Часть II · Глава 6

Targeting и Audiences

Статус: reviewed · Пререквизиты: Что такое AdTech и зачем он существует, Участники рекламной экосистемы, Основные рекламные метрики, Экономика и бизнес-модели AdTech, Как устроена рекламная кампания

Targeting и Audiences

Суть: сначала допустимое множество, потом ranking

Targeting1 отвечает не на вопрос «кто обязательно купит», а на более ранний вопрос: какие рекламные возможности система должна запретить, допустить или считать предпочтительными. Из всего потока ad opportunities2 advertiser3 сначала формирует допустимое множество, затем delivery system ранжирует его ради выбранного результата.

business intent
  → hard eligibility constraints
  → audience/context signals
  → eligible opportunity set
  → optimization ranks eligible opportunities
  → delivery outcomes become new signals

Эта цепочка — главная mental model главы. Она отделяет правила допуска от гипотез о релевантности и от optimization. Без такого разделения поле Audience в vendor UI легко принять за строгий фильтр, хотя конкретный продукт может использовать его лишь как подсказку модели.

Зачем targeting: от всего множества opportunities к eligible set

Publisher4 создаёт множество возможностей показать рекламу: в разных странах, приложениях, браузерах, контекстах и моментах. Покупать всё множество нерационально. Приложение с подпиской, доступное только в Германии и только на поддерживаемых мобильных OS, не должно платить за desktop opportunity во Франции. Но внутри Германии заранее неизвестно, какой допустимый user оформит подписку. Поэтому configuration делится на три типа семантики:

Семантика Что означает Пример
Control / constraint Opportunity обязана пройти правило; иначе delivery запрещена geo = DE, device = mobile, supported OS
Signal / hint Признак помогает модели расставлять приоритеты, но не всегда ограничивает множество Interest fitness, seed5 (образец из ценных subscribers, по которому модель ищет похожих)
Audience exclusion / suppression6 Отрицательное правило отсекает совпавшего пользователя или устройство Не показывать current paid subscribers

Слово targeting в продукте может охватывать все три строки. Семантика задаёт контракт настройки, а не её положение на экране. Особенно важно выяснить, допускает ли продукт выход за positive input и какие exclusions остаются строгими.

Учебная модель на множествах, не формула production bidder:

eligible(o) = geo(o)
           ∧ device(o)
           ∧ context_or_placement(o)
           ∧ audience_control(o)
           ∧ ¬suppression(o)

delivery_score(o) = model(features(o), targeting_signals, optimization_event)

eligible(o) — boolean predicate для opportunity o. delivery_score(o) имеет смысл только после прохождения обязательных правил: он задаёт относительный приоритет внутри eligible set. Optimization target7 сообщает, какой outcome направляет ranking, например paid_subscription; сам targeting не гарантирует этот outcome.

Где именно продукт хранит правило — на campaign8, ad group или ad set9 — зависит от platform и campaign type. Для переноса mental model между vendors полезнее классифицировать каждое поле как constraint, signal или exclusion, чем запоминать экран.

Data flow выглядит так:

advertiser rules и customer events ───────┐
publisher/platform opportunity + context ├─→ normalize/match
optional external data provider ──────────┘       ↓
                                           eligibility
                                               ↓
                                             ranking
                                               ↓
                                      delivery event → outcome
                                               └─→ feedback

Publisher или platform описывает opportunity; advertiser передаёт controls, seeds и exclusions; внешний data provider10 может добавить audience segment11; DSP12 или закрытая platform выполняет matching, eligibility и ranking. Outcomes возвращаются позже и становятся inputs следующих решений.

Money flow при этом не превращается в новую pricing model. Targeting меняет состав доступного inventory13 и распределение media spend14, но не определяет bid15, budget16 или pacing17. Данные внешнего provider могут иметь отдельную fee; механика ставок и расхода относится к главе 7.

Какие признаки доступны: geography, device, OS/browser и demographics

Простейшие targeting dimensions описывают environment opportunity или вероятные свойства единицы аудитории (entity: пользователя, устройства или домохозяйства). Их наличие в request не делает их безошибочными фактами.

Измерение Что описывает Возможные источники Типичная неопределённость Возможная семантика
Geography Вероятное присутствие, регулярное присутствие или интерес к location IP, device settings, account data, search/content behavior VPN, travel, stale или inferred location Control либо product-specific broad option
Device Класс и иногда family/model устройства Request/device metadata, app/platform Укрупнение значений, spoofing, unknown Часто criterion/control
OS/browser Software environment: family и при наличии version User agent, app SDK, platform metadata Reduced version, отсутствующее поле, unsupported criterion Channel- и product-specific
Demographics Категория профиля Declared, partner-supplied или inferred data unknown, misclassification, stale inference Control либо suggestion

Geography (география)

Критерий geography может задавать country, region, city, postal area или radius вокруг точки. Но значение DE ещё не доказывает физическое местонахождение человека. Продукт может интерпретировать его как likely presence, regular presence или interest in Germany. Источник почти всегда даёт best-effort inference, а не заверенную координату.

