Поиск «горячей» аудитории без контекста

Февраль, 2020 год.

Выделение целевой аудитории для таргетирования с помощью инструментов платформы Second Party Data Exchange (SPDE).

Ритейл E-commerce Продажи Маркетинг Крупный бизнес Flocktory Снижение расходов Decision support Data analysis Recommendation systems

Какую проблему решали

Перед приобретением матраса и товаров для сна покупатели изучают рынок, ищут отзывы, посещают магазины. Цикл покупки может быть долгим, а стоимость привлечения клиента достаточно высокой.

Найти потенциальных покупателей сложно: охватные инструменты не гарантируют попадание в целевой сегмент, а проходимость конверсионных ограничена.

Для более эффективных рекламных кампаний необходим инструмент, позволяющий проанализировать поведение покупателей и определить портрет клиентов, готовых к совершению покупки.

Решение проблемы

Для решения задачи технологический партнер «Аскона» — компания Flocktory применила инструменты своей платформы Second Party Data Exchange .

Используя алгоритмы машинного обучения, проанализировали потребительское поведение посетителей сайта и определили портреты людей, покупающих товары из категории «мебель для спальни».

Предиктивная модель ищет пользователей с похожим поведением и формирует сегменты аудитории, которым может быть интересна покупка мебели для спальни. На них направляется персонализированная коммуникационная кампания.

Применяемые технологии

Flocktory обрабатывает большое количество данных, применяя модель собственной разработки, и определяет уровень интереса пользователей на основе анализа множества .

Технология предполагает ранжирование всех посетителей по потенциальной заинтересованности в целевом действии. Задача модели — предсказать совершение целевого действия. Для «Аскона» — это «качественный просмотр» страницы товара.

Для этого 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.

Создана собственная классификация товаров, определены 3000 универсальных категорий, разработан и обучен классификатор для определения принадлежности товаров к одной из них. Ключевые слова в категориях подбираются с помощью машинного обучения — метода опорных векторов. Для сбора дата-сета для обучения классификатора использован краудсорсинговый сервис Яндекс.Толока.