в чем преимущество машинного обучения для рекламной отрасли
Машинное обучение в маркетинге – чем оно поможет вашему бизнесу?
Технологии не стоят на месте, все больше процессов автоматизируется – то, что раньше стоило огромных человеческих трудозатрат, сейчас может делать компьютер. Машинное обучение – это возможность заменить человеческий труд машинным. В чем его преимущества?
Сейчас машинное обучение активно используется в онлайн бизнесе. Например, чат-боты сайтов, которые становятся все умнее и ведут с человеком все более осознанные диалоги. Робот реагирует на появление на сайте клиента и анализирует его действия или взаимодействует с другими программами. На основании поведения пользователя на сайте машина предлагает ему необходимую информацию и решения его задачи.
Виды машинного обучения
Существует несколько моделей машинного обучения, они варьируются от степени участия человека в процессе: есть ли у машины «учитель» или нет. «Учитель» предоставляет машине начальные знания; в процессе работы она нарабатывает все больше данных и постоянно их анализирует. Предоставление компьютеру вводных данных (так называемый тренинг-сет) представляет собой построение нейронной сети, способной к последующему самостоятельному обучению. В случае, если нет «учителя», машина подходит к обработке данных самостоятельно. Контролем также занимается искусственный интеллект.
Конечно, машина не идеальна и может ошибаться. Робот выдвигает гипотезу и проверяет ее, а человек отслеживает, верной ли оказалась та или иная гипотеза и корректирует ошибки – вносит изменения в алгоритм. Попутно человек проводит и аналитику.
Если машина работает самостоятельно, то ее корректировкой и аналитикой занимается контролирующий алгоритм. Он просто сравнивает действия машины с некоторым эталоном, который привел посетителя сайта к целевому действию – покупке, вводу персональных данных и т.д. Конкретные цели прописываются в зависимости от задачи, поставленной клиентом. Всегда существует некая доля вероятности выполнения этой задачи, так как даже самый «умный» алгоритм всегда работает с живым посетителем и человеческий фактор играет свою роль.
Этапы внедрения машинного обучения в бизнес
Внедрение технологий машинного обучения в конкретный бизнес идет по двум сценариям.
Первый сценарий – внедрение своеобразного набора классических алгоритмов, которые уже были опробованы много раз, оптимизированы и показали хорошие результаты. Для каждой задачи клиента у нас уже есть готовые решения, имеющие определенный процент точности и степень успешности. У каждой модели есть своя степень вероятности выполнения задачи, так что для улучшения результатов подходит даже стандартная схема действий.
Второй сценарий – это более гибкий и проработанный алгоритм, которому должна следовать машина для решения задач конкретного клиента. Такой сценарий предполагает не просто набор инструментов, которые хорошо себя зарекомендовали на практике у других заказчиков, а глубокую и подробную проработку модели под определенного клиента и его задачи.
Прогноз развития машинного обучения
Технический прогресс идет с гораздо большей скоростью, чем раньше. Сейчас сложно представить, например, обработку огромных посевных площадей при помощи лошадей и плуга – если есть технология, сокращающая время, трудозатраты и денежные расходы, почему бы ее не использовать? Через пять лет повсеместное внедрение машинного обучения будет казаться нам такой же нормой, как сейчас кажется использование сельскохозяйственной техники вместо животных.
Ускорение ритма жизни требует более оперативной реакции и гибкости от бизнеса, а скорость реагирования машины, алгоритм которой можно в любой момент корректировать, очень высока.
Плюсом в копилку преимуществ использования машинного обучения является банальная монетизация. Если вы уже собрали некоторые данные, почему бы не проанализировать их при помощи машины и не начать разумно и успешно применять.
Если вы хотите узнать, как внедрение машинного обучения поможет именно вашему бизнесу, то позвоните нам или оставьте заявку на сайте.