Google Ads показывает product-specific пример этой разницы: advanced location options различают Presence or Interest и Presence, причём документация прямо предупреждает, что location выводится из нескольких signals и не имеет 100% accuracy. Это не универсальный default отрасли; в любом продукте нужно читать точную семантику positive и negative geo rules.

Device, OS и browser

Mobile описывает device class, Android — OS family, Android 15 — OS version, а Chrome — browser family. Эти axes связаны, но не взаимозаменяемы. Opportunity с Android tablet может пройти OS rule и не пройти device-class rule phone only. In-app inventory может передавать OS, но вообще не иметь полезного browser attribute.

Granularity зависит от channel и platform. Где-то доступен model устройства, где-то только mobile/desktop/tablet; explicit browser targeting может отсутствовать, хотя browser остаётся model feature или reporting dimension. Reduced version в таблице — следствие UA reduction: современные браузеры урезают версию OS и browser в User-Agent, поэтому точная version часто недоступна. Unknown и укрупнённые значения — нормальное состояние, поэтому advertiser должен выяснить, экспонирует ли продукт unknown как отдельную категорию, и явно решить, включать её или исключать, а не полагаться на молчаливое поведение платформы.

Demographics (демография)

Demographics — категории вроде age range, gender, parental status или household income, если продукт и policy их поддерживают. Membership может быть:

  • declared — user сам сообщил значение;
  • observed/supplied — значение пришло из разрешённого account или partner-источника;
  • inferred/modeled — platform оценила категорию по поведению и другим features.

Следовательно, age=25–34 — classification signal с источником, confidence и recency, а не проверенный паспортный факт. Unknown нельзя считать редкой ошибкой: исключив users с unknown, advertiser может существенно сократить eligible set. Доступные категории, использование sensitive characteristics и поведение unknown зависят от страны, channel и policy; юридические и consent-механизмы разбираются позже в курсе.

Для subscription app hard controls могут выглядеть как DE + mobile + supported OS. Demographics разумно добавлять только после ответа на два вопроса: это строгая граница или suggestion, и что произойдёт с Unknown.

Гипотеза о user и контекст показа — разные данные

Interests и behavior описывают предполагаемого user или его history. Context, keyword и placement18 описывают текущую media opportunity либо способ её найти. Эти признаки могут коррелировать, но отвечают на разные вопросы.

Входной признак Главный вопрос Пример outdoor store
Interest К чему пользователь предположительно имеет устойчивую affinity? interest: hiking
Behavior Какое named action или pattern наблюдались и когда? viewed_boots within 14d
Contextual targeting19 О чём текущая page, app screen или video? Статья о зимних походах
Search keyword С каким query/intent продукт сопоставляет рекламу? winter boots в поиске
Context keyword Какой термин или семантическое понятие описывает content? winter boots в тексте обзора
Placement В каком явно выбранном property/channel/site/app/video/slot допустим показ? outdoor-news app/article_feed

Interest обычно является относительно устойчивой гипотезой о preference или affinity. Он может быть declared, inferred из content consumption или поставлен partner. Интерес к hiking не равен текущему намерению купить boots: источник, recency и confidence важны не меньше метки.

Behavior строится из прошлых actions или patterns: просмотр product page, поиск, add-to-cart, install, частые покупки. Полезное behavioral rule всегда называет событие и observation window20: viewed_boots within 14 days содержательнее, чем active shopper. Наблюдавшееся действие не гарантирует будущую покупку и само по себе ещё не задаёт тактику повторного обращения.

Contextual targeting выбирает opportunities по текущему media context: topic, смысл текста, category page/app/video и связанным signals. Оно может работать без утверждения, что platform знает устойчивую cross-site identity user: достаточно классифицировать среду, где возникла opportunity. Это отличает читает статью о hiking сейчас от audience hypothesis интересуется hiking вообще.

У keyword targeting две распространённые семантики. В Search keyword связывается с user query и предполагаемым intent по match rules продукта. В display/video keyword может описывать content и помогать contextual selection. Ни в одном случае keyword не обязан означать универсальный exact string match: stemming, semantic expansion, negative rules и сочетание criteria зависят от контракта продукта.

Placement — более явный ответ на «где»: конкретный publisher property, app, site, channel, video, section или slot-level scope. Contextual system может динамически найти тысячи hiking-страниц; placement rule может разрешить только named outdoor-news app. Форматы, ad units и creative21 compatibility рассматриваются в главе 8.

Placement — перегруженный термин в продуктах. На publisher side это конкретный ad slot или правило появления рекламы; на buy side тем же словом могут называть selectable media scope — целый site, app, channel, video, section или отдельный slot. При чтении configuration нужно уточнять уровень, а не считать их одной сущностью.

