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

Валерия Полякова

Редактор-переводчик SEOnews

Арсений Алиханов начал выступление с рассказа о том, что в 2016 году Google объявил о том, что становится AI-first компанией. То есть, все действия компании теперь направлены на развитие технологий машинного обучения (ML) и искусственного интеллекта. До этого Google был mobile-first компанией.

Смена курса означает, что почти во всех продуктах компании применяются технологии искусственного интеллекта (AI), в том числе и в рекламе. Арсений отметил, что несколько лет назад достаточно было анализировать два показателя – демографию и местоположение, и это можно было делать вручную. Теперь картина изменилась, добавилось множество новых параметров (длительность просмотра, посещенные сайты, категория приложения, сессии и т.д.) и отследить их довольно сложно, так комбинация этих метрик рождает миллионы вариантов таргетинга. И здесь на помощь приходят различные автоматические или полуавтоматические решения.

Арсений рассказал, что есть одно направление, в котором таргетинг полностью автоматизирован. Речь об Универсальных кампаниях для приложений (Universal App Campaigns). Они позволяют размещать рекламу на крупнейших ресурсах Google. Рекламодателям нужно только добавить текст, указать ставку и требуемые ресурсы, а остальное берет на себя система.

Универсальные кампании в некотором смысле представляют собой нейронную сеть, которой подаются целевые действия. Чтобы этот инструмент работал, ему необходимо как можно больше данных. Однако иногда происходит так, что данных не хватает – например, в случае с отложенной конверсией. Здесь может помочь прогноз целевого события:

Арсений отметил, что прогнозы можно (и нужно) делать самостоятельно. Схема выглядит следующим образом:

Первый шаг:

• Исторические данные
• Выбор прогнозной модели

Второй шаг:

• Ежедневная выгрузка
• Программирование модели
• Обмен данными

Третий шаг:

• Отправка конверсий в AdWords
• UAC Action с оптимизацией по прогнозу

Ладо Лебанидзе продолжил выступление и рассказал о том, как готовить данные для ML-модели.

Подход Google в приведенном примере «заточен» на ситуацию, когда предсказание должно прийти как можно быстрее после установки приложения. То есть, цель – как можно быстрее по первому поведению пользователя в приложении определить, является ли он потенциальным покупателем (в идеале конверсия должна происходить до седьмого дня после установки).

Ладо рассказал, что с помощью машинного обучения нужно тренировать модель предсказывать результат по пользователю за период предсказания (90 или 180 дней после установки приложения), используя данные поведения за каждый день периода наблюдения (14 дней после установки). Затем необходимо взять данные тренировочной когорты – пользователей, которых уже наблюдали на протяжении периода предсказания (в тренировочном сете данные о пользователях должны быть в определенном формате):

Затем следует этап определения параметров (колонок для обучающего дата-сета). Для первого прогона рекомендуется использовать как можно больше данных:

Результатом будет подобный дата-сет:

Арсений отметил, что желательно, чтобы в первичном дата-сете было много колонок (в идеале – сотни).

Затем следует этап ежедневной настройки:

Ладо дал следующие советы по моделированию:

• Собирайте как можно больше параметров для первого прогона.
• Модель необходимо валидировать по количеству покупателей, которых успели предсказать до факта покупки.
• Лучше начинать с простой линейной модели.
• При использовании для оптимизации UAC оценивать модель можно по Precision и Recall.