Машинное обучение в маркетинге-2021: 9 преимуществ и возможностей использования
Программатик-реклама, чат-боты и многое другое — в мобильном маркетинге машинное обучение (machine learning, ML) уже не является чем-то удивительным и шокирующим. И пользователи используют технологии, основанные на машинном обучении и ИИ, гораздо чаще, чем кажется. Так, например, согласно этим данным, 97% мобильных пользователей используют голосовых помощников на базе искусственного интеллекта. В своем блоге Adjust представили руководство по машинному обучению в 2021 году и тому, как оно помогает мобильным маркетологам и вообще диджитал-маркетингу. Предлагаем ознакомиться.
Что такое машинное обучение?
Начнем с того, что понятие машинного обучения IT-компании трактуют по-разному. Adjust, например, пишет, что машинное обучение использует технологии искусственного интеллекта для формирования системы, которая может автоматически обучаться и выполнять определенные задачи.
В мобильном маркетинге МL помогает повысить точность таргетинга, определить и охватить ценных пользователей, улучшить сервис клиентов. Например, путем предоставления круглосуточной поддержки. Без инструментов ML оставаться конкурентоспособными сегодня сложно.
Машинное обучение в маркетинге: 9 возможностей использования
1. Улучшение пользовательского опыта путем персонализации
Машинное обучение способствует созданию уникального клиентского опыта, который поможет сформировать лояльность, увеличить продажи и пожизненную ценность клиента. Например, в приложении e-commerce с помощью ML можно предлагать новые товары на основе истории предыдущих покупок и товаров в корзине, а в онлайн-кинотеатре рекомендовать фильмы и сериалы, которые с большей вероятностью понравятся пользователю — ведь эти рекомендации будут основываться на просмотренных фильмах.
Персонализация возможна и в другом контексте — e-mail-рассылках, рекламных размещениях.
2. Клиентская поддержка с помощью чат-ботов
Не все чат-боты работают на основе машинного обучения. Чат-боты, ориентированные на задания, как правило, реже используют ML, но и их возможности ограничены ответами на простые вопросы. Общаться с такими ботами в режиме диалога сложно, хотя и возможно.
Цифровые помощники (тоже чат-боты) используют машинное обучение и другие технологии вроде принципов понимания естественного языка, чтобы предоставлять расширенную поддержку.
Использование чат-ботов на самом деле зависит от специфики приложения. В дополнение к очевидной клиентской поддержке чат-боты могут помочь в генерации лидов и назначении встреч клиентам, анонсе новых продуктов и скидок.
3. Новые продукты и услуги
Например, голосовой поиск основан на ИИ и уже стал частью повседневной жизни многих пользователей (по крайней мере, 72% людей, использующих голосовой поиск, так считают).
Голосовые помощники помогают брендам гиперперсонализировать предложения, а голосовая аналитика — найти новые решения для улучшения UX-дизайна, пользовательской поддержки.
4. Оптимизация дизайна сайта и UX
Тепловые карты, аналитика — машинное обучение может помочь маркетологам оптимизировать дизайн сайта. Также его используют для проведения A/B тестов и улучшения пользовательского опыта.
5. Автоматизация маркетинга
Автоматизация маркетинга направлена на то, чтобы отдать «машине» повторяющиеся задачи, которые занимают немало времени. Это e-mail-маркетинг, управление социальными сетями, рекламными кампаниями.
Например, построение таргетинга на «похожие аудитории» в Facebook тоже осуществляется с помощью технологий машинного обучения.
6. Программатик-закупки
Программатик — автоматизированный процесс закупки и продажи рекламного инвентаря. В этом процессе задействованы технологии машинного обучения для повышения эффективности и помощи рекламодателям в получении лучших мест размещения.
Алгоритмы анализируют большие объемы данных. Безусловно, в этом процессе все еще есть задачи, которые нужно доверить менеджеру — построение стратегии, оптимизация кампании, но именно автоматизация закупок позволяет освободить время для этого.
