e-contenta: big data analysis и машинное обучение в маркетинге

Big Data Analysis и машинное обучение в маркетинге

ПЕРСОНАЛИЗАЦИЯ

Александр Атцик BDM

•  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка

ЦЕЛЕВАЯ АУДИТОРИЯ

Релевантная реклама

•  Переходы •  Конверсия •  Популярное •  Время сессии

АНАЛИЗ

•  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка

ЦЕЛЕВАЯ АУДИТОРИЯ

Таргетирование контента

Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline

Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline

1 2

КАКУЮ ИМ ПРЕДЛОЖИТЬ МУЗЫКУ?

•  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка

ЦЕЛЕВАЯ АУДИТОРИЯ

Таргетирование контента

Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline

Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline

Big Data

Используемые данные

Не используются

Для технических целей

DATA SCIENCE: извлекаем полезные знания из имеющихся данных

"

Кластеризация вместо сегментирования

Неявно сгруппированные

элементы

ЧТО ОБЩЕГО У ВАШИХ ПЛАТЯЩИХ КЛИЕНТОВ?

Look Alike

Существующий покупатель

Схожесть 85%

Потенциальный покупатель

Данные: чем их больше, тем более точное сравнение!"

•  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка

ПАРАМЕТРЫ ПОЛЬЗОВАТЕЛЯ

Как не запутаться в море данных?

•  Зашёл на сайте •  Посмотрел видеоклип •  Купил предмет •  Увеличил громкость •  Зашёл в личный кабинет •  Подключил сервис •  Развернул видео на весь

экран •  Вступил в группу в соц.

сети •  Поиграл в игру •  Отправил запрос в ТП •  Открыл сообщение •  ….

ПОВЕДЕНИЕ ПОЛЬЗОВАТЕЛЯ

ЧТО ИЗ ЭТОГО ВАЖНО? НАСКОЛЬКО?

Машинное обучение

Анализ данных

Принятие решения

Оценка результата

НЕПРЕРЫВНАЯ ОБРАТНАЯ СВЯЗЬ

ПЕРЕОЦЕНКА ВЛИЯНИЯ КАЖДОГО ПАРАМЕТРА

Алгоритмы рекомендательных систем На основе схожести контента

Рекомендации наиболее близкие к просмотренному контенту, при этом учитываются многомерные свойства объектов, например актёры и фильмы в которых они снимались

Предсказывает предпочтения пользователя на основании предпочтений схожих пользователей и использует статистическую модель для оценок

- гибридная контентно-поведенческая модель

1 1 5 схожесть

атри

буты

Контент А Б В Г

режиссёр

жанр

актёры

техническая команда

Алгоритмы рекомендательных систем На основе схожести пользователей

- гибридная контентно-поведенческая модель

рекомендации

прос

мотр

ы ко

нтен

та

Истории потребления Данные пользователя Сведения о контенте

Предпочтения

Персонализация контента

Источники сбора данных

Социальные сети

Медиа платформа оператора

Интернет

Анализ данных Персональные рекомендации

Персонализация рекламного контента

Динамически формируемый контент

Динамический выбор контента

Приходи смотреть

на СуперСервисМедиа

Варианты рекламных объявлений

Рекомендательный сервис

Наиболее эффективное объявление для пользовательского кластера

Наиболее релевантные предложения для пользователя

Александр Атцик BDM at E-Contenta

Рекомендация Если вам интересен этот доклад вам также могут быть интересны:

•  сайт www.e-contenta.com •  контакт attsik@e-contenta.com

+7 (911) 911 32 08