Как применение метода глубокого обучения влияет на эффективность онлайн-кампаний?

Антон Мелехов
Антон Мелехов

Генеральный директор RTB House в России

Расскажите друзьям
Полина Константинова

Тысячи рекламных объявлений мелькают перед глазами людей ежедневно – как онлайн, так и офлайн. В связи с этим становится понятным желание потребителей минимизировать количество показываемой рекламы. Как следствие – растет популярность блокировщиков баннеров. Суть проблемы кроется в показах именно нерелевантных сообщений, далеких от интересов конкретного пользователя.

Антон Мелехов, генеральный директор RTB House в России, объясняет как сделать онлайн-рекламу полезной для пользователя и эффективной для рекламодателя, используя искусственный интеллект, а точнее, одно из его направлений – метод глубокого обучения (deep learning).

Что такое deep learning

Этот метод успешно использовался компаниями Netflix и Amazon для подбора рекомендаций пользователям на основе истории их запросов и просмотров. В результате объем продаж значительно увеличился, а применение глубокого обучения (ветвь машинного обучения) получило дальнейшее распространение.

Маркетологам, работающим в сфере цифровой рекламы, важна высокая точность в определении как целевой аудитории, так и ее потребностей. Использование машинного обучения и методов ИИ – первый шаг для рекламодателей. Но в дальнейшем можно использовать технологии глубокого обучения, используя передовые алгоритмы и модели данных для более точного анализа и идентификации потребностей пользователей.

Такой подход наиболее востребован в секторе электронной коммерции, где широк спектр товарных предложений. Решение о выборе рекламного сообщения должно приниматься за миллисекунду, основываясь на личных предпочтениях каждого пользователя.

Углубленный анализ, выполненный с помощью алгоритмов глубокого обучения, означает, что персонализированная реклама появляется быстро и с высокой степенью адаптации под каждого уникального пользователя. В конечном результате создается кампания, которая представляет только релевантные рекомендации, которые выглядят привлекательно для пользователя, и более эффективны для рекламодателя.

13 сентября в Москве состоится конференция по большим данным Big Data Conference. В этом году мы включили в программу не только лучшие кейсы от компаний, но и Big Data Hackathon для специалистов по анализу данных. Не пропустите!

Мы рассмотрим один пример из нашей практики – рекламную кампанию для испанского мультибрендового онлайн-магазина одежды Modalia.com – и далее подробно остановимся на каждом этапе и механизме реализации этого кейса.

Кейс

Итак, клиент определил нам задачу максимизировать продажи в рамках предварительно согласованной стоимости покупки. Ранее компания работала с другим оператором ретаргетинга, но они искали альтернативного ретаргетера, который мог бы гарантировать лучшую эффективность. Клиенту также требовались настраиваемые баннеры с дизайнами, включающими сезонные акции, которые заменяли бы динамические классические баннеры на статические изображения, содержащие промоакции.

Онлайн-магазин

Мы реализовали персонализированную кампанию ретаргетинга с применением алгоритмов глубокого обучения, ориентированную на увеличение продаж и максимизацию ROI. Более того, был предложен гибкий подход в процессе создания баннеров на основе механизма рекомендаций, который обеспечивает более точный выбор товаров, отраженных в дизайне баннеров. Удалось добиться единого решения, способного удовлетворить конкретные потребности клиента в рамках фиксированного  бюджета.

После окончания кампании ROI вырос от 33% до 198%, количество заказов выросло на более чем на 170%, конверсия на 27% и увеличился CTR на 1,7%.

Теперь остановимся на основных моментах кампании.

1. Разница в технологиях означает разницу в результатах

В большинстве кейсах о применении ретаргетинга процесс начинается с посещения пользователем нескольких магазинов с одинаковыми товарами без оформления заказа. Для возврата таких покупателей с целью завершения процесса покупки маркетолог запускает ретаргетинговую кампанию.

Здесь и кроются две ключевые проблемы ретаргетинга для онлайн-торговли: какие товары и как показывать конкретному пользователю. Рекламодатели пробуют разные подходы к адаптации рекламных сообщений, чтобы и персонализировать их, и убедить потребителя совершить покупку. Затем ретаргетеры выделяют подгруппы пользователей, на которых таргетируют сообщение через дизайн баннера, а потом уже появляется уникальное предложение с товаром именно для этих пользователей.

Что отличает метод глубокого обучения от типичного машинного обучения? Это процесс наполнения компьютерных алгоритмов данными. Стандартное машинное обучение предназначено для изучения большого количества данных.

Однако машинное обучение еще нужно научить тому, как обрабатывать значения, анализировать их, а также задать конечную цель – для чего мы это делаем.

Метод глубокого обучения имитирует работу человеческого мозга, копируя навыки нейронов по процессу обработки информации и принятия решений. Подобно тому как люди учатся на практике, модель глубокого обучения также пытается выполнить разные шаги прежде, чем она примет окончательное решение. В электронной коммерции процедура самообучения алгоритмов интуитивно складывается из опыта или симуляций, что приводит к более точному и быстрому определению покупательского потенциала.

Все это происходит автоматически, без каких-либо действий со стороны пользователя или вручную введенных правил.