7. Автоматизированный e-mail маркетинг
И хотя мы уже упоминали e-mail маркетинг в контексте других пунктов, Adjust уделяет ему отдельное внимание. Машинное обучение помогает создавать персонализированные рассылки для повышения вовлеченности, сегментировать аудиторию, собирать данные. Почтовые сервисы предлагают также определить оптимальное время отправки писем, повысить репутацию домена отправителя и предоставляют другие возможности, основанные на ML. Все это способствуют улучшению эффективности маркетинга.
8. SEO-анализ
Машинное обучение помогает маркетологам масштабировать SEO-аналитику: с помощью сервисов оценивать рейтинг сайта в поисковых системах, ключевые слова, ссылки, страницы на сайте, которые требуют оптимизации. Специальные инструменты помогают в построении отчетов.
9. Борьба с рекламным мошенничеством
Несмотря на то, что маркетинговое сообщество постоянно борется с рекламным мошенничеством, проблема все еще остается актуальной. Собственное исследование Adjust в 2020 году казало, что наиболее распространенным типом мошенничества в мобильном маркетинге являются боты — они составили 54,6% от всех мошеннических действий в глобальном масштабе. С августа 2019 по август 2020 уровень мошенничества в игровой сфере вырос на 172,5%, а в США — на 310,29%.
ИИ и машинное обучение используют в борьбе с рекламным мошенничеством, изучая поведение реальных пользователей и помогая отделить их от ботов.
BYYD. Блог
Машинное обучение в маркетинге-2021: 9 преимуществ и возможностей использования
Программатик-реклама, чат-боты и многое другое — в мобильном маркетинге машинное обучение (machine learning, ML) уже не является чем-то удивительным и шокирующим. И пользователи используют технологии, основанные на машинном обучении и ИИ, гораздо чаще, чем кажется. Так, например, согласно этим данным, 97% мобильных пользователей используют голосовых помощников на базе искусственного интеллекта. В своем блоге Adjust представили руководство по машинному обучению в 2021 году и тому, как оно помогает мобильным маркетологам и вообще диджитал-маркетингу. Предлагаем ознакомиться.
Что такое машинное обучение?
Начнем с того, что понятие машинного обучения IT-компании трактуют по-разному. Adjust, например, пишет, что машинное обучение использует технологии искусственного интеллекта для формирования системы, которая может автоматически обучаться и выполнять определенные задачи.
В мобильном маркетинге МL помогает повысить точность таргетинга, определить и охватить ценных пользователей, улучшить сервис клиентов. Например, путем предоставления круглосуточной поддержки. Без инструментов ML оставаться конкурентоспособными сегодня сложно.
Машинное обучение в маркетинге: 9 возможностей использования
1. Улучшение пользовательского опыта путем персонализации
Машинное обучение способствует созданию уникального клиентского опыта, который поможет сформировать лояльность, увеличить продажи и пожизненную ценность клиента. Например, в приложении e-commerce с помощью ML можно предлагать новые товары на основе истории предыдущих покупок и товаров в корзине, а в онлайн-кинотеатре рекомендовать фильмы и сериалы, которые с большей вероятностью понравятся пользователю — ведь эти рекомендации будут основываться на просмотренных фильмах.
Персонализация возможна и в другом контексте — e-mail-рассылках, рекламных размещениях.
2. Клиентская поддержка с помощью чат-ботов
Не все чат-боты работают на основе машинного обучения. Чат-боты, ориентированные на задания, как правило, реже используют ML, но и их возможности ограничены ответами на простые вопросы. Общаться с такими ботами в режиме диалога сложно, хотя и возможно.
Цифровые помощники (тоже чат-боты) используют машинное обучение и другие технологии вроде принципов понимания естественного языка, чтобы предоставлять расширенную поддержку.
Использование чат-ботов на самом деле зависит от специфики приложения. В дополнение к очевидной клиентской поддержке чат-боты могут помочь в генерации лидов и назначении встреч клиентам, анонсе новых продуктов и скидок.
