story креатив выглядит так: как [Роль] на стадии [Контекст], у меня есть [Желание], поэтому покажи мне [Креатив].

Разберём на примере разработки беззубого креатива под товарку. Допустим, у нас бренд женской одежды. Для него могут использоваться два следующих сценария:

Сценарий для белого воротничка:

1. User Story: «Как карьеристка (Роль), которая уже видела этот бренд у блогеров (Контекст), я хочу выглядеть уместно и дорого в офисе или на переговорах (Желание)».
2. Креатив: Статичное фото или карусель, мягкие тона, минимализм, дорогая фактура ткани крупным планом. Не более трёх цветов на объявление. Без кричащих скидок и ярких акцентов.
3. Посыл: «Тихий индикатор благополучия, который заметят правильные люди».

Сценарий для мамы двух ангелочков в декрете:

1. User Story: «Как мама в декрете (Роль), которая ищет удобную одежду и озабочена своим внешним видом (Контекст) я хочу чувствовать себя красивой, но чтобы было удобно гулять с ребёнком, и она легко отстирывалась (Желание)».
2. Креатив: Лайфстайл-видео. Девушка одежде играет с ребенком, садится на траву, ей комфортно, выглядит она стильно, её движения ничего не ограничивает.
3. Посыл: «Стиль, который выдержит твой ритм жизни. Не надо выбирать между красотой и комфортом».

Если запускать общее объявление «купи одежду со скидкой», то бюджет сливается, пытаясь продать «всем». Разработка креативов по User Story-методу позволяет нарезать аудиторию на понятные алгоритмам сегменты и обозначает пути достижения нужного пользовательского профиля.

Комментарии действующих баеров 

Мы собрали мнения действующих медиабаеров из комьюнити, чтобы получить обратную связь по Андромеде от тех, кто работает с ней. Источник — чат Konstantyn Fox. 

Коллега на скриншоте выше подсвечивает классический разрыв между теорией и реальностью аукциона. В теории, Андромеда требует свободы: запускать CBO, ставить ГЕО и загружать много креативов, чтобы алгоритм сам нашел нужные пласты аудитории под каждое объявление. На деле ИИ всё еще часто распределяет бюджет некорректно, отдавая деньги неэффективным связкам, и чтобы избежать «слива не туда», приходится игнорировать рекомендации Фейсбука и возвращаться к жесткой структуре 1-1-1 ( 1 кампания — 1 адсет — 1 объявление).

Баеры отмечают, что заимствованные и банально перерисованные из спай-сервисов креативы стали работать значительно хуже: 

Подтверждается информация, что рекомендуется делать больше креативов под разные профили пользователей — источник канал SHO TEAM. 

Комментарий по поводу масштабирования в реалиях Андромеды от 1x Тимлида:

Повышение бюджета на 20–30% теперь считается стрессом, который сбрасывает обучение и отправляет вас обратно на старт. Чтобы расти безопасно, нужно прибавлять по 10–15% в сутки. Если нужно резче, делайте «прыжок» в х1,5, но не чаще 1 раза в 4 дня.

Важно использовать CBO и масштабирование на уровне кампании, поскольку Андромеда обучается именно там, а правки бюджета внутри адсетов (ABO) ломают хрупкую модель распределения. Критически важно держать объем: чтобы эта схема работала стабильно, кампании нужно минимум 50–100 событий в неделю, а если их будет меньше — начнёт штормить.

Изучив остальные комментарии от баеров, включая тех, которые провели два-три месяца непрерывных тестов, мы можем отметить регулярно появляющиеся аномально высокие показатели частоты показов и CPM, которые не возвращаются к летним значениям. Например, периодически стоимость трафика в Tier-3 регионах достигает ценовых уровней Tier-1. Период оптимизации теперь может затягиваться на 5–7 дней, пока алгоритм ищет нужную аудиторию, что кратно повышает порог входа и стоимость тестов. Метрики подвержены сильной волатильности: в один день стоимость конверсии может делать окупаемость невозможной, а в другой — конверсия падает из-за притока неплатёжеспособной аудитории. 

Выводы и итоги

Произошёл фундаментальный сдвиг. Пока ещё можно вывозить на старых практиках, однако количество «насиженных мест» в работе с ФБ постепенно будет снижаться. Где-то всё ещё допустимо сопротивляться алгоритмам, однако будущее однозначно за сотрудничеством.

Уверенно можно сказать одно: нужно больше качественных креативов, и те, кто умеет не просто вытягивать их из спая, а выстраивать концепции и производственный поток, будут в выигрыше. Закончить хочется красивой фразой: адаптируйтесь, заливайте объемы и помните — шторм не закончится, мы просто учимся жить в открытом море.

Спасибо за внимание: мы надеемся, что эта статья была для вас полезной. Мы применили много усилий и навыков, чтобы её создать. Будем рады видеть вас в телеграм канале @cpasitecpa!