Внутренняя логика Moloco DSP: от биддинга до оптимизации

В этой статье подробно разбираем внутреннюю логику Moloco DSP — от процесса приема аукциона и расчета ставки до механизмов оптимизации бюджета и ML-обучения, чтобы вы могли эффективно использовать платформу для CPL/CPA-офферов.

Мы поделимся структурированным обзором ключевых моментов работы платформы. Наша цель — не просто перечислить факты, а разложить по полочкам внутреннюю логику Moloco DSP и показать, как вам быстро освоить новый канал, получать высокие ROI и масштабировать кампании.

Введение

Moloco DSP построена на глубоком машинном обучении и непрерывной оптимизации, что позволяет получить «готовый к работе» инструмент для запуска прибыльных кампаний. Сразу после запуска трафика Moloco отбирает самые ценные запросы, прогоняет их через 8–10 DNN-моделей, рассчитывает ставку под каждую аукционную схватку и автоматически перераспределяет бюджет по часам и дням. В результате вы получаете снижение CPI до 25% и рост конверсии до 30% уже на 7-14 день, прозрачную аналитику до уровня отдельных запросов и возможность плавно масштабироваться без «шоков» для алгоритмов Moloco.

Ниже представлена схема архетектуры работы Moloco DSP.

Знание «внутренней кухни» Moloco DSP — не просто теория, а ключ к профитным связкам:

• Без понимания инференса и внутренних аукционов ставка работает «вслепую», и вы рискуете переплачивать за нецеле­вых пользователей.
• Moloco обновляет модели в реальном времени без ручных правок, и вы сразу видите, как меняется CPI и ROI при любом изменении таргетинга.
• Платформа дает log-level данные и прозрачные отчёты, так что вы можете анализировать каждый запрос вплоть до уровня SD.

Преимущества данной технологии

• Моментальная фильтрация и ML-инференс. Moloco отбрасывает low-value bid-запросы на уровне reserve price, тем самым экономя ваш бюджет на 10–15% уже с первого часа работы. Каждому оставшемуся запросу соответствуют 8–10 моделей: вероятность конверсии, оптимальная цена, фрод-детекция, частотный контроль и прогноз LTV.
• Автоматическая настройка бюджета и стратегий. Weekly Budget Optimizer перераспределяет бюджет по дням и часам так, чтобы вы всегда «стреляли» по пиковым слотам без ручного вмешательства. Выбрать tROAS, если у оффера известная маржа (снижение CPI до €1,5–2), или Max Sales для CPL-кампаний, где важен объём пользователей.
• Прогнозируемое масштабирование. С 7-го дня вы уже видите стабильный ROI и можете плавно наращивать бюджет на 10–20% каждые 2–3 дня без «сбоев» алгоритмов. Интеграция SDK даёт до 20% прироста fill rate и снижает latency, что особенно критично для гемблинг-офферов.

Сбор и обработка данных

Каждый bid-запрос проходит через real-time pipeline: сервис принимает запрос от SSP/Ad Exchange, извлекает контекст (время суток, устройство, сессия пользователя) и объединяет first-party данные SDK с постбэками от MMP (Adjust, Appsflyer). Подключение трекера Appsflyer разбирали в статье.

ML-модели и предиктивная аналитика

Moloco использует несколько моделей одновременно: до десяти инференсов на запрос с разными алгоритмами для first- и second-price аукционов. Модели предсказывают вероятность конверсии и win-probability, а затем конвертируют эти прогнозы в фактическую ставку, сравнивая ее с bid floor. 

Вакансии

Sales-менеджер (remote)

H&F

После собеседования

Удаленно

Head of Chatting

AFFCT Agency

После собеседования

Удаленно

CEO / Chief Executive Officer

Alfaleads

После собеседования

Белград

Все объявления

Разместить

Чтобы понять, как Moloco DSP принимает решения в реальном времени, важно взглянуть на то, какие именно модели участвуют в процессе отбора показов и формирования ставок. На каждый bid-запрос запускается 8–10 специализированных DNN-моделей, и каждая из них отвечает за свою часть логики:

