Сделайте рекламу эффективнее на 25% с помощью ML предикторов
Machine Learning технологии помогают сделать использование маркетингового бюджета эффективнее на 25% за счет оптимизации процесса закупки рекламы
Внутрь платформы Adwist интегрированы ML-предикторы, которые позволяют дополнительно оптимизировать процесс закупки инвентаря. Активация механизма происходит на этапе выкупа рекламного показа благодаря алгоритму, который с помощью технологий машинного обучения предсказывает вероятность совершения целевого действия (клик, регистрация, покупка и т.д.) в зависимости от конкретных целей и задач каждого рекламодателя. Для этого используется общепризнанный алгоритм, который называется Factorization Machines. На базе заранее построенной модели, основанной на наборе данных о пользователе, которые система получает от рекламной площадки или RTB-платформы на этапе выкупа показа, алгоритм принимает решение о выкупе показа. В случае, если предиктор видит, что вероятность совершения целевого действия высокая, но принимает решение о показе рекламы.
Модель создаётся для каждого рекламодателя индивидуально, что делает ее более эффективной, чем обобщённые модели, используемые в сторонних рекламных платформах
Данный алгоритм сложно интегрировать в программатик технологии, поскольку вся процедура происходит на этапе выкупа рекламного инвентаря, то есть на эту операцию отведено очень мало времени (подробнее описано здесь). Именно поэтому интеграция ML-предикторов в платформу - это действительно сложная задача. Но если у вас есть платформа с предикторами, которые можно обучить именно под ваши задачи, то вы можете сделать свои кампании эффективнее на 25-30%.
Бизнес-кейс
Финансовые компании используют ML-предикторы для оптимизации качества выкупаемых лидов
Предположим, что финансовая организация размещала онлайн рекламу по модели с оплатой за лиды. И по итогу получала качественные лиды, которые проходили все необходимые критерии отбора. Но возникала проблема, при которой на следующем этапе внутреннюю проверку (скоринг) проходило лишь 5 из 100 лидов.
Для решения данной проблемы, компания интегрировала собственную платформу для выкупа рекламных показов. А также разработала математическую модель, которая по ряду пользовательских параметров, известных на этапе получения лида, оценивала вероятность прохождения внутреннего скоринга для каждого лида. Подключили ML-предикторы и обучили их на данной модели.
Для решения данной проблемы, компания интегрировала собственную платформу для выкупа рекламных показов. А также разработала математическую модель, которая по ряду пользовательских параметров, известных на этапе получения лида, оценивала вероятность прохождения внутреннего скоринга для каждого лида. Подключили ML-предикторы и обучили их на данной модели.
“
Для обучения математической модели предиктора нужно не менее 300 кликов по рекламным объявлениям в день
В результате, обученный ML-предиктор показывал рекламу только тем лидам, которые с большей вероятностью могли пройти внутренний скоринг. Эти действия привели к тому, что 25 лидов из 100 проходили скоринг (рост на 400%).
После этого данная Финансовая организация, перед выходом в новый регион, запускала специальные онлайн кампании на новом рынке для обучения предиктивной модели, что позволяло им существенно эффективнее использовать маркетинговый бюджет при запуске полномасштабной кампании на новом рынке.
После этого данная Финансовая организация, перед выходом в новый регион, запускала специальные онлайн кампании на новом рынке для обучения предиктивной модели, что позволяло им существенно эффективнее использовать маркетинговый бюджет при запуске полномасштабной кампании на новом рынке.
До подключения предикторов внутренний скоринг проходили только 5% лидов
После обучения модели внутренний скоринг стало проходить более 25% лидов
“
Для каждого рекламодателя можно создать собственную модель и обучить ML-предикторы по наиболее оптимальным параметрам для выкупа инвентаря. Это более эффективный способ, чем универсальные решения.