3. Новые продукты и услуги
Например, голосовой поиск основан на ИИ и уже стал частью повседневной жизни многих пользователей (по крайней мере, 72% людей, использующих голосовой поиск, так считают).
Голосовые помощники помогают брендам гиперперсонализировать предложения, а голосовая аналитика — найти новые решения для улучшения UX-дизайна, пользовательской поддержки.
4. Оптимизация дизайна сайта и UX
Тепловые карты, аналитика — машинное обучение может помочь маркетологам оптимизировать дизайн сайта. Также его используют для проведения A/B тестов и улучшения пользовательского опыта.
5. Автоматизация маркетинга
Автоматизация маркетинга направлена на то, чтобы отдать «машине» повторяющиеся задачи, которые занимают немало времени. Это e-mail-маркетинг, управление социальными сетями, рекламными кампаниями.
Например, построение таргетинга на «похожие аудитории» в Facebook тоже осуществляется с помощью технологий машинного обучения.
6. Программатик-закупки
Программатик — автоматизированный процесс закупки и продажи рекламного инвентаря. В этом процессе задействованы технологии машинного обучения для повышения эффективности и помощи рекламодателям в получении лучших мест размещения.
Алгоритмы анализируют большие объемы данных. Безусловно, в этом процессе все еще есть задачи, которые нужно доверить менеджеру — построение стратегии, оптимизация кампании, но именно автоматизация закупок позволяет освободить время для этого.
7. Автоматизированный e-mail маркетинг
И хотя мы уже упоминали e-mail маркетинг в контексте других пунктов, Adjust уделяет ему отдельное внимание. Машинное обучение помогает создавать персонализированные рассылки для повышения вовлеченности, сегментировать аудиторию, собирать данные. Почтовые сервисы предлагают также определить оптимальное время отправки писем, повысить репутацию домена отправителя и предоставляют другие возможности, основанные на ML. Все это способствуют улучшению эффективности маркетинга.
8. SEO-анализ
Машинное обучение помогает маркетологам масштабировать SEO-аналитику: с помощью сервисов оценивать рейтинг сайта в поисковых системах, ключевые слова, ссылки, страницы на сайте, которые требуют оптимизации. Специальные инструменты помогают в построении отчетов.
9. Борьба с рекламным мошенничеством
Несмотря на то, что маркетинговое сообщество постоянно борется с рекламным мошенничеством, проблема все еще остается актуальной. Собственное исследование Adjust в 2020 году казало, что наиболее распространенным типом мошенничества в мобильном маркетинге являются боты — они составили 54,6% от всех мошеннических действий в глобальном масштабе. С августа 2019 по август 2020 уровень мошенничества в игровой сфере вырос на 172,5%, а в США — на 310,29%.
ИИ и машинное обучение используют в борьбе с рекламным мошенничеством, изучая поведение реальных пользователей и помогая отделить их от ботов.
Машинное обучение в интернет-рекламе: как и зачем его применяют
Для решения каких задач применяют машинное обучение рекламные системы, какие алгоритмы используются чаще остальных и почему без них digital был бы другим — в материале ведущего аккаунт-менеджера MediaGuru Дмитрия Беспалова.
Мы ежедневно сталкиваемся с машинным обучением: строим маршруты, заказываем такси, слушаем музыку, смотрим видео, листаем умную ленту, получаем рекомендации в интернет-магазинах, видим персонализированную рекламу.
Машинное обучение неразрывно связано с нашей жизнью, а сферы его применения постоянно расширяются. В статье я расскажу, как работает машинное обучение, какие задачи решает и для чего применяется в рекламных системах.
Зачем нужно машинное обучение
Когда мы перестали довольствоваться тем, что алгоритмы выдают определенные ответы на вопросы, появилась потребность в машинном обучении.
Давайте представим, что программа должна отличать кошек от собак. Невозможно написать огромную формулу с сотней переменных, чтобы с точностью отличить одно от другого. Как и невозможно показать всех возможных кошек и собак, чтобы заставить алгоритм каждый раз сравнивать объект со всеми предыдущими.
