Машинное обучение в digital-маркетинге

Соль большинства маркетинговых задач — это подбор правильной аудитории и правильного предложения под заданную аудиторию. Это очень похоже на оптимизационные задачи, многие из которых можно решать методами машинного обучения, а некоторые активнейше решаются. Попробуем сгруппировать эти задачи и описать масштаб трагедии, разыгрывающейся перед специалистами по ML.

Персонализация сайта (подбор торгового предложения или набора сервисов) под конкретного посетителя или сегмент аудитории

Первые упоминания лично я слышала на докладе специалиста Яндекса про маленькую Крипту. По сути задача состоит в подборе наиболее релевантного контента на основе информации о пользователе — что он делал в предыдущие сессии, что он делал в эту сессию до момента подбора персонализации, что мы знаем об этом клиенте (если он уже клиент). В качестве информации на входе могут быть — источники трафика, посещенные страницы, страницы входа, запросы из внутреннего поиска и подобные признаки из систем веб-статистики.

Как подзадачу можно рассматривать разнообразные рекомендательные системы. Наиболее известным кейсом, наверное, является подбор фильмов, которые понравятся пользователю у Netflix (и еще немного о Netflix). Есть как сервисы, подбирающие рекомендации, так и некоторые компании делают свою рекомендательную систему. С небольшой натяжкой к рекомендательным системам можно отнести подбор ленты в социальной сети. Социальная сеть прогнозирует интерес пользователя к постам (условно вероятность лайка или репоста) и на основе этой метрики ранжирует  посты в ленте новостей.

Оптимизация рекламных кампаний

Здесь можно выделить две группы задач в зависимости от того, кто ее решает:

  • рекламная площадка (Google Adwords, Yandex Direct, Facebook, YouTube,…)
  • рекламодатель

В первом случае часто оптимизация проходит под CTR. Например, стратегии формата «максимум кликов при ограниченном бюджете». Если рекламодатель делится данными о продажах, то становится возможной оптимизация по доходу — не просто «как можно больше кликов», а «как можно больше лидов» или «как можно больший доход» .  Некоторые сервисы по управлению рекламой имеют похожие оптимизационные системы, и ничто не мешает крупному рекламодателю сделать управление ставками в рекламе под свои нужды — своей моделью.

Многорукие бандиты

Бандитов с точки зрения бизнеса можно считать неким апргейдом АБ тестов. Бандиты позволяют сделать три оптимизации сразу:

  • сами определяют победителя
  • ускоряют выбор победителя (момент окончания теста)
  • минимизируют потери из-за того, что работает проигрывающий вариант.

Насколько я понимаю, многорукие бандиты помогают выбирать правильные объявления в Яндекс.Директе. Также есть интересный доклад Авито про рекомендации и многоруких бандитов. Ранее бандиты работали и в экспериментах в Google Analytics, но с переездом их в Google Optimize бандиты оттуда куда-то пропали. В оценке ранжирования поиска Яндекс также время от времени многорукие бандиты подкидывают разные сайты и помогают оценить, хорош ли текущий вариант. Об этом неплохо написал Сергей Кокшаров в своем блоге.

Сегментация аудитории

Ключевая парадигма маркетинга — разделяй (аудиторию) и властвуй. Поэтому без задач сегментации тут не обойтись. Говоря о сегментации, можно говорить как о кластеризации, так и о классификации, от этого будет зависеть конечная постановка задачи и знаем ли мы что-нибудь о таргете.  Но если не думать о конкретных задачах, мне в голову приходит два ключевых направления:

  • (условно) RFM анализ — по сути, поиск сегментов исходя из покупательского поведения
  • Сегментация по поведению на сайте

Тем не менее, сюда же можно отнести сегментацию, которая проводится на стороне рекламных сервисов типа Google Ads / Facebook / Yandex Direct, или точнее говоря, их сопутствующих сервисов аля Крипта и остальных, безымянных. Определение пола, возраста, интересов — это все можно отнести к задаче сегментации аудитории по какому-либо признаку.

В этом же разделе можно упомянуть о look-alike технологиях, которые позволяют найти аудиторию, похожую на ваших клиентов. Вы даете системе свою базу — и она старательно ищет новую аудиторию, которая вроде как обладает схожими свойствами. Результат не всегда шикарен, т.к. есть много нюансов касательно «нужен ли аудитории этот продукт», «по каким признакам новая аудитория похожа на имеющуюся», но вариант увеличения ставок на похожую аудиторию выглядит очень здравым даже с учетом этих нюансов.

Алгоритмы ранжирования текстового поиска

Тут можно было бы обойтись без комментариев, но немного можно добавить:

  • Матрикснет и Королёв яндекса
  • Поиск «похожих» картинок
  • Определение тематики сайтов
  • Определение тональности текста (в т.ч. отзывов)
  • Формирование подсказок и обработка поискового запроса
  • И другие сопутствующие задачи

Предсказание вероятности чего-нибудь

Наверное, наиболее востребованным предсказанием будет «сделает ли посетитель в эту сессию покупку (или заявку)». Если удастся построить предсказывающую такое событие модель, можно было бы применять  стратегии на удержание к тем посетителям, для которых ответ был отрицательный (как вариант, отрицательный, но близкий к пороговому значению). Какими могут быть удерживающие стратегии? Самая простая — показать баннер со скидкой. Или, скажем, фиксацией цены.

На практике построение такой предсказывающей модели сталкивается с кучей сложностей (начиная с несбалансированности выборки), решают задачу «вернется ли пользователь на сайт», а дальше пользуясь зависимости между конверсией и количеством сессий пользователя, масштабируют до решения исходной задачи. На GoOptimize 2019 как раз рассказывали об успешности такого подхода (см. доклад Алексея Чернобровова, если он будет в общем доступе).

 Чат-боты

Чатботы призваны в этот мир, чтобы снизить нагрузку на живых операторов, которые, к сожалению, стоят дорого и временами не находятся онлайн. Также часто люди задают не очень умные вопросы, для ответа на которые не нужно привлекать человеческие ресурсы. Поэтому чатботы становятся все более популярны и модифицируются в голосовых ботов (например, Мегафон), странные системы (голосового) обзвона (см. dasha.ai), справочные системы формата «вопрос-ответ» и тому подобное.


Этот краткий обзор, конечно же, не покрывает всех возможностей по использованию ML в онлайн-маркетинге. Пишите в комментариях свои идеи и замечания 🙂

 

Добавить комментарий