• Reserve Price Filter — отсеивает запросы с минимальной ценой ниже порога, не допуская пустого расхода ресурсов.
• Pacing Controller — управляет скоростью сжигания бюджета, регулирует темп показа в течение дня и недели.
• Supply Path Optimizer — выбирает оптимальный путь закупки трафика (SSP/ADX), минимизируя стоимость за показ.
• Install Likelihood Model — предсказывает вероятность установки приложения конкретным пользователем.
• Purchase/Bet Probability Model — рассчитывает шансы на первую покупку или ставку, особенно важно для гемблинг-офферов.
• Retention & Churn Predictor — оценивает, будет ли пользователь активен через 3–7 дней, или это «одноразовый» лид.
• LTV Estimator — прогнозирует, сколько пользователь принесёт дохода за всё время жизни.
• Price Optimization Model — определяет оптимальную ставку, включая стратегии биддинга и учёт конкуренции.
• Fraud Detection Network — выявляет фродовые паттерны, блокируя показ в сомнительных случаях.
• Budget Allocation Model — перераспределяет бюджет между кампаниями, фокусируясь на наиболее эффективных.

Для скоростного инференса ML-моделей Moloco разворачивает отдельные VM с TensorFlow, общающиеся по gRPC; все логи загружаются в BigQuery и GCS для последующего анализа и ретренировки.

Благодаря такой архитектуре, система моментально определяет: стоит ли бороться за пользователя, какую цену ставить, где именно показывать рекламу и как вписаться в целевые ROAS.

Зная об этом, арбитражник может осознанно выстраивать стратегию запуска, выбирать нужные креативы, не бояться широких аудиторий на старте и ориентироваться на качественные метрики — не только CPI, но и LTV, Retention и Purchase Rate.

Биддинг в Moloco DSP

Bid-to-Value

В Moloco ставка в аукционе — это не просто число, которое вы вручную выставляете. Она динамически рассчитывается системой на основе прогнозов и ценности целевого действия (conversion). Ставка рассчитывается по формуле:

bid = P(conversion) × Value(conversion)  

P(conversion) — вероятность конверсии. Её рассчитывает ML-модель Moloco для каждого конкретного пользователя в момент запроса показа. Это учитывает:

• поведение пользователя в реальном времени;
• историю по кампании;
• плейсмент, девайс, время суток, регион и пр.;
• и даже качество креатива (по его CTR и engagement).

Value(conversion) — это сколько вы готовы платить за целевое действие. Например:

• для CPI-оффера это может быть $2;
• для регистрации — $5;
• для депозита — $20.

Пример: Если модель предсказывает, что вероятность конверсии у конкретного пользователя — 10% (0.1), а ценность этой конверсии — $10, то Moloco выставит ставку $1.00. Если вероятность низкая (например, 0.01) — ставка будет снижена до $0.10.

Это позволяет максимизировать ценность каждого показа, не сливая бюджет на "случайных" пользователей.

Bid Shading и динамический CPC/CPI

Moloco поддерживает bid shading, автоматически подстраивая ставку под тип аукциона (first-price или second-price), чтобы минимизировать излишние траты при сохранении конкурентоспособности. Этот механизм помогает вам не переплачивать в аукционах, особенно когда используется first-price аукцион (когда вы платите именно ту ставку, которую поставили). Как это работает:

• Если Moloco понимает, что аукцион — first-price (а не second-price, где вы платите чуть выше второго участника), она снижает ставку с учётом истории подобных аукционов.
• Это позволяет вам выигрывать по минимально необходимой цене, а не по полной, которую готова заплатить модель.

Реальный профит: Если модель выставила бы $2, но знает, что средняя цена победы в похожих аукционах — $1.20, она может поставить $1.25 и всё ещё победить, но вы сэкономите $0.75 на этом показе.

Учет креативов и частоты

CTR, вовлеченность и показатели вовлечения влияют на bid multiplier: креативы с высоким engagement score получают более выгодные ставки. Частота показов регулируется динамически через frequency capping, чтобы избежать баннерной усталости.

Подготовка пакетов креативов заранее

• Сделайте быстрые тизеры (image), короткие драматичные ролики (15–30s) и интерактивные демонстрации (HTML5-playable).
• Проверьте соответствие спецификациям Moloco (форматы, размеры, длительность) перед загрузкой.

Стратегия плейсментов

• Стартуйте с равного распределения бюджета на banner, video, playable и native.
• Через 48ч сузьте до двух форматов, показавших лучший CPI и конверсию.

A/B-тестирование

• Меняйте не более одного элемента за раз (текст, цвет кнопки, призыв), чтобы точно понимать, что работает.
• Используйте Moloco dashboard для мониторинга creative-level metrics (CTR, win-rate, CPI).