Чтобы решить эту задачу, программа, как и человек, должна уметь находить признаки, на основе которых она сможет отличить одно от другого.
Машинное обучение — это алгоритм, с помощью которого система распознает данные и их закономерности, предсказывает значение на основе обученной модели.
Схематически это можно изобразить так:
Какие задачи решает машинное обучение
Регрессия — предсказание числовых значений в будущем на основании известных данных в прошлом. Пример: прогноз бюджета, вероятность конверсии.
Популярные алгоритмы: линейная и логистическая регрессии, нейронные сети.
Классификация — предсказание, к какому классу относится объект. Пример: распознавание голоса, спам-фильтр.
Популярные алгоритмы: деревья решений, логистическая регрессия, k-ближайших соседей, машины опорных векторов.
Кластеризация — разделение объектов на кластеры, непохожие друг на друга, но схожие внутри между собой. Пример: таргетинг по интересам, жанр музыки.
Популярные алгоритмы: метод k-средних, Mean Shift, DBSCAN.
Поиск аномалий — поиск объектов, существенно отличающихся от основной массы. Пример: исправление опечаток, антикапча.
Популярные алгоритмы: k-ближайших соседей, локальный уровень выброса, метод опорных векторов, Байесовские сети.
Поиск ассоциативных правил — поиск закономерностей в наборе данных. Пример: динамические ремаркетинг, рекомендации в корзине.
Популярные алгоритмы: Apriori, Euclat, FP-growth.
Как мы видим, одну и ту же задачу почти всегда можно решить разными способами.
Основные виды машинного обучения
Размер и форма являются признаками наших данных, а животное — значением. В таблице видна зависимость между размером и типом животного. Задача алгоритма — найти эту связь и на основе обученной модели предсказать новое животное.
Примеры сигналов: если Марио идет вправо и собирает монеты — хорошо, если падает в яму или врезается в гриб — плохо.
Советую посмотреть по теме видео, поскольку понять из одного определения, что такое нейронные сети, вряд ли возможно.
Как работают алгоритмы
Мы рассмотрим один из наиболее популярных алгоритмов машинного обучения — «деревья решений». Он лежит в основе более сложного алгоритма градиентного бустинга, который используется Яндексом для решения разных задач:
Библиотека Catboost выложена в открытый доступ на GitHub и любой желающий может попробовать применить ее на своих данных.
Мы неосознанно используем деревья решений, когда принимаем какое-либо решение. Например, так выглядит дерево, когда мы смотрим в окно и думаем, идти ли на улицу или лучше остаться дома:
Аналогичным образом работает алгоритм машинного обучения. Система последовательно задает вопросы, которые удовлетворяют и не удовлетворяют условию, и делит данные на группы. Каждый последующий вопрос снижает уровень неопределенности исходных данных до тех пор, пока не будет достигнута определенность.
Чтобы снизить уровень неопределенности, мы должны задать вопрос, который приблизит нас к правильному ответу. Когда мы собираемся на улицу, мы не спрашиваем, есть ли за окном воробьи — этот вопрос не снизит уровень неопределенности и не поможет принять правильное решение.
Но как алгоритм понимает, какой нужно задать вопрос? Вернемся к нашему примеру с кошками и собаками, где X1 и X2 являются признаками наших данных, а Y — значением.
Задача алгоритма — найти зависимость между признаками и значениями, чтобы в будущем на основании одних только признаков уметь с наибольшей вероятностью определять значение. Так как алгоритм не работает с номинативными переменными, переведем наши значения в числовые и получим следующую таблицу:
В наших данных по-прежнему есть четыре кошки и четыре собаки, а также признаки, которые их характеризуют. Вероятность того, что перед нами появится кошка или собака, ½, неопределенность, или энтропия, максимальная и равна 1. Если бы в наших данных все признаки принадлежали только одному классу, например, собаке, неопределенности бы не было, энтропия равнялась нулю, алгоритм со 100%-й вероятностью нам сказал, что следующим животным будет собака.
