Разработчики и аналитики данных используют машинное обучение и нейросети уже практически во всех сферах информационных технологий. Их применение — это не просто желание угнаться за всеми самыми модными инновациями, а реальная экономия времени, сил и средств при решении определённых задач. Статистические исследования говорят о том, что компании готовы обращаться к
ML-технологии в разработке
Машинное обучение — это алгоритм, который позволяет выявлять закономерности в данных и прогнозировать результаты. «Кажется, что машинное обучение — это чудо, но на самом деле — это просто математическая модель. Не будем преуменьшать значение машинного обучения в нашей жизни: действительно, оно увеличивает эффективность и скорость аналитики и подсчёта статистики. Доля рынка
- машинное обучение с учителем (заранее размеченные данные, нейросеть обучается на «правильных» ответах);
- машинное обучение без учителя (нейросеть разделяет необработанные данные по какому-либо признаку).
«Для разных типов продуктов применяется разный тип машинного обучения. Например, нейросеть „с учителем“, подходит для классификации однотипных баз данных с минимальным процентом аномалий. К сожалению, такая нейросеть требует предварительной разметки данных, и чаще всего этим занимается человек (а это — издержки). Конечно, когда-то компания Google предложила пользователям „поиграть“ в разметчиков, но это было в 2006 году. Сейчас компании стремятся минимизировать расходы на сотрудников, поэтому всё чаще они прибегают к нейросети „без учителя“. Этот способ является более трудоёмким, но зато после разработки можно работать с „сырыми“ базами данных. Нейросеть „без учителя“ умеет кластеризировать информацию и находить аномалии».
Применение ML в инструментах размещения рекламы
Машинное обучение нейросетей отлично подходит для работы в сфере рекламы: Big Data, очень много нетипичного контента, разнообразные сферы применения. «Я применяла машинное обучение для обнаружения аномалий в рекламном трафике. Это необходимо для того, чтобы отслеживать некачественные взаимодействия с рекламными объявлениями. По всему миру издержки компаний из-за „плохого“ трафика составляют 66 миллиардов долларов, поэтому разработчики из разных стран ищут решение этой проблемы».
Вызовы в работе с рекламным трафиком
Ольга Ковалёва столкнулась с некоторыми сложностями при внедрении
Автоматические системы модерации
Под автоматическими системами модерации в рекламе подразумеваются несколько технологий. Во-первых, это модерация самих креативов, а во-вторых — фильтрация фрод-трафика. «Если говорить о модерации контента от рекламодателей, то здесь мы обычно наблюдаем проверку в несколько этапов: автоматизированная проверка по ключевым словам, нейросетевые модели и инструменты, проверяющие ссылки. Проверки с использованием искусственного интеллекта и нейросетей сокращают время проверки „вручную“ в 3,5% по данным CVF. Это ещё один аргумент в пользу использования машинного обучения в сфере рекламы». Можно отсеивать некачественный трафик на этапе биддинга. Инструменты, встроенные в платформы для продажи мест под рекламу, обеспечивают прозрачность сделок и поддерживают репутацию площадки, отсеивая потенциально мошенническую рекламу. «В рекламных компаниях, которые специализируются на сопровождении клиентов, такая манипуляция трафиком приводит к отсеиванию 40% предложений, которые не приведут к росту продаж, соответственно их клиенты получают более качественный трафик. Я считаю, что самое главное в таких манипуляциях — это сохранять стабильность самого сервиса».
Система фильтрации в сервисе для подсчёта статистики популярности запросов и ключевых слов
Как узнать самый популярный запрос в интернете? Для этого есть специальные статистические сервисы. На основе полученной информации можно судить о популярности тех или иных явлений, узнать о «болях» потенциальных клиентов и даже составить маркетинговую стратегию.
«К сожалению, с появлением ботов и ботнетов такие сервисы становятся уязвимыми, предоставляют недостоверную информацию. Для любой компании-владельца это недопустимо, поэтому они встраивают специальные системы фильтрации трафика в свои продукты, например такие инструменты есть у Google Trends. Я создала и обучила систему фильтрации для похожего сервиса, и результаты приятно меня удивили: во-первых, получилось сохранить стабильную работу сервиса при обработке миллионов запросов ежедневно, из которых около половины являются искусственными. Во-вторых, на 30% увеличилось качество данных, что снизило всплески активности серверов из-за столкновения с аномалиями, то есть удалось снизить нагрузку на вычислительные мощности».
Качество рекламного трафика
Для оценки маркетинговой стратегии необходимо обладать определённым инструментарием, с помощью которого можно определить, насколько успешной была та или иная рекламная кампания. «В основном качество рекламного трафика оценивается по следующим метрикам:
- ROI (Return of Inverstment) — возврат на инвестиции;
- CPC (Cost per Click) — стоимость клика;
- CPA (Cost per Action) — стоимость действия;
- CPL (Cost per Lead) — стоимость лида;
- и др.
Крупнейшие игроки на рынке маркетинга предлагают продукты, где проверка стратегии будет осуществляться автоматически, в режиме реального времени. Автоматизированная проверка позволяет вовремя заметить и исправить ошибки, а также выдаёт аналитические данные, на основе которых сотрудники могут принимать решения». Такая разработка положительно складывается на бюджете и позволяет тратить меньше времени на сверки вручную.
Перспективы применения ML в рекламе
Машинное обучение и нейросети прочно обосновались в рекламном бизнесе, но Ольга Ковалёва считает, что ещё есть возможности для роста. «Одно из направлений для развития машинного обучения в рекламе — это предикативная аналитика, которая позволит более эффективно распределять средства. Следующий тренд — это автоматизация в программатик-рекламе. Мы будем постепенно отказываться от выбора рекламных площадок „вручную“, всю аналитическую работу будет выполнять нейросеть, пользователю останется лишь внести денежные средства».