Минимальное описание opportunity могло бы выглядеть так; это учебный JSON, не vendor API:

{
  "geo": "DE",
  "device": "mobile",
  "os": "Android",
  "context_topic": "outdoor/hiking",
  "placement": "publisher_app:article_feed"
}

Нельзя угадывать boolean-семантику по соседству полей. Один продукт применит topic OR placement, другой — topic AND placement, третий использует topic как signal внутри выбранных placements. Контракт продукта должен явно определять composition и precedence.

Как data превращаются в audience segment

Audience segment — не обязательно список известных людей. Это множество addressable22 единиц — таких, которые платформа способна опознать по доступному identifier и доставить им показ, — для которого определены:

  1. Единица (entity): user, account, device, browser, household или modeled profile.
  2. Membership rule: какое условие включает и исключает единицу.
  3. Происхождение (provenance): кто и как получил исходные данные.
  4. Observation window: за какой interval учитываются события.
  5. Activation contract23: как платформа сопоставляет membership со своими addressable единицами.

Observation window здесь задаёт, какие события и за какой срок определяют membership, например «trial начат не менее 7 дней назад, и оплаты после него не было». Это не attribution window: segment решает, кого рассматривать для delivery, а attribution24 позже распределяет credit за conversion25.

First-party audiences

First-party audience26 строится из data, полученных advertiser или publisher в direct relationship: CRM records, customer lists, site/app events, subscriptions и purchases. Для subscription app pipeline может быть таким:

CRM + app events + subscription status
  → normalize + deduplicate
  → rule: trial_started ≥ 7d ago AND no paid_subscription since trial_started
  → platform match (onboarding)
  → addressable audience

CDP27 или собственный data pipeline может вычислить membership, но загруженная запись ещё не равна активируемой единице. Платформа должна выполнить match — сопоставить identifiers advertiser (hashed email, device ID, собственный account ID) с identifiers, которые знает сама платформа; загрузку и match vendors часто называют onboarding. Часть records останется unmatched, может обновиться с задержкой или быть недоступна в конкретном channel/region. First-party описывает происхождение данных, а не автоматически consent, legal basis, эксклюзивное владение или 100% match.

Здесь полезно различать first-party data и first-party identity. First-party data — данные, полученные в прямых отношениях с пользователем. First-party identity — identifier, который сторона сама выдаёт и контролирует: login, собственный account ID. У advertiser есть и то и другое, но показ происходит на платформе с её собственной identity, поэтому first-party audience advertiser активируется только после match с identity платформы показа.

Google Customer Match — vendor example: advertiser передаёт собственные online/offline customer data, Google сопоставляет их для activation; отдельные варианты activation на partner inventory ограничены в EEA, UK и Switzerland, тогда как owned-and-operated properties поддерживаются по своим условиям. Базовое понятие first-party audience не изменилось, но availability изменилась из-за product policy.

Third-party audiences

Third-party audience28 поставляет внешний provider, не являющийся стороной direct relationship advertiser с пользователем. Классический контейнер таких segments — DMP29: provider или buyer хранит и сегментирует данные там, а затем активирует их в DSP; за third-party segments обычно платит buyer как data fee поверх media cost. Типичный flow:

data originators
  → provider aggregation / classification / modeling
  → labeled segment
  → DSP/platform match
  → activation

Label likely subscription buyers не раскрывает состав segment. Перед использованием нужны как минимум:

  • происхождение и collection method;
  • observation period и recency;
  • membership criteria;
  • доля observed и modeled membership;
  • permissions и допустимые use cases;
  • activation coverage и граница match.

IAB Tech Lab Audience Taxonomy даёт общую номенклатуру для меток вроде demographic, interest-based и purchase-intent, потому что vendor taxonomies исторически несовместимы. Data Transparency Standard добавляет disclosure о происхождении, recency, segmentation и modeling. Ни taxonomy, ни Data Label не являются quality score: одинаковые метки не гарантируют одинаковое множество, accuracy или performance.

Для любого segment — first-party или third-party — activation упирается в addressability: платформа доставит показ только тем пользователям или устройствам, которых способна опознать по доступному ей identifier. Какие identifiers доступны, зависит от среды: в браузерах и в мобильных OS доступность ограничена по-разному и в последние годы менялась, поэтому один и тот же segment может быть активируемым в одной платформе и почти пустым в другой. Механика identifiers и match — глава 24; последствия ограничений addressability для targeting и measurement30 — главы 40–42.

Критерий First-party audience Third-party audience
Кто собирает данные Сам advertiser или publisher Внешний provider, часто агрегируя несколько источников
Отношение с пользователем Прямое: customer, user, subscriber Косвенное или отсутствует
Прозрачность состава Membership rule и события известны полностью Видны метка и disclosure provider; состав — частично
Типичные вопросы к качеству Полнота событий, инструментирование, свежесть Доля modeled membership, recency, permissions
Ограничения activation Match с identity платформы Match, доступность segment в конкретной платформе/регионе, отдельная data fee

Порядковый номер party не задаёт качество: sparse или плохо инструментированные first-party events дают слабый segment, а provider может иметь релевантный источник, которого нет у advertiser. Сравнивать нужно правило, происхождение, свежесть и match.