Динамическое обновление

• Обновляйте креативы каждые 7–10 дней, чтобы избежать «баннерной слепоты».
• Подгружайте сезонные ивенты или акционные материалы (например, «Live ставки», «Эксклюзивный бонус»).

Оптимизация бюджета и ставки

Weekly Budget Optimizer

Moloco анализирует вашу недельную траекторию спенда и перераспределяет бюджет по часам и дням, где производительность максимальна. Эта логика позволяет тратить больше в пиковые периоды (выходные, вечера) и меньше — в низкую активность, при этом не превышая недельный лимит.

Average Daily Budget Optimizer

Режим «Average Daily» расширяет гибкость: допустимое отклонение трата в отдельный день — до ±50% от среднего, но суммарно не более ×7 вашего среднего дневного бюджета за неделю. По данным Moloco, это повышает эффективность на 10% по сравнению с фиксированным бюджетом.

Пайсинг и таргетинг

Pacing-логика Moloco автоматически распределяет показы равномерно в течение дня и недели, учитывая предсказания ML. Advanced-таргетинг (гео, девайс, OS) приоритетен при расчете bid и помогает избежать ненужных аукционов по нерелевантным пользователям.

Moloco — не просто платформа, где вы задали бюджет, таргетинг и «погнали». Здесь большая часть процессов автоматизирована под капотом — особенно это касается пайсинга (распределения бюджета) и таргетинга.

Pacing — это логика распределения бюджета в течение дня и недели. Moloco сама контролирует, сколько показов отдать в каждый момент времени, чтобы не выжечь весь дневной лимит в первые часы. Но это не просто "растянуть бюджет". Алгоритмы Moloco учитывают:

• когда пользователи с высокой вероятностью конвертируются (например, вечером больше регистраций, утром — меньше),
• сезонность (например, в понедельник дешевле трафик, чем в субботу),
• и то, где в течение дня ROI выше всего.

У Moloco есть базовые таргетинги (гео, девайс, OS, язык, connection type), и они работают не как фильтр, а как вход в модель. То есть вы не просто говорите: «Мне только Android в Мексике», — вы даёте платформе сигнал, кого по её мнению стоит ловить среди Android в Мексике. Чем точнее таргетинг — тем меньше ненужных аукционов. Это влияет на:

• скорость обучения модели;
• снижение затрат на показы, которые точно не сконвертятся;
• и, как результат — на ROI.

Пример: У вас гемблинг-оффер под Tier-2. Если вы укажете только Филиппины — Moloco будет участвовать в аукционах и по дешевым девайсам, и по слабым сетям. Но если вы добавите OS = Android 11+, connection = WiFi, и device price tier = mid/high — вы сузите пул аукционов до релевантной аудитории и повысите вероятность конверсии.

Практические советы арбитражникам

• Наберите критическую массу конверсий (500–1000) за первые 3–5 дней, чтобы ML-модель начала агрессивную оптимизацию.
• Тестируйте кампании по гео и событиям отдельно, чтобы алгоритм четко видит разницу в поведении пользователей и мог сегментировать их по ценности.
• Используйте 3–5 креативов на кампанию, чтобы ML-модель могла выбирать лучшие варианты динамически.
• Не меняйте бюджет резко более чем на 30% за один раз — это сбивает обучение модели.
• Подключайте Weekly/Avg Daily Budget Optimizer сразу при запуске, чтобы алгоритм сразу начал оптимизировать траты по времени дня/недели.
• Следите за качеством данных в MMP: задержки в постбэках ухудшают обучение и могут привести к ошибочным предсказаниям.

Заключение

Тщательное понимание внутренних процессов Moloco DSP, правильный выбор стратегии, креативов и плейсментов, а также итеративный подход к настройкам позволяют арбитражнику освоить новый канал и получить устойчивый рост ROI уже с первой недели. Используйте эту статью как чек-лист, и ваши кампании на Moloco DSP станут максимально прибыльными.

А если вы не хотите тратить время на разбор всех нюансов вручную — мы в Rentacc предоставляем в аренду агентские аккаунты Moloco DSP с полным сопровождением: от запуска до оптимизации. Мы уже изучили внутреннюю механику платформы, протестировали гипотезы и выстроили рабочие связки. Вам остаётся только запускаться и масштабировать, опираясь на опыт и поддержку.