18.08.2026

ИИ и нейросети в геотаргетинге: обзор технологий и подходов

Геотаргетинг как инструмент интернет-рекламы существует более десяти лет. Базовый принцип — показ рекламных сообщений пользователям, находящимся в определённой географической зоне, — остаётся неизменным. Однако способы определения этой зоны и её привязки к поведению потребителей претерпевают существенные изменения с развитием технологий искусственного интеллекта и машинного обучения. Например, с систематизированным подходом к применению ИИ в маркетинговых задачах, включая пространственный анализ, можно познакомиться в рамках курса "ИИ для маркетолога". Онлайн курсы данного направления становятся сейчас очень актуальны.

1. Эволюция подходов к географическому таргетингу

Традиционный геотаргетинг строился на использовании административных границ (город, район) или радиальных зон вокруг заданной точки. В основе лежало предположение, что все пользователи внутри выбранной территории однородны с точки зрения потребительского поведения. Это допущение, однако, не подтверждается эмпирическими данными — внутри одного района могут проживать группы с разным уровнем дохода, разными паттернами мобильности и различным потребительским профилем.

Снимок города

Следующим этапом развития стало использование данных геоаналитики — наложение на карту нескольких пространственных слоёв: плотности населения, уровня доходов, расположения конкурентов, транспортной доступности. Такой подход позволяет выявить зоны с более высокой концентрацией целевой аудитории, но требует ручного анализа и не масштабируется на большое количество локаций.

Технологии искусственного интеллекта предлагают альтернативу — автоматизированный многофакторный анализ с использованием десятков и сотен переменных для каждой точки на карте.

2. Архитектура ИИ-решений для геотаргетинга

2.1. Многослойный пространственный анализ

Одним из примеров технологических решений в этой области является платформа BeSpatial.AI, разработанная при поддержке Европейского космического агентства. Система анализирует пространственные ячейки размером 100x100 метров, используя более 100 переменных для каждой.

Источники данных включают:

• данные дистанционного зондирования — спутниковые снимки программы Sentinel-2, позволяющие определять типы застройки, плотность зелёных зон, инфраструктурные объекты;
• социально-экономические показатели — покупательская способность населения в разрезе мелких территориальных единиц;
• данные о мобильности — обезличенная информация о перемещениях пользователей, позволяющая оценивать суточную динамику активности в разных частях города;
• демографические профили — возрастная и половая структура населения, состав домохозяйств.

На основе этих данных строятся модели машинного обучения, которые для каждого квадрата рассчитывают вероятностную оценку конверсии для конкретного бизнеса. Каждый клиент платформы получает собственную модель, обученную на геолокации его существующих клиентов и находящую новые зоны со схожими характеристиками.

Технические характеристики (по данным разработчика):

• Количество слоёв данных: 103
• Точность модели для финансового сектора: 91%
• Разрешение пространственной сетки: 100х100 метров
• Тип модели: градиентный бустинг на деревьях решений

2.2. Нейросетевые модели ранжирования с учётом локации

Другое направление — интеграция географической информации в нейросетевые алгоритмы ранжирования рекламы. В работе, опубликованной на платформе arXiv, предложена модель gw2v, расширяющая классический подход к векторным представлениям слов учётом местоположения пользователя.

Традиционный алгоритм word2vec строит семантическое пространство, где близость векторов отражает смысловое сходство слов. Модель gw2v добавляет к этому пространству измерение, соответствующее географическим координатам. В результате запрос пользователя и его физическое местоположение оказываются в едином пространстве, и алгоритм может учитывать локальный контекст ещё до того, как пользователь кликнул по объявлению.

В экспериментах на реальных данных модель показала:

• улучшение точности ранжирования для неявных локальных запросов (например, «кофейни рядом») на 6–20%;
• эффективность метода не зависит от языка — модель работает для разных регионов без дополнительной настройки;
• векторные представления локаций позволяют алгоритму «понимать», что один и тот же поисковый запрос из разных районов требует разных рекламных объявлений.

2.3. Использование данных операторов связи

В России одним из примеров внедрения ИИ-инструментов в геотаргетинг является платформа «Билайн» для цифровой indoor-рекламы. Система использует обезличенные данные о концентрации абонентов в торговых точках розничных сетей.

Источником данных служат агрегированные показатели проходимости и социально-демографический профиль посетителей конкретных магазинов (а не усреднённая статистика по району). Рекламодатель может самостоятельно составить адресную программу размещения, настроив частоту, время и место показа.

Основные параметры платформы:

• География: 72 региона России;
• Партнёрские сети: «Пятёрочка», «Перекрёсток», «Магнит», «Лента»;
• Возможность сегментации: по времени суток, дням недели, типам торговых точек;
• Охват: до 300 млн контактов в месяц (агрегированный показатель).