Retargeting и lookalikes: прошлый контакт против новых prospects

Retargeting31 повторно обращается к пользователям или устройствам, которые раньше выполнили named interaction в заданном window; у ряда vendors та же тактика называется remarketing. Это re-engagement — возврат уже известных users, а не поиск новых. Для subscription app это может быть segment trial_started ≥ 7d ago AND no paid_subscription since trial_started; ему показывают сообщение о premium-функциях. Recency и event definition входят в тактику: посетитель pricing page вчера и посетитель год назад — не одна audience.

past interaction + window
  → retargeting membership
  → match at new opportunity
  → повторное обращение

Retargeting решает, кому снова показать рекламу. Оно не назначает attribution credit и не доказывает incrementality: высокий conversion rate32 может отражать уже существовавший intent.

Lookalike audience33 решает противоположную задачу — prospecting34: ищет новых prospects, у которых ещё не было взаимодействия с advertiser, по seed audience. Platform извлекает или использует features seed audience и ранжирует другие addressable единицы по similarity или predicted relevance.

seed: paid subscribers with 90-day value > €50
  → platform model/features
  → new similar prospects
  → prospecting delivery

Качество seed определяет задачу модели: смешанный seed из случайных trials учит не тому же, что stable high-value subscribers. Обычно возникает trade-off между similarity и size: более узкий threshold даёт меньшее множество, более широкий — больше reach35, но более слабое сходство. Lookalike не обязана включать seed, не гарантирует conversion и не доказывает causal effect.

Семантика inclusion также меняется по режиму продукта. На момент написания Google поэтапно переводит Lookalike segments в Demand Gen (одном из типов кампаний Google Ads) из similarity-threshold constraint в suggestion mode: seed и reach level направляют модель, но delivery может выйти за threshold; отдельный opt-out path сохраняет прежнюю constraint-семантику. Это не правило для всех campaign types или vendors.

Meta Lookalike сохраняет seed-based model, однако в Advantage+ audience включённая custom/lookalike audience может быть suggestion, а не граница. Значит, слово Lookalike описывает способ построения prospect signal, но не само по себе строгость delivery.

Exclusions и overlap: отрицательные правила и логика множеств

Suppression нужна, когда «не показывать» важнее positive preference. Acquisition campaign обычно исключает current customers; re-engagement campaign — users, уже совершивших нужное действие; regulated или несовместимая с продуктом совокупность users может иметь собственный hard control. Отрицательный predicate должен иметь понятный precedence над positive signal:

eligible(entity) = positive_rules(entity)
                AND NOT excluded(entity)

Но фактическая полнота exclusion ограничена observability. Если subscription event пришёл поздно, membership stale, identity не matched или platform трактует поле как suggestion, уже оплативший пользователь может получить показ. Поэтому exclusion — намерение и правило контракта, а не обещание нулевого leakage.

Audience overlap36 — пересечение memberships нескольких segments в одной и той же совокупности addressable единиц платформы. Перед запуском subscription app может проверить:

A = trial_no_purchase
B = existing_paid
C = high_value_seed_lookalike

inspect: A ∩ B, A ∩ C, B ∩ C

A ∩ B часто сигнализирует о stale events, неодинаковых windows или ошибке rules: один account одновременно считается unpaid trial и paid subscriber. B ∩ C может быть допустимым, если lookalike-продукт включает seed; при prospecting его всё равно разумно убрать через exclusion, если цель — новые customers.

Для сравнения двух множеств можно использовать иллюстративную Jaccard-like долю:

overlap(A, B) = |A ∩ B| / |A ∪ B|

Числитель и denominator должны относиться к одному определению единицы, одной совокупности addressable единиц и одному snapshot time. Оценки платформ могут различаться из-за matching и identity coverage. Overlap означает, что сумма размеров segments завышает distinct reach; он дробит setup и затрудняет segment-level interpretation, но сам по себе не доказывает duplicate billing или то, что campaigns «торгуются сами с собой» — семантика auction37 и dedup зависит от платформы.

Broad и algorithmic delivery: граница targeting и optimization

Broad targeting — setup с небольшим числом positive audience restrictions. Это не отсутствие правил: сохраняются geo, policy, technical compatibility, placements, brand-safety controls (глава 37) и exclusions. Algorithmic targeting38 использует optimization goal, seeds, context, creative/landing signals и outcome feedback, чтобы искать вероятно полезные opportunities; за selected audience оно выходит только там, где input объявлен suggestion, а не hard control.