2. Проявление скрытых факторов

Глубокое обучение позволило ретаргетерам не только проанализировать основные линии поведения пользователей, такие как выбор определенных товаров или их категорий, но также и выявить дополнительные данные. Как и в языке тела, еле заметные детали поведения могут выявить наши истинные, зачастую скрытые намерения.

Сложные алгоритмы с использованием глубокого обучения позволили проанализировать, например, время между просмотром продуктов, цены на них и даже последовательность посещенных страниц магазина. Снабженные этой информацией машины интерпретируют поведение пользователя в магазине и пытаются предсказать его фактическое намерение о покупке.

Благодаря множеству данных об истории просмотров алгоритмы могут предположить, в каких именно товарах пользователь будет наиболее заинтересован.

Однако в зависимости от категории продукта и потребительских характеристик процесс принятия решения об окончательной покупке может занять до нескольких недель. Если мы учтем, на первый взгляд, нерелевантную и скрытую информацию о частоте, с которой пользователь посещает данный магазин, или каким устройством он при этом пользуется, то механизмы рекомендаций можно подключить гораздо раньше, демонстрируя на рекламных баннерах товары, которые покупатель будет искать в ближайшем будущем.

3. Оптимизация предложений

Получив данные от такой «разведки», перейдем к следующему шагу: отображаем в определенном порядке нужные пользователю предложения в дизайне баннера. Благодаря «подсчету предложений» товары на страницах магазина постоянно ранжируются. Алгоритмы глубокого обучения анализируют предложения и оценивают, насколько они привлекательны, с точки зрения конкретного пользователя, без обобщений.

В стандартном подходе без глубокого изучения ретаргетеры используют машинное обучение для подбора изображений на баннерах из схожих сегментов, например: товары, которые просматривает пользователь, похожие товары из той же категории (на основе историй поиска других потребителей) и наиболее продаваемые товары в данном магазине.

Метод глубокого обучения выглядит намного сложнее. В результате его применения процесс выбора стал более гибким, теперь возможно больше сочетаний товаров, а окончательный список предложений, отображаемых на баннере, еще более персонализирован. Такой подход позволяет ретаргетерам реализовать правило, в котором нет единого сценария для группы пользователей. Алгоритмы прорабатывают стратегии до уровня отдельного пользователя, а также выдачу лучших предложений и/или порядок, в котором предложения должны отображаться на персонализированных баннерах.

4. Персонализированная реклама в режиме реального времени

Ни один пользователь не живет в вакууме, поэтому его поведенческий профиль всегда изменяется. Система рекомендаций по применению глубокого обучения в ретаргетинге должна иметь возможность создавать поведенческий профиль в режиме реального времени, корректируя представленное на баннере каждый раз, когда отображается реклама.

Некоторые механизмы, основанные на более старой технологии ИИ, обычно создают и восстанавливают поведенческие профили с фиксированными временными интервалами. Это означает, что многие отображаемые продукты – это те товары, которыми пользователь больше не интересуется.

Решение о том, что должно быть представлено каждый раз на баннере, позволяет алгоритмам реагировать и корректировать их в соответствии с реакцией пользователя на предложения, показанные ранее.

В результате его поведенческий профиль построен в реальном времени и основан не только на том, как пользователь вел себя на сайте магазина, но и на том, как он реагировал на рекламное сообщение. Этого очень сложно достичь, потому что временные рамки с момента получения информации о потенциальном отображении определенного баннера до его реального появления – меньше секунды.

Благодаря мощным алгоритмам и постоянному анализу, механизмы ретаргетинга и метода глубокого обучения способны восстанавливать профиль поведения пользователей в режиме реального времени. Наши данные показывают, что после внедрения глубокого обучения в механизмы рекомендаций, пользователи кликали на объявления на 41% больше, чем обычно. Такой рост отмечается особенно в таких секторах, как модные и мультибрендовые электронные магазины, где возможности использовать рекомендации по перекрестным категориям почти бесконечны.

Вывод

Когда чрезмерное количество баннерной рекламы снижает ее эффективность, рекламодатели и их партнеры могут обратиться к ведущим технологиям ИИ, чтобы дифференцировать свой маркетинг и добиться эффективности от кампаний. Обычного ретаргетинга уже недостаточно, а инвестиции в современные решения гарантируют, что бренды выживут в условиях жесткой конкуренции.

Метод глубокого обучения становится все более популярным и вносит коррективы в различные отрасли бизнеса – от автомобильной и индустрии развлечений до маркетинга. Благодаря глубокому обучению экосистема рекламы получила возможность создавать точно подобранные и персонализированные сообщения для пользователей, а также планировать кампании, полезные для потребителей и эффективные для рекламодателей.


Материалы по теме:

Актуальные материалы — в Telegram-канале @Rusbase

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter


Комментарии

Зарегистрируйтесь, чтобы оставлять комментарии и получить доступ к Pipeline — социальной сети, соединяющей стартапы и инвесторов.
Промышленная кибербезопасность: цифровая трансформация — вызовы и возможности
19 сентября 2018
Ещё события


Telegram канал @rusbase