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

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.

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.

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.

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.

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.