Поиск заинтересованной аудитории для таргетирования
Июнь, 2020 год.Выделение «горячей» аудитории с помощью инструментов платформы Second Party Data Exchange (SPDE).
Какую проблему решали
Используя алгоритмы машинного обучения, Flocktory анализирует огромное количество о поведении пользователя, чтобы «предсказать» его уровень интереса к покупке определенной категории товаров и услуг.
На этапе подготовки данных применяются алгоритмы SVM, на этапе определения интереса - Logistic Regression.
Задача модели — предсказать совершение пользователем целевого действия. Для финансовых продуктов Альфа-Банка целевым действием является «качественный» просмотр страницы продукта. Использовалась логистическая регрессия с L1- и L2-регуляризацией и с положительной матрицей весов. Тщательная настройка гиперпараметров позволила обучать интерпретируемые коэффициенты. Признаки представляли из себя векторизированные события из покупательского и пользовательского опыта и поведения, а также других данных о пользователях.
Бизнес-процесс
До проекта:
- Таргетирование на аудиторию с потенциальным интересом.
- 0,08% - средний показатель кликабельности (CTR).
- 0,3% - средняя прямая конверсия в заявку (CR).
- Высокая стоимость привлечения заявки.
После проекта:
- Таргетирование на аудиторию с горячим спросом.
- 0,15% - средний показатель кликабельности (CTR).
- 8% - средняя прямая конверсия в заявку (CR).
- Значительное снижение стоимости привлечения заявки.
Результаты
Команда «Альфа-Банк»
Команда OMD AMS
Команда Flocktorу
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.