Режим Hard controls Позитивный audience input Может выйти за input? Что делает optimizer
Manual / narrow Geo, device, context и границы audience Selected segment как constraint Обычно нет, если контракт действительно hard Ранжирует внутри узкого eligible set
Broad Базовые geo/policy/inventory guardrails и exclusions Мало или нет positive restrictions Множество изначально broad Ищет likely outcomes в широком множестве
Algorithmic with signals Hard controls и exclusions Seed, interest, keyword, creative/landing signals Да, если input — suggestion Расширяет или перераспределяет delivery ради goal

Два vendor examples показывают переносимое различие control ≠ signal:

  • В Google Ads optimized targeting для поддерживаемых campaign types может искать conversions за пределами manually selected inputs. Конкретные signals различаются: для Display документация называет audience segments, keywords и topics; для Video и Demand Gen — audience/custom/customer-data segments, а выбранные Video placements остаются границами. Customer-data exclusions и отдельные brand-safety controls имеют другую семантику.
  • В Meta Advantage+ audience Locations, minimum age, languages и excluded custom audiences могут выступать controls, а suggested age, gender, detailed targeting и included custom audiences — направлять AI, допускающий delivery другим users внутри controls. Availability зависит от campaign и policy category.

Это не сравнение performance и не универсальная рекомендация включать automation. Вывод уже: одинаково выглядящие audience inputs могут иметь разный контракт.

Subscription app: flow целиком

Advertiser хочет новые paid subscriptions в Германии. Configuration и data проходят следующие стадии:

  1. Hard eligibility: DE, mobile, supported OS, допустимые placements и policy rules. Для geo option уточнена семантика presence/interest.
  2. Suppression: current paid subscribers исключены из acquisition. Match delay признан возможным leakage.
  3. Retargeting branch: first-party rule trial_started ≥ 7d ago AND no paid_subscription since trial_started создаёт отдельную audience для re-engagement.
  4. Prospecting branch: high-value paid subscribers образуют seed; lookalike используется как constraint или hint согласно выбранному режиму продукта.
  5. Broad/algorithmic branch: positive audience restrictions минимальны, но hard controls и exclusions остаются. Model ранжирует eligible opportunities к event paid_subscription.
  6. Feedback: impressions39, clicks40, installs, trials и subscription events обновляют reporting, segment membership и model inputs. Существенное изменение targeting на этом шаге может вернуть optimizer в learning phase41 (глава 5).

В этом flow targeting формирует допустимость и предпочтения; optimization выбирает направление delivery ради события. Bid calculation, budget allocation и pacing не нужны, чтобы провести эту границу, и относятся к следующей главе.

Для чтения любого targeting-продукта достаточно шести вопросов:

  1. Какая единица аудитории входит в audience и что является opportunity?
  2. Какие criteria hard, какие suggested, какие negative?
  3. Кто создал signal, каковы происхождение, window и freshness?
  4. Может ли model выйти за selected audience или seed?
  5. Какой optimization event42 направляет ranking?
  6. Какие unknown, match, permission и policy limits остаются?

С чем это часто путают

  • Targeting ≠ optimization. Первое задаёт constraints и preferences; второе ранжирует допустимые opportunities ради outcome.
  • Audience ≠ context. Audience описывает matched единицу или её history; context — текущую media environment.
  • Interest ≠ intent ≠ behavior. Affinity, текущий query и прошлое action — разные признаки.
  • Placement ≠ contextual selection. Placement явно называет «где»; contextual system выбирает среды по content signals.
  • First-party data ≠ first-party identity. Данные из прямых отношений и identifier, который сторона сама контролирует, — разные вещи; audience advertiser активируется только после match с identity платформы показа, и происхождение данных не заменяет ни permission, ни этот match.
  • Retargeting ≠ attribution. Delivery tactic не решает, кому присвоить conversion credit.
  • Lookalike ≠ копия seed. Это modeled множество prospects; семантика inclusion и expansion product-specific.
  • Overlap ≠ double charge. Это пересечение множеств; billing consequences требуют отдельных доказательств из контракта.

Что важно запомнить

  1. Targeting сокращает или направляет множество opportunities, но не обещает результат; optimization начинается после eligibility и использует outcomes как feedback.
  2. Любую настройку нужно классифицировать как hard control, signal/hint или exclusion; algorithmic expansion выходит за input только там, где input объявлен suggestion.
  3. Geo, demographics, interests и behavior часто inferred и могут быть unknown или stale; device, OS и browser — разные оси с неодинаковой доступностью.
  4. Segment определяется не меткой, а единицей аудитории, membership rule, происхождением, observation window и activation contract.
  5. First-party и third-party характеризуют происхождение данных, а не качество; activation любого segment ограничена addressability платформы.
  6. Retargeting повторно обращается к известному interaction set; lookalike ищет новых prospects по seed.

Проверьте себя

  1. Почему geo = DE может означать не то же самое, что «user физически находится в Германии»?
  2. Чем interest: hiking, viewed_boots in 14d и статья о hiking различаются как targeting inputs?
  3. Какие пять характеристик нужны, чтобы содержательно описать audience segment?
  4. Почему включённая audience в algorithmic-продукте не всегда является строгой границей delivery?

