Go Analytics! 2018: Machine learning в реальной жизни

Валерия Полякова

Редактор-переводчик SEOnews

Мария Мансурова начала выступление с рассказа о том, как может применяться машинное обучение (ML). Инструмент может быть полезен для:

• Предиктивной аналитики.
• Улучшения продукта: рекомендаций, KPI.
• Аналитики и работы с клиентами (сегментация, пользовательский граф).
• Автоматизации процессов.

Александра Кулачикова отметила, что с помощью ML можно предсказывать:

• Отток клиентов.
• Конверсии и сумму заказа.
• Выкуп заказа.
• Спрос.

Представительницы Яндекса привели в пример одного из клиентов компании – сайт "220 вольт", для которого необходимо было предсказать конверсию. Специалисты компании собирали данные о действиях пользователей на сайте в течение двух месяцев и оценивали характеристики для каждого юзера – например, с какого браузера он зашел, а также его поведение (как часто заходит и т.д.). На основе этих данных оценивалась вероятность совершения покупки в течение следующей недели.

Для каждого из посетителей сайта выводился отдельный сегмент – по степени вероятности совершения покупки. После этого сегменты обновляли каждый день. Поэтому один и тот же пользователь мог переходить из одного сегмента в другой. Затем сегменты использовали для оптимизации рекламных кампаний и ретаргетинга.

Чтобы понять, все ли сделано правильно, необходимо было проверить, действительно ли пользователи, для которых была предсказана конверсия, конвертируются. Специалисты сравнили два сегмента: со средним и с высоким показателем конверсии. Результат был положительным, после чего для клиента был запущен тест, показавший хороший результат.

Однако предсказывать можно не только конверсию. Мария Мансурова продолжила выступление, рассказав о клиенте из travel-тематики. Для него необходимо было предсказать чек.

Для travel-тематики характерен поиск с разных устройств. Пользователи могут начинать интересоваться поездками по пути на работу, рассматривая варианты на мобильном устройстве, а совершить покупку – дома с десктопа.

 

Для новой модели были выделены следующие значимые признаки:

Признак	Значимость
Число дней с последнего визита	0,2364
Устройство (mobile, desktop)	0,1201
Возрастная группа	0,1102
Достижение цели №1	0,0655
Число дней с первого визита	0,0614
Пол	0,0502
Достижение цели №2	0,0308
Достижение цели №3	0,0282
Число покупок на сайте	0,0274
Число купленных товаров на сайте	0,0257

Представители Яндекса отметили, что не все пользователи могут быть одинаково полезны:

 

Работа с данной компанией еще не завершена, но Мария отметила, что Яндекс сообщит о результатах в будущем.

Александра также рассказала об опыте коллег из Яндекс.Маркета. Так, представителям сервиса нужно было добавить блок и рекомендацию цены магазина для карточки товара.

 

Основной проблемой являлся тот факт, что в Маркете представлены разные магазины – многие из них довольно новые, где-то нет отзывов, какие-то не оформлены должным образом. Это могло оттолкнуть пользователей. Поэтому решено было начать ранжировать магазины по различным характеристикам с помощью машинного обучения.

Среди характеристик были следующие:

• Цена
• Наличие рейтинга
• Наличие отзывов
• География

Это позволило наиболее полезному для пользователей магазину повысить количество заказов на 30%.

Мария также рассказала о проблемах, с которыми рискуют столкнуться все:

• Постановка задач и описание объекта. Задачу ставит человек, а машина (пока что) не умеет придумывать вопросы.
• Данные не идеальны (неоднородны, неполные, их мало, могут содержать шум).
• Хороший результат – это еще не конец.
• Не всегда дело в модели.
• Несбалансированные классы.
• Переобучение.
• Модель подглядывает правильные ответы.

Читайте также: Go Analytics! 2018: прогнозирование покупки и оптимизация рекламных кампаний на его основе