Весь каталог новостроек Омска — 1 094 квартиры на 51 жилой комплекс, в среднем 21 лот на проект. В Краснодаре средний проект тянет под четыре сотни квартир: весь омский каталог умещается примерно в три средних краснодарских ЖК. В отраслевых сводках оба города при этом спокойно попадают в один абзац про «затоваренный рынок».

Я свёл каталоги новостроек с поисковым спросом по 14 городам-миллионникам: предложение — из каталога Яндекс Недвижимости, спрос — из Wordstat, окно замера июнь — начало июля 2026 года. Задача была прикладная: получить одну сравнимую величину «тесноты» рынка, чтобы понимать, чего ждать от рекламного аукциона в конкретном городе. Одной величины не получилось. Получились две, и они между собой почти не связаны — из-за этого, кажется, и разъезжаются от источника к источнику рейтинги «самых затоваренных городов».

Дальше — как устроен расчёт, что вышло по четырнадцати городам, где метод врёт и как повторить его для своего города на открытых данных. Текст для тех, кто планирует рекламный бюджет на региональном рынке жилья и упирается в вопрос «почему у нас заявка стоит столько».

У маркетолога застройщика есть скучный, но регулярный вопрос атрибуции: обращений за неделю стало меньше — это рынок просел или собственные кампании сломались. Ответ во многом лежит в поисковом спросе. Если люди в городе стали реже искать квартиры, дело в рынке; если ищут столько же, а заявок меньше — причина внутри воронки. Беда в том, что Wordstat отвечает на этот вопрос медленно: нужно руками перебрать десятки фраз, сложить их по региону, вычесть аренду и переходы на классифайды — и к обеду вместо ответа получить таблицу, которую ещё надо интерпретировать.

Мы ведём контекстную рекламу для застройщиков, упирались в этот вопрос постоянно и в итоге автоматизировали сбор, а результат выложили открытой страницей без регистрации: ежедневный индекс поискового спроса на новостройки по 15 городам-миллионникам и по России, по данным Wordstat, с рядами от 2018 года. Ниже — инженерная часть, а не витрина: как устроен фиксированный набор запросов и «чистый контур», почему дельты считаются только по закрытым периодам, что делать с ретро-правками источника и выбросами, и в каких именно местах эти цифры врут, если читать их в лоб.

Товарная кампания и смарт-баннеры Яндекс Директа не дают редактировать текст объявления в интерфейсе. Заголовок Директ берёт из тега <name> товарного фида, описание — из <description>, и оба тега писал сайт: под карточку товара, а не под рекламную ленту. В галерее видно около 35 знаков заголовка, жёсткий предел — 56, дальше Директ обрезает по символам. «Печеные яблоки, фаршированные медом и грецкими орехами» в объявлении выглядят как «Печеные яблоки, фаршированные медо».

Сайт при этом трогать нельзя: та же карточка ранжируется в поиске и стоит в чеке, у неё своя работа. Ниже — как мы вклинились между сайтом и Директом одним процессом на Node без базы данных, который хирургически подменяет ровно два тега в YML, зачем над генератором заголовков стоит валидатор с правилами модерации и человек на аппруве, и что из этого вышло за первые дни на реальном проекте: пекарня с доставкой по Москве, около пятисот позиций в фиде.

Текст пригодится, если у вас уже крутятся товарная кампания или смарт-баннеры на YML-фиде и заголовки в них выглядят как строки из накладной. Если товарных форматов ещё нет — эта статья про инженерную часть, не про запуск с нуля.

Стандартная модель атрибуции молча предполагает, что от касания до конверсии проходят часы или дни. У застройщика между кликом по объявлению и подписанием договора — месяцы: просмотры, расчёт ипотеки, семейный совет, ожидание продажи старого жилья. Квартира стоит 6–8 миллионов, на эмоции за вечер её не берут. В этот зазор проваливается вся привычная перформанс-аналитика: окно атрибуции короче цикла, конверсия-деньги живёт в CRM за пределами рекламного кабинета, и сделок за месяц так мало, что любая статистика по отдельному объявлению — шум.

Ниже — инженерный разбор, как под такие условия проектируется сквозная аналитика: какая нужна модель данных, где ломается last-click, как поднять оффлайн-конверсии из CRM обратно в рекламу и что вообще измерять, пока сделок две-три в месяц и обучать модель не на чем. Цифры по спросу в тексте — из нашего аудита рынка квартир по Башкортостану за 24 месяца; сразу оговорюсь, что конкретные доли верны для Уфы, а переносится между регионами только механика, не проценты.

