Как Atlassian построила ML-систему для оптимизации маркетингового бюджета: полный разбор

Каждый квартал перед командой performance-маркетинга Atlassian встаёт сложный вопрос: куда направить следующий доллар при фиксированном бюджете? Сотни рекламных каналов, географических рынков и продуктовых линеек создают комбинаторную сложность, непосильную для человека. Раньше распределение бюджета было операционно затратным процессом, включавшим ручной сбор данных, экспертные оценки и долгие согласования. Теперь Atlassian автоматизировала эту задачу с помощью системы машинного обучения, которая оптимизирует расходы в масштабе.

Как работает ML-система оптимизации бюджета Atlassian

Система, построенная инженерами Atlassian, представляет собой фреймворк для решения задачи комбинаторной оптимизации. На вход поступают данные по сотням рекламных каналов (Google Ads, LinkedIn, Meta и др.), регионам (Северная Америка, Европа, Азия) и продуктам (Jira, Confluence, Trello). Модель машинного обучения прогнозирует отдачу от каждого возможного вложения, а затем оптимизатор находит наилучшее распределение бюджета с учётом ограничений — например, минимальной доли канала или максимального риска.

Ключевая особенность — система работает в условиях неопределённости. Рекламные кампании подвержены сезонности, изменениям алгоритмов платформ и конкурентной среде. ML-модель учитывает исторические данные и строит вероятностные прогнозы, а не точечные оценки. Это позволяет Atlassian принимать решения, балансируя между ожидаемой эффективностью и риском.

Как Atlassian автоматизировала распределение маркетингового бюджета?

До внедрения ML-системы распределение бюджета в Atlassian было ручным процессом. Менеджеры собирали данные из множества источников, проводили анализ в электронных таблицах и полагались на интуицию. Это занимало недели и не позволяло оперативно реагировать на изменения рынка. Кроме того, человеческий мозг плохо справляется с задачами оптимизации при сотнях переменных — решения часто были субоптимальными.

Atlassian — не единственная компания, столкнувшаяся с этой проблемой. Многие крупные рекламодатели переходят к программным решениям на базе ИИ. Однако подход Atlassian отличается открытостью: компания поделилась деталями архитектуры и кода, что позволяет другим разработчикам учиться на её опыте.

Предыстория и контекст: почему Atlassian понадобилась автоматизация

Проблема оптимизации маркетингового бюджета назревала давно. С ростом числа каналов и усложнением воронок продаж ручное планирование стало узким местом. Atlassian, как компания с глобальным присутствием, тратит миллионы долларов на рекламу, и даже небольшое повышение эффективности даёт значительную экономию. Внутренние исследования показали, что ML-модели могут улучшить ROI на 10–20% по сравнению с экспертными решениями.

Какие инструменты использовала Atlassian для ML-оптимизации?

Система построена на Python с использованием библиотек scikit-learn для прогнозирования и Google OR-Tools для оптимизации. Данные агрегируются из рекламных платформ через API и хранятся в Amazon S3. Модели обучаются на исторических данных за последние 12 недель и переобучаются еженедельно, чтобы адаптироваться к изменениям. Для оценки качества используется backtesting: система «проигрывает» прошлые периоды и сравнивает свои решения с реальными результатами.

Важный аспект — интерпретируемость. Инженеры Atlassian добавили в систему визуализации и объяснения, чтобы менеджеры могли понять, почему система рекомендует те или иные решения. Это повышает доверие к ML-модели и позволяет вносить ручные корректировки при необходимости.

Технические детали: архитектура и инструменты

Архитектура системы включает несколько компонентов. Первый — слой сбора данных, который через API загружает информацию о расходах, показах, кликах и конверсиях с каждой платформы. Второй — слой прогнозирования, где ML-модели строят кривые отклика для каждого канала и региона. Третий — оптимизатор, который решает задачу максимизации целевой метрики (например, установок или регистраций) при бюджетных ограничениях.

Особое внимание уделено обработке неопределённости. Вместо точечных прогнозов модель выдаёт распределения вероятностей, что позволяет оптимизатору учитывать риск. Например, если два канала имеют одинаковую ожидаемую отдачу, но разную дисперсию, система может предпочесть менее рискованный вариант.

Как ML-система Atlassian повлияет на маркетинг?

Разработчики и data scientists получат готовый референс для построения собственных систем оптимизации бюджета. Atlassian опубликовала код и архитектурные схемы, что снижает порог входа для других компаний. Для маркетологов это означает переход от интуитивных решений к data-driven подходам. В долгосрочной перспективе автоматизация может изменить рынок рекламных технологий, сделав инструменты оптимизации более доступными.

Российским и СНГ-специалистам стоит обратить внимание: хотя Atlassian приостановила продажи в России, её технологии и публикации остаются доступными. Опыт компании может быть полезен для локальных проектов в условиях ограниченных рекламных бюджетов.

Что будет дальше

Atlassian планирует расширять систему, добавляя поддержку новых каналов (например, TikTok, Reddit) и усложняя модель с учётом перекрёстных эффектов между каналами. Также ведётся работа над автоматическим обнаружением аномалий и адаптивным перераспределением бюджета в реальном времени. В перспективе система может стать частью внутреннего продукта для клиентов Atlassian.

Какие результаты показала ML-система Atlassian?

Точных цифр компания не раскрывает, но по оценкам, система позволила повысить эффективность маркетинговых расходов на 15–20% по сравнению с ручным планированием. Кроме того, сократилось время на принятие решений с недель до часов. Это даёт Atlassian конкурентное преимущество в быстро меняющейся среде performance-маркетинга.

Итог

ML-система оптимизации бюджета Atlassian — пример того, как машинное обучение решает практическую бизнес-задачу, повышая эффективность маркетинговых расходов. Публикация деталей архитектуры и кода делает этот кейс ценным для сообщества разработчиков. Следите за развитием темы: вероятно, в ближайшие годы подобные системы станут стандартом в performance-маркетинге.