Какой вопрос нужно задать алгоритму, чтобы снизить уровень неопределенности? У нас есть два признака, по которым можно разбить наши данные. Давайте посмотрим, что будет, если разбить данные по признаку X1. Для этого зададим вопрос:
Когда мы разбили данные по признаку X1, уровень неопределенности стал ниже, но некоторая неопределенность все еще присутствует.
Разобьем данные по признаку X2:
Определенность в наших данных так не появилась, энтропия и там, и там осталась равна единице. Вывод — нужно делать сплит по признаку X1. На следующей ветке дерева алгоритм задает новый вопрос. Что, если:
Таким образом, последовательно перебирая признаки с целью снижения неопределенности, алгоритм обучается и достигает полной определенности.
Аналогичным образом алгоритм может учитывать сотни параметров. Главная задача в обучении машины — научить ее определять данные с наименьшим количеством ошибок при наименьшем количестве действий. Это регулируется с помощью определения глубины дерева. Если дать дереву слишком сильно разрастись, оно может:
Как это выглядит, смотрите на рисунках ниже:
Мы разобрали принцип работы одного из алгоритмов машинного обучения. Выяснили, что натравить машинное обучение на имеющиеся данные — мало, нужно подобрать модель, которая будет иметь баланс между недообучением и переобучением. Теперь рассмотрим, как машинное обучение применяется в рекламных системах.
Машинное обучение в маркетинге
Традиционный маркетинг имеет ограниченные представления о поведении потенциальных покупателей. В интернете же системы размещения рекламы владеют большим объемом информации о пользователях и их поведении. Эта информация и методы машинного обучения помогают достигать лучших показателей эффективности рекламы.
В качестве примеров я приведу 10 способов применения машинного обучения в рекламных системах, а вы попробуйте добавить другие в комментариях.
Поисковые подсказки
Мы сталкиваемся с машинным обучением, когда хотим найти что-то в интернете. Яндекс умеет не только предсказывать ваш запрос, помогая ввести его с помощью поисковых подсказок, но и предзагружать выдачу еще до того, как вы нажмете кнопку «найти».
Для решения этой задачи разработан классификатор, который определяет, в каких случаях можно предзагружать выдачу, а в каких — нельзя. Увеличение скорости ответа способствовало тому, что люди стали чаще возвращаться в поисковик. Рекомендую интересную статью от Яндекса о поисковых подсказках на Habr.
Распознавание голоса
Если вы не вводите запрос руками, а произносите голосом, машинное обучение помогает распознавать речь. Машина не понимает слова, и всё, что вы говорите, — это сигналы, а одно и то же слово, произнесенное разными людьми, имеет различные входные сигналы.
Система раскладывает слова на микрочастицы, фонемы. Фонемы — на еще меньшие частицы, сеноны. Также она рассчитывает вероятность перехода одной частицы в другую, и наиболее вероятный вариант перехода возвращает результат распознавания речи. Захватывающая статья об этом — тоже на Habr.
Интеллектуальное назначение ставок
Автоматические стратегии, основанные на машинном обучении, способны значительно повысить эффективность рекламы. Они умеют:
Благодаря этому высока вероятность, что объявление будет доставлено определенному пользователю в нужное время.
Перед тем как показать нам рекламу, стратегии Google учитывают следующие сигналы:
В ближайшее время автоматические стратегии смогут учитывать стоимость товара по сравнению с товарами конкурентов, а также сезонность.
Недавно я проводил собеседование и удивился, когда соискатель сказал, что не использует автоматические стратегии — он им не доверяет и предпочитает контролировать ставки самостоятельно. Интересно, как он учитывает все эти сигналы в момент аукциона вручную?
Чтобы стратегии работали корректно, у алгоритма должно быть достаточно данных для обучения. Для подключения Целевой цены конверсии Google рекомендую иметь 30 конверсий, рентабельность инвестиций — 50.