Адресат — аналитики и маркетологи, которые собирают атрибуцию под длинный B2C-цикл (недвижимость, авто, дорогие услуги). Специфика застройщика тут — удобный крайний случай: цикл длинный, чек высокий, поток сделок низкий одновременно.

Мастер отчётов в Директе отдаёт один срез за запрос. Хочешь сравнить расход по площадкам — строишь один отчёт; нужна понедельная динамика стоимости лида — строишь второй; смотришь, какая кампания просела — третий. Между несколькими клиентскими логинами добавьте ещё перелогины. Картина всего аккаунта в этой схеме существует только в голове аналитика, и каждое утро её приходится пересобирать заново.

Мне это мешало достаточно, чтобы потратить вечер и вытащить данные напрямую из Reports API в Google-таблицу: один лист — весь аккаунт по неделям, рядом разрезы по площадкам и по каждой кампании, плюс подневное скользящее окно. Обновляется само через Apps Script. Ниже разберу, как это устроено под капотом, где у конструкции стенки (их хватает) и почему свои боевые дашборды я в итоге всё равно унёс в DataLens. Таблица — пустой шаблон, отдаю по ссылке в конце, можно скопировать и распотрошить.

Адресат — те, кто сам копается в Директе и аналитике. Написали такой инструмент — будет с чем сверить решения; только думаете — сэкономите вечер на граблях.

Кампания с недельным бюджетом 10 000 ₽ в нише, где заявка стоит около 5 000, не обучится никогда — и автостратегия тут ни при чём. Ей просто не на чем учиться: за неделю она не наберёт даже двух заявок, а без набранных заявок look-alike нечем строить закономерность. Это школьная арифметика, и желание заказчика на неё не влияет.

Я веду Яндекс Директ в недвижимости, и почти любой спор «автостратегии всё сливают» против «ручное управление умерло» у меня на глазах сводится к одному инженерному вопросу: наберёт ли алгоритм достаточно размеченных данных, чтобы обучиться в этих конкретных условиях. Стоит посмотреть на автостратегию как на классификатор, которому нужна минимальная обучающая выборка положительных примеров за единицу времени, — и половина мифов вокруг неё отваливается сама.

Дальше — как этот классификатор устроен под капотом (упрощённо, детали Яндекс не раскрывает), почему ему нужен объём, где вместо него честнее ручные ставки и как «удобная» цель тихо ломает всю оптимизацию. В конце — таблица по шести типовым сценариям недвижки. Если у вас поток в сотни конверсий в неделю, большая часть проблем ниже вас не касается: там автостратегии просто работают, и это нормально.

«Реклама не работает» — фраза, которую я слышу от застройщиков чаще любой другой. За ней почти всегда стоит одно: бюджет откручивается, заявки капают, а сделок мало. И первая реакция предсказуемая — добавить денег или сменить подрядчика.

Я решил разобрать эту жалобу на данных: взял 24 месяца помесячной статистики Яндекс Вордстата по Башкортостану и Уфе плюс срез по 109 активным жилым комплексам Уфы. Ниже — что реально видно в этих цифрах, три механизма, из-за которых кампания «буксует», и отдельно то, ради чего эту статью стоит дочитать аналитику: где данные Wordstat нельзя читать в лоб и как я на этом сам мог бы ошибиться.

Адресат — те, кто сам собирает семантику и настраивает кампании в нише недвижимости. Бизнес-рамку («как это влияет на ваши продажи») я убрал — она на сайте. Здесь разговор про методологию: как режется спрос, какие доли из этого можно считать, а какие нельзя.

Самый частый запрос, который я слышу от собственников и маркетологов, звучит так: «настройте нам кабинет правильно, и реклама поедет». За ним стоит молчаливое допущение, что эффективность контекста живёт где-то внутри Директа — в ставках, корректировках, наборе целей, выборе автостратегии. Допущение удобное: чинить кабинет понятно как. Но рычаг эффективности чаще лежит в другом месте.

Я пять лет проработал в коммерческом отделе Яндекса, в команде по работе с рекламодателями: моей задачей было повышать отдачу от размещения у крупных клиентов региона. Через эту работу прошли сотни рекламных кабинетов в разных нишах и с очень разными бюджетами. На такой выборке закономерность видна особенно ясно, и ниже я разберу, где реально лежит рычаг эффективности, почему его так часто ищут в настройках и что для этого приходится связывать с CRM.

Разбор для коллег, которые ведут контекст и аналитику руками. Кейсов с конкретными цифрами здесь не будет: материал про подход и насмотренность, метрики клиентов я выдумывать не стану.