GEM у Meta: як нова модель змінює ранжування реклами

Після запуску Andromeda Meta суттєво прокачала масштабування рекламного ранжування, але це все ще була класична recommendation-система. Тепер компанія переходить на інший рівень із GEM — фундаментальною моделлю, яка стає центральним інструментом рекламного алгоритму.

У матеріалі пояснюємо, як працює GEM, чим відрізняється від попередніх RecSys-моделей і як нова модель впливає на ефективність рекламних кампаній у Meta. Для практичного погляду ми запросили Романа Корчака, автора проєкту «Реальний Таргет», який поділився досвідом роботи з GEM у реальних рекламних кампаніях.

Що таке GEM?

GEM — це фундаментальна AI-модель рекламного ранжування Meta, яка навчається на великих масивах поведінкових сигналів і формує узагальнені представлення користувачів та контексту показу для інших рекламних моделей.

Модель аналізує не окремі кліки чи покупки, а всю історію дій користувача з урахуванням часу. Вона враховує цілі рекламодавця, тип креативу та умови показу реклами. Завдяки системі InterFormer алгоритм краще розуміє зв’язки між різними діями користувача та не втрачає контекст його поведінки.

GEM централізує навчання рекламних моделей, використовуючи глобальні дані про поведінку користувачів, що робить рекомендації більш узгодженими між форматами та плейсментами і зменшує фрагментарність навчання.

Архітектура моделі GEM

У Meta раніше використовували окремі RecSys‑моделі, зокрема для Facebook Feed Ranking та Instagram Explore. Ці системи працювали фрагментарно: обробляли мільярди подій, але часто модель бачила лише обмежений відрізок історії користувача і приймала рішення у короткому контексті.

Це обмежувало ефективність масштабування: алгоритми не могли враховувати всю поведінку користувача, формат креативу чи контекст показу, через що broad‑таргетинг часто був «лотереєю», а рекламодавцям доводилося проводити ручне налаштування аудиторій і інтенсивне A/B‑тестування.

Що змінює GEM для рекламодавців

GEM радикально підвищила ефективність масштабування та навчання рекламних моделей. Нова архітектура стала у 4 рази ефективнішою, порівняно з ранніми RecSys‑моделями Meta: вона дає кращі рекламні результати при тих самих обсягах даних і ресурсів, що дозволяє краще використовувати великі масиви поведінкових сигналів і масштабувати результати без сильного росту витрат.

Крім того, GEM змінила порядок пріоритетів у Meta: якщо раніше алгоритм орієнтувався переважно на сегменти та інтереси користувачів, тепер у центрі уваги — повний шлях взаємодій користувача, комплексна поведінка, цілі рекламодавця, формат креативу та контекст показу. 

GEM переводить таргетинг від сегментної моделі до поведінково-орієнтованої: алгоритм самостійно аналізує користувачів, що дає менший контроль рекламодавцям, але точніше знаходження потенційних клієнтів та ефективніше масштабування кампаній.

Механізм знань передається іншим моделям через нові техніки, що підвищує ефективність і поширює розуміння поведінки користувачів по всьому стеку рекламних систем.

Схема передачі знань по рекламному стеку Meta

Незважаючи на переваги, GEM потребує великих обчислювальних ресурсів і значних масивів даних, а нові формати креативу або незвична поведінка користувачів можуть знижувати точність прогнозів.

Якщо пояснювати вплив GEM на нашу щоденну роботу максимально просто, то головний висновок один: епоха ручних налаштувань в Ads Manager остаточно завершилася.

Тепер система буде залежати від фундаменту вашого маркетингу.

По-перше, можете сміливо забувати про звуження аудиторій та ігри з інтересами. GEM тепер аналізує поведінку юзера настільки глибоко і на такому довгому відрізку часу, що будь-яке ручне звуження аудиторії просто заважає йому працювати.

Широка аудиторія з базовими налаштуваннями віку та гео — ваші головні налаштування і тепер ваш головний таргетинг — ваш креатив. Алгоритм сам знайде під нього ідеального покупця.

По-друге, ілюзія різноманітності креативів більше не проходить. Раніше можна було взяти одне відео, змінити плашку чи музику, залити п’ять дублів і думати, що алгоритм сприйме їх як різні сутності. GEM розбирає креатив на атоми та зчитує самі сенси. Щоб дати алгоритму змогу зачепити різні сегменти аудиторії, потрібні кардинально різні підходи: емоційний UGC, сухі факти у статиці, розмовні відео з іншими хуками та оферами.

Через таку глибину аналізу перші дні роботи кампанії часто перетворюються на пекло для нас, бо ми не звикли. Але ми маємо розуміти, що оскільки GEM безперервно перенавчає сотні дрібних нейромереж всередині себе, ціну за лід буде сильно штормити. Це абсолютно нова норма. Зараз у мене на 3-4 день максимально стає зрозуміла картинка.

Системі потрібен час і об’єм даних, щоб скласти пазл із тисяч дій користувачів. Тому зараз як ніколи потрібна залізна витримка: не робити різких рухів, не панікувати і не стопати кампанії при перших стрибках ціни.

Але є і величезна перевага — масштабування має стати безпечнішим і більш прогнозованим. Раніше при агресивному піднятті бюджету алгоритм швидко випалював найгарячішу аудиторію і кампанія просто «ламалася».

Тепер, оскільки GEM тримає в пам’яті історію дій юзера за місяці, при збільшенні бюджету він знаходить людей, які ще «гріються» на різних етапах, і дотискає їх потрібним форматом. Скейлити стає простіше, якщо ви не заганяєте алгоритм у вузькі рамки.

У підсумку, алгоритми Meta забирають на себе технічну рутину пошуку клієнта. Вигравати аукціони й отримувати дешеві ліди будуть ті, хто делегує цю роботу GEM, а весь свій фокус направить на маркетинг: створення глибоких сенсів у креативах та оптимізацію воронок продажів після кліку.

Роман Корчак

Автор проєкту «Реальний Таргет»

Метрики та KPI для GEM‑кампаній

Одне з перших практичних підтверджень ефективності GEM — приріст конверсій: за даними незалежних оглядів Meta GEM забезпечив збільшення конверсій на Instagram приблизно на 5% і на Facebook‑фідах на 3% у другому кварталі після запуску. 

GEM‑оптимізовані кампанії показували кращі результати порівняно зі старими методами таргетингу: ROAS був приблизно 3,9х проти 2,8х, CR зростав до 3,4% проти 2,1%, а CPC зменшився майже на 27%.

Важливими KPI залишаються CTR, CPA і ROAS. Навіть незначне підвищення CTR знижує CPC та підвищує конверсії, а GEM дозволяє точніше визначати потенційних покупців і оптимізувати бюджет, часто забезпечуючи зниження CPA і підвищення ROAS.

Висновок

Перехід від фрагментарних RecSys-моделей до централізованої фундаментальної архітектури GEM означає зміну самої логіки рекламного ранжування в Meta. Якщо раніше системи працювали із обмеженим контекстом і окремими сигналами, то тепер алгоритм аналізує повний шлях взаємодії користувача та інтегрує це розуміння в усі рекламні сценарії.

Для рекламодавців це означає більш стабільне масштабування, кращу роботу broad-таргетингу та покращення ключових метрик.