Источники и дополнительное чтение

  1. IAB Tech Lab — Audience Taxonomy — общая номенклатура audience categories; обновлено 11 декабря 2024 года, проверено 2 сентября 2026 года.
  2. IAB Tech Lab — Data Transparency Standard — disclosure происхождения, recency, segmentation и modeling без quality grade; обновлено 23 апреля 2024 года, проверено 2 сентября 2026 года.
  3. Google Ads Help — About advanced location options — Presence or Interest, Presence и best-effort geo inference; проверено 2 сентября 2026 года.
  4. Google Ads API — Targeting criteria — product-specific criteria и scopes; проверено 2 сентября 2026 года.
  5. Google Ads Help — About Customer Match — first-party customer-data matching и current availability limits; проверено 2 сентября 2026 года.
  6. Google Ads Help — About optimized targeting — manually selected segments как signals и separate controls; проверено 2 сентября 2026 года.
  7. Google Ads Help — Use Lookalike segments to grow your audience — phased Demand Gen transition to suggestion mode during 2026; проверено 2 сентября 2026 года.
  8. Meta Business Help Center — Audience controls and Audience suggestions in Advantage+ audience — product-specific distinction controls/suggestions; проверено 2 сентября 2026 года.

Footnotes

  1. Targeting (таргетинг) — правила кампании о том, кому и где может быть показана реклама: hard controls (eligibility rules — geo, device, context, audience/keyword criteria, exclusions), которые ограничивают множество допустимых opportunities, и signals/hints, которые в algorithmic products лишь направляют delivery, не сужая eligible set. Targeting отвечает на вопрос «для каких opportunities/users/contexts возможен показ», в отличие от placement («где именно») и optimization («какой из допустимых показов выбрать»); даже если API хранит их в одном объекте, это разные оси. ↩

  2. Ad opportunity (рекламная возможность) — конкретная возможность выбрать и показать рекламу, возникшая, когда user дошёл до placement. Короткоживущее событие: в цифровой среде оно может исчезнуть быстрее, чем человек успеет принять решение, поэтому обрабатывается системами за миллисекунды, а в programmatic выставляется на торги как отдельная единица. ↩

  3. Advertiser (рекламодатель) — участник рынка, который финансирует рекламу ради бизнес-результата: установок, покупок подписки, роста узнаваемости. Он покупает не человека, а возможность обратиться к аудитории в определённом контексте; создаёт demand и задаёт цели, бюджет и creative. ↩

  4. Publisher (издатель) — владелец или управляющий media-средой, где возникают рекламные возможности: сайт, мобильное приложение, видеосервис, игра. Монетизирует среду рекламой, создаёт supply и решает, какие placement, форматы и покупателей допускать, балансируя revenue с пользовательским опытом. ↩

  5. Seed audience (исходная аудитория) — набор известных entities (например, платящие подписчики с высокой ценностью), который advertiser передаёт платформе как образец для построения lookalike или как signal для algorithmic delivery. Качество и размер seed определяют качество модели: слишком маленький seed даёт шум, слишком широкий — размывает признаки. Seed сам по себе не является целевой аудиторией показа; многие платформы по умолчанию исключают его из lookalike. ↩

  6. Audience exclusion / suppression — отрицательное targeting rule, предназначенное не допустить entities с named membership или status; фактическая полнота exclusion ограничена identity match, freshness, propagation latency и semantics конкретной platform. ↩

  7. Optimization target — outcome, под который bidding system настраивает будущие решения: чаще всего это optimization event (install, paid subscription) плюс цель по нему. Не путать с параметром стратегии: target CPA $4 — это ограничение bid strategy, а не событие, которое система предсказывает. Не превращает договор в CPA billing: payment model устанавливает contract, realized metrics описывают случившееся post-fact, optimization target влияет только на decisions до события. ↩

  8. Campaign (рекламная кампания) — организованный набор рекламной активности advertiser с целью, бюджетом, правилами доставки и creatives. До показа её условия сообщаются системам покупки; объекты и события связываются identifiers вроде campaign_id. ↩

  9. Ad group / ad set — промежуточный уровень иерархии кампании между campaign и ad, группирующий ads с общими execution rules. Названия и состав полей vendor-specific, универсальной schema нет: в Google-like модели ad group объединяет близкие ads и triggering criteria (например related keywords), в Meta-like модели ad set хранит audience, placements, optimization, bid, budget и schedule. ↩

  10. Data provider (поставщик данных) — провайдер, который продаёт или предоставляет datasets, attributes или готовые audience segments для targeting, measurement и enrichment. Работает параллельно цепочке покупки, а не «между» двумя обязательными соседями; за third-party segments обычно платит buyer — часто как data CPM, начисляемый через buying platform поверх media cost. Не путать с identity provider: тот не поставляет данные, а устанавливает соответствие identifiers. ↩

  11. Audience segment — addressable set entities, membership которого задают named rule, data source/provenance, observation window и platform matching/activation contract; entity может быть user, account, device, browser, household или modeled profile, поэтому segment не обязательно является списком известных людей. ↩

  12. DSP (Demand-Side Platform, платформа стороны спроса) — платформа, которая автоматизирует покупку рекламных возможностей для advertiser: агрегирует доступ к нескольким supply-источникам, оценивает каждую opportunity и решает, делать ли ставку и сколько платить. Относится к demand side не потому, что «создаёт demand», а потому, что действует в интересах покупателя. ↩