Автотаргетинг
На основе содержания сайта и объявления система определяет, когда показать объявление. Чтобы алгоритмы умели это делать, асессоры вручную размечают огромный объем объявлений по шкале, которая отражает, насколько хорошо они соответствуют поисковому запросу и сайту — это и есть то самое обучение с учителем.
Тем, кто хочет подробнее в этом разобраться, советую интересное видео, в котором руководитель группы релевантности рекламы в Яндексе объясняет, как работает автотаргетинг.
У меня этот инструмент хорошо работал в доставке суши. Когда вся семантика уже была проработана вручную, мы получили дополнительные заказы за счет автоматически подобранных низкочастотных запросов.
К похожим инструментам автотаргетинга относятся:
Адаптивные поисковые объявления
Позволяют показывать более релевантные и полезные объявления. Рекламодатели могут добавить до 15 заголовков и до 4 описаний, система тестирует различные комбинации и находит наиболее эффективную.
Модерация
Прежде чем объявление увидит пользователь, оно должно пройти проверку модерацией на соответствие требованиям. Тут учитываются опечатки, соответствие законодательству, этические нормы, проверяются посадочные страницы. Входящие данные автоматически проверяет около 50 фильтров. Если результат автоматической проверки неоднозначен, идет ручная проверка.
Иногда модерация обходится слишком строго, мои объявления с массажерами отклоняют по ошибке несколько раз в неделю.
Прогноз бюджета
Оценить рекламный бюджет позволяет прогноз. Система рассчитывает расходы на основе статистики показов и кликов, сезонности и ставок в каждом регионе. Как правило, опыт позволяет гораздо точнее оценить результаты будущей кампании, чем машинное обучение. Вероятно, данные, которыми оно располагает, слишком усредненные, в то время как человек заранее знает, какой стратегии будет придерживаться и сколько готов платить за клик.
Скликивание
Еще один способ применения машинного обучения в рекламных системах — поиск аномалий трафика. Система Директа фильтрует три основных типа некачественного трафика:
Чтобы отсечь недоброкачественный трафик, система также анализирует трафик по более чем 250 параметрам: время суток, сезон, география, события до клика, паттерны поведения. Аномальное поведение распознается роботами и фильтрует такой трафик.
Я и сам сталкивался с ситуациями, когда площадка возвращала значительную часть средств за скликивание в РСЯ.
Умная лента и ранжирование
Еще один пример, когда рекламная система решила взять подбор таргетинга на себя. В Яндекс.Дзене рекламодатель может выбирать только геотаргетинг, возраст и устройство. Далее на основе поведения пользователей система сама выбирает, кому показать статью.
Учитываются поисковые запросы, история браузера, подписки, клики, лайки, дизлайки, время взаимодействия. Без машинного обучения создать индивидуальную ленту для каждого пользователя невозможно, алгоритм ранжирует миллионы документов для миллионов пользователей и формирует ленту всего за 100–200 мс. Свежая статья о том, как это работает, вышла в блоге Яндекса на Habr.
Поиск
Рассмотрим пример работы поиска в Яндекс.Маркете. Система умеет ранжировать товары по соответствию описания карточки поисковому запросу и в зависимости от того, как пользователи кликают на найденный товар. Так, на основе данных всего поиска система научилась понимать, что бабушкофон — это кнопочный телефон.
Подробнее о методах машинного обучения в Яндекс.Маркете смотрите в этой лекции.
Заключение
Без машинного обучения не функционирует ни одна рекламная система. Оно значительно увеличивает эффективность онлайн-рекламы, делает системы удобными и полезными для пользователей, облегчает работу рекламодателям, помогая решить сложные и рутинные задачи, и одновременно учитывает множество факторов для принятия решения, которые не может учесть человек.
Тем, кто всерьез заинтересовался темой, рекомендую изучить материалы в этой подборке: