Machine Learning помогает использовать маркетинговый бюджет эффективнее на 25% за счёт оптимизации процесса закупки рекламы.
Внутрь платформы Prototypes Ads интегрированы ML-предикторы, которые позволяют дополнительно оптимизировать процесс закупки инвентаря. Активация механизма происходит на этапе выкупа рекламного показа: алгоритм с помощью технологий машинного обучения предсказывает вероятность совершения целевого действия (клик, регистрация, покупка) в зависимости от целей конкретного рекламодателя.
Для этого используется общепризнанный алгоритм 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. Если предиктор видит, что вероятность целевого действия высокая, он принимает решение о показе рекламы.
Модель создаётся для каждого рекламодателя индивидуально, что делает её эффективнее, чем обобщённые модели в сторонних рекламных платформах.
Этот алгоритм сложно интегрировать в программатик-технологии: вся процедура происходит на этапе выкупа инвентаря, времени на операцию очень мало. Именно поэтому интеграция ML-предикторов в платформу — действительно сложная задача. Но если у вас есть платформа с предикторами, которые можно обучить именно под ваши задачи, вы делаете кампании эффективнее на 25–30%.
Бизнес-кейс. Финансовая организация: рост лидов, проходящих скоринг, в 5 раз
Финансовая организация размещала онлайн-рекламу с оплатой за лиды. Лиды формально проходили все критерии отбора, но внутреннюю проверку (скоринг) проходило только 5 из 100. Для решения проблемы компания интегрировала собственную платформу для выкупа рекламных показов, разработала математическую модель «вероятности прохождения скоринга» и обучила ML-предикторы.
В результате обученный предиктор показывал рекламу только тем лидам, которые с высокой вероятностью пройдут скоринг. Уже на следующем шаге скоринг проходили 25 лидов из 100 (рост на 400%).
Перед выходом на новый рынок компания запускает короткие кампании на нём — для обучения предиктивной модели. Это позволяет существенно эффективнее использовать маркетинговый бюджет при полноценном запуске.
Условие обучения модели
Не менее 300 кликов по рекламным объявлениям в день. Этого достаточно, чтобы построить рабочую персональную модель для конкретного рекламодателя.