  13. Advertising inventory (рекламный инвентарь) — множество доступных или прогнозируемых возможностей показать рекламу, ограниченное средой, местом, форматом, временем, правилами publisher и допустимым контекстом аудитории. Inventory — не список пользователей и не склад заранее произведённых показов: opportunity возникает и исчезает в момент использования продукта. ↩

  14. Media spend (рекламные расходы) — деньги, которые advertiser выделяет и тратит на покупку рекламы. Проходят через продавцов media и в итоге образуют publisher revenue, уменьшаясь по пути на fees; не синоним publisher revenue и не синоним intermediary fee — это разные суммы одной цепочки. ↩

  15. Bid (ставка) — предложение buyer заплатить определённую цену за конкретную ad opportunity, обычно выраженное как CPM. Bid — это решение до события: он не равен итоговой цене (clearing price) и не равен billable amount; в programmatic bid формируется DSP на каждый bid request отдельно. ↩

  16. Budget (бюджет) — ограничение доступного spend на заданной scope (campaign, ad set, shared pool нескольких campaigns) и time basis. Распространены daily budget (жёсткий календарный cap, average daily target или иная форма — определяет product) и lifetime/flight budget на весь interval. Budget ограничивает расход, но не гарантирует inventory, conversions, равномерный расход или точный invoice amount. ↩

  17. Pacing (темп расхода) — политика распределения spend во времени внутри budget-ограничений: тратить ли равномерно, ускоряться на дешёвых или качественных opportunities или придерживать бюджет. Pacing распределяет ресурс, но не обещает равномерный расход: доступные opportunities и allocation меняются. ↩

  18. Placement (рекламное место или selectable media scope) — overloaded product term. На publisher side это заранее заданный ad slot или правило появления рекламы, которое порождает ad opportunities по мере использования продукта. На buy side placement может означать явно выбранную среду показа — site, app, channel, video, section или отдельный slot. Уровень сущности нужно уточнять из product contract. ↩

  19. Contextual targeting — выбор ad opportunities по текущему content или media context: topic, semantics, page/app/video category и связанным signals. Он описывает среду показа и не требует утверждения, что известна устойчивая cross-site identity user. ↩

  20. Observation window (окно наблюдения) — период, за который событие учитывается при формировании audience segment: «trial начат за последние 7 дней», «посещал страницу цен за 30 дней». Определяет свежесть membership и размер сегмента. Не путать с attribution/lookback window (за какой срок до conversion учитывать touchpoint) и с conversion window (сколько ждать conversion после click): это окна разных механизмов. ↩

  21. Creative (креатив) — рекламный материал, который доставляется и показывается user: баннер, видео, нативный формат, playable. Наряду с правилами targeting является объектом доставки и должен соответствовать формату и правилам среды publisher; в кампании обычно готовят несколько creatives. ↩

  22. Addressable (адресуемый) — пользователь, устройство или домохозяйство, которые платформа способна опознать по доступному identifier и доставить им конкретный показ; addressability — доля inventory или аудитории, для которой это возможно. Зависит от среды (browser, iOS, Android, CTV), consent и доступных identifiers, поэтому один и тот же сегмент может быть активируемым на одной платформе и пустым на другой. ↩

  23. Activation (активация) — передача данных или audience segment в систему, которая может их использовать для targeting, suppression, personalization или measurement: из CDP/DMP в DSP, из CRM advertiser в walled garden, из identity graph в SSP. До activation данные — запись в хранилище; после — правило, влияющее на реальные показы. Activation требует match identifiers между источником и принимающей платформой и разрешённого правового основания. ↩

  24. Attribution (атрибуция) — правила, по которым доступные рекламные touchpoints (impression, click) сопоставляются с outcomes (установка, регистрация, покупка) и получают credit за конверсию. Attribution отвечает на вопрос «какому источнику по выбранным правилам приписано действие», а не «была ли реклама истинной причиной»: credit не доказывает causality. Провайдеры attribution — отдельная поперечная категория; в mobile — MMP. ↩

  25. Conversion (конверсия) — valuable action или outcome, который advertiser определил как значимый (install, trial, первая оплата, renewal, purchase) и который система засчитала по measurement и attribution rules. Conversions нельзя складывать без явного counting rule: один click может привести к нескольким conversions. Observed conversion — зарегистрированное событие; attributed conversion — событие, которому attribution rule назначил credit; ни то ни другое не доказывает causality. ↩

  26. First-party audience — audience segment, построенный из data, собранных advertiser или publisher в direct relationship: CRM/customer records, site/app events, subscriptions и purchases. First-party описывает provenance, но не гарантирует consent, legal basis, ownership, accuracy или полноту platform match. ↩