Ключевое отличие от традиционных подходов — доступ к данным о проходимости конкретной торговой точки, а не усреднённым показателям по району, что позволяет более точно прогнозировать охват и конверсию.

3. Сравнительный анализ эффективности

В открытых источниках и отраслевых отчётах приводятся данные о результатах A/B-тестов ИИ-геотаргетинга по сравнению с традиционными методами.

Показатели, зафиксированные в исследованиях BeSpatial.AI:

Важно отметить, что приведённые данные основаны на отчётах разработчика и могут варьироваться в зависимости от отрасли, региона и качества исходных данных. Они скорее иллюстрируют потенциал подхода, чем являются универсальным результатом.

4. GEO-оптимизация: контент для нейросетей

Отдельное направление, связанное с развитием генеративных ИИ-систем, — оптимизация контента для нейросетевых поисковых систем (GEO, Generative Engine Optimization). Пользователи всё чаще получают информацию через чат-интерфейсы (ChatGPT, Perplexity, Gemini), минуя традиционные поисковики.

В этом контексте возникает задача: обеспечить присутствие бренда или продукта в ответах, генерируемых нейросетями на локальные запросы. Традиционная SEO-оптимизация, ориентированная на поисковые алгоритмы Google и Яндекс, не полностью переносится на генеративные модели, поскольку последние используют другие принципы ранжирования и отбора источников.

Один из подходов — анализ того, как разные нейросети отвечают на запросы, связанные с конкретной локацией и категорией товаров. На основе этого анализа создаётся контент, который модели ИИ считывают как релевантный и объективный. Этот метод требует работы с большим количеством промптов и анализа ответов нескольких моделей одновременно.

Практические аспекты применения GEO в локальном маркетинге:

• анализ частоты упоминания бренда в ответах нейросетей на запросы с географической привязкой;
• сравнение с частотой упоминания конкурентов в тех же условиях;
• корректировка контента сайта и внешних публикаций на основе выявленных паттернов.

5. Ограничения и методологические замечания

При оценке эффективности ИИ-инструментов для геотаргетинга следует учитывать несколько методологических ограничений.

• Зависимость от качества данных. Точность моделей машинного обучения определяется качеством и полнотой исходных данных. При недостаточном количестве наблюдений или низком качестве геолокационных меток модели могут давать ошибочные прогнозы.
• Проблема интерпретации. Многие модели работают как «чёрные ящики» — маркетолог получает результат (рекомендацию по локациям), но не всегда может объяснить, какие именно факторы повлияли на решение. Для стратегического планирования это ограничение может быть существенным.
• Актуальность данных. Городская среда динамична: открываются и закрываются торговые центры, меняются транспортные маршруты, трансформируется демографическая структура районов. Данные, использованные для обучения модели, могут устаревать, что снижает точность прогнозов.
• Правовые ограничения. Использование геолокационных данных регулируется законодательством о персональных данных и требует обезличивания информации. Это накладывает ограничения на доступность и детализацию данных, особенно при использовании информации операторов связи.

6. Тенденции развития

На основе анализа открытых источников можно выделить несколько тенденций в развитии ИИ-геотаргетинга.

• Увеличение количества источников данных. Помимо традиционных геоданных (спутниковые снимки, демография), в модели интегрируются данные о потреблении электроэнергии, шумовом загрязнении, качестве воздуха — показатели, косвенно характеризующие экономическую активность районов.
• Переход к предиктивным моделям. Вместо анализа текущей ситуации разрабатываются модели, прогнозирующие изменения потребительского поведения в зависимости от сезона, экономической конъюнктуры или городских изменений.
• Интеграция с омниканальными платформами. Геотаргетинг перестаёт быть отдельным инструментом и встраивается в единые маркетинговые платформы, где географические данные комбинируются с поведенческими, транзакционными и медийными.

Заключение

Искусственный интеллект и нейросети расширяют возможности геотаргетинга, переводя его от работы с усреднёнными административными единицами к точечному анализу пространства высокой детализации. Технические решения на основе машинного обучения позволяют учитывать десятки переменных, выявлять неочевидные корреляции между характеристиками локации и поведением аудитории, автоматизировать процесс выбора рекламных площадок.

Вместе с тем, эффективность этих инструментов напрямую зависит от качества исходных данных и их актуальности, а интерпретация результатов требует понимания методологических ограничений моделей. ИИ-геотаргетинг на текущем этапе — это не замена экспертной оценки, а инструмент, предоставляющий маркетологу более детальную и структурированную информацию для принятия решений.

Развитие технологий в этом направлении продолжается, и в ближайшие годы можно ожидать дальнейшего увеличения точности моделей, расширения источников данных и интеграции с другими маркетинговыми инструментами на основе единых платформ данных.

Лида Карнаух