ЦИАН: +35% лидов с AI в маркетинге недвижимости
Как ЦИАН использовал AI для таргетинга по намерениям, повысив лиды на 35% без роста бюджетов. Пошаговый кейс внедрения, метрики успеха и рекомендации для бизнеса в недвижимости. Узнайте, как повторить результат.
Ключевые выводы
- 1ЦИАН увеличил лиды на 35% год к году без допбюджетов за счет AI-таргетинга по намерениям.
- 2Снижение мусорных заявок на 30% благодаря квалификации через LLM.
- 3Интеграция AI с CRM обеспечила замкнутую аналитику и рост CTR на 40%.
- 4Рекомендация: фокусируйтесь на поведении пользователей, тестируйте пилоты 2-3 месяца.
В 2025 году рынок онлайн‑недвижимости оказался в ловушке: стоимость лида росла, а качество заявок падало. Пользователи стали дольше думать, реже оставлять контакты и ожидать персонального подхода. Для ЦИАН это означало прямую угрозу ключевой метрике — лидогенерации. Ответом стал не рост бюджетов, а переосмысление маркетинга через AI, которое дало плюс 35% лидов за год.
Проблема: таргетинг по‑старому перестал работать
Классическая модель таргетинга в недвижимости опиралась на фильтры, географию и интересы. Но в 2024–2025 годах она начала давать сбой: пользователи искали «квартиру мечты», не понимая параметров, а маркетинг показывал им объявления, основанные на жёстких шаблонах. Как следствие — дорогие клики и слабая конверсия. Рынок в целом подтверждал проблему: без AI лидогенерация теряла эффективность, о чём писали аналитики vc.ru источника.
AI‑решение: маркетинг, основанный на намерении
ЦИАН сделал ставку на связку LLM, поведенческой аналитики и look‑alike моделей. Ключевая идея — таргетироваться не по портрету, а по намерению. AI анализировал, как человек ищет, что он пишет в поиске, какие фото останавливают его внимание, и на каком этапе выбора он находится. Эти данные использовались для персонализированных офферов и рекламных сценариев, что логично укладывается в подходы персонализации, описанные в исследовании.
Как это внедряли: пошаговый кейс
Сбор сигналов. AI объединил данные поиска, поведения на платформе и историю взаимодействий. Это дало целостный профиль намерений, а не просто демографию.
Интерпретация запросов. LLM, лежащая в основе «Циан‑помощника», научилась понимать свободный язык пользователей и превращать его в маркетинговые сегменты, о чём подробно рассказывал Lifehacker.
Динамический таргетинг. Рекламные креативы и офферы менялись в реальном времени в зависимости от стадии выбора: сравнение, сомнение или готовность к заявке.
Замкнутая аналитика. Все лиды возвращались в CRM, где модели дообучались на фактических сделках, что соответствует подходам измерения ROI, описанным на Habr.
Результаты: что изменилось в цифрах
Рост лидов: +35% год к году без увеличения рекламных бюджетов.
Снижение доли «мусорных» заявок: −30%, благодаря AI‑квалификации.
Рост CTR персонализированных кампаний: до +40%, что коррелирует с данными о персонализации рекламы из исследований.
Сокращение времени до первого контакта: −25% за счёт автоматической приоритизации.
Почему это сработало: аналитический разбор
Ключевой фактор успеха — не сам AI, а его роль в архитектуре продукта. ЦИАН использовал LLM как универсальный слой понимания контекста, а не отдельный маркетинговый инструмент. Тот же подход применяется в модерации и продажах, что описано в кейсе Generation‑AI. Маркетинг стал частью единой AI‑экосистемы, а не изолированным каналом.
Рекомендации для бизнеса
Начинайте с намерений, а не с сегментов: поведение важнее возраста.
Интегрируйте AI с CRM и аналитикой, иначе ROI будет невиден.
Тестируйте пилоты 2–3 месяца и смотрите на стоимость качественного лида, а не их количество.
Мысль на вынос: кейс ЦИАН показывает, что AI в маркетинге недвижимости — это не про автоматизацию ради моды, а про точное понимание клиента. Когда алгоритмы читают намерения, а не анкеты, рост лидов становится следствием, а не целью.