  27. CDP (Customer Data Platform) — система, которая собирает first-party события и customer data из product, CRM и других систем в persistent unified customer record и делает profiles, events и segments доступными downstream-системам. Не покупает media и не назначает attribution credit; относится к управлению customer lifecycle, что делает её частью MarTech. ↩

  28. Third-party audience — audience segment, поставляемый внешним data provider независимо от direct relationship advertiser с entity; для оценки segment нужны provenance, collection method, recency, membership criteria, modeling metadata, permissions и activation coverage, поскольку label сам по себе не доказывает состав или точность. ↩

  29. DMP (Data Management Platform) — advertising-oriented система для управления, сегментации и activation audience data: собирает campaign signals и внешние datasets, строит audience profiles и segments и активирует их через рекламные интеграции. Не обязана быть system of record для полного customer lifecycle. Историческое правило «DMP — только cookies и anonymous data» ненадёжно; рабочая граница с CDP проходит по главной задаче — рекламная audience activation против устойчивого customer record. ↩

  30. Measurement (измерение) — функция регистрации и агрегации рекламных событий (impressions, clicks, outcomes) для отчётности и оптимизации. Measurement-провайдеры дают независимую точку наблюдения; у разных участников разные timestamps и правила подсчёта, поэтому отчёты не обязаны совпадать идеально. В mobile выделенная категория — MMP. ↩

  31. Retargeting — targeting entities, ранее выполнивших named interaction или event в заданном observation window, чтобы обратиться к ним повторно; это delivery tactic, а не attribution rule и не доказательство causal effect. ↩

  32. CVR (Conversion Rate) — доля qualifying conversions в declared eligible precursor events: CVR = qualifying conversions / declared eligible precursor events × 100%. Голый CVR скрывает переход: сравнимы только названные переходы вроде click-to-install или install-to-trial; значение выше 100% возможно при нескольких conversion actions на один interaction. ↩

  33. Lookalike audience — modeled audience новых prospects, найденных по similarity или predicted relevance к seed audience; результат зависит от seed quality и platform model, а использование lookalike в delivery может быть hard constraint или suggestion согласно product contract. ↩

  34. Prospecting (привлечение новых) — направление кампании на пользователей, у которых ещё не было взаимодействия с advertiser: lookalike, interest, contextual или broad targeting. Противоположность retargeting и re-engagement, которые обращаются к уже известным пользователям. Для prospecting характерны меньшая конверсия и большая ценность incremental результата, поскольку пользователь не пришёл бы сам. ↩

  35. Reach (охват) — de-duplicated число unique entities (person, device, household, account или modeled audience), получивших хотя бы одну qualifying exposure за период, либо доля таких entities в явно заданной population: reach rate = reached unique entities / declared universe × 100%. Сравним только при одинаковых entity definition, exposure rule, population, de-dup scope и period. ↩

  36. Audience overlap — пересечение memberships нескольких audience segments в одной activation universe и на одном snapshot; оно влияет на distinct reach, reporting и segmentation design, но само по себе не доказывает duplicate billing или self-competition. ↩

  37. Auction (аукцион) — механизм выбора победителя среди нескольких bids на одну ad opportunity и определения цены (clearing price) по правилам аукциона — first-price, second-price и их варианты. Auction win — событие выбора победителя; оно не равно показу и не делает impression billable само по себе. ↩

  38. Algorithmic targeting — delivery mode, в котором model использует optimization goal, context, audience seeds и другие signals для поиска и ранжирования opportunities, потенциально за пределами suggested segments, но внутри заявленных hard controls и exclusions. Broad targeting — setup с минимумом positive audience restrictions, а не отсутствие constraints. ↩

  39. Impression (показ) — событие доставки или показа выбранной рекламы, зарегистрированное системой по определённому правилу; единица подсчёта, а не факт восприятия человеком. Served, rendered и viewable — разные состояния доставки, поэтому счётчики разных участников одной сделки могут не совпадать. ↩

  40. Click (клик) — qualifying user-initiated interaction с рекламой, зарегистрированная по правилу конкретной системы. Даже одно действие имеет несколько measurement points: initiated, measured (click tracker), received (destination) и resolved (landing page) clicks не обязаны совпадать из-за обрывов соединения, redirect-цепочек и filters. ↩

  41. Learning phase (learning status, фаза обучения) — состояние optimizer, в котором delivery/bidding model собирает evidence после запуска или material configuration change: прежние данные хуже описывают новые решения. Learning — одна из осей operational state наряду с configured, effective и review status, а не противоположность active: показы и spend идут, а vendor-specific significant edits (targeting, creative, optimization event, состав ads, bid strategy) могут вернуть optimizer в learning без изменения configured status. ↩

  42. Optimization event — наблюдаемое событие, под которое система доставки обучается и оптимизирует показы: install, trial start, paid subscription, purchase. Выбирается advertiser в настройках campaign (у разных platforms — conversion action, conversion goal, performance goal). Не равно campaign objective (бизнес-намерение), не равно billable event (за что платят) и не равно параметру стратегии вроде target CPA. Более глубокое событие даёт меньше сигналов и дольше learning. ↩