Предиктивное моделирование: как оно работает в маркетинге и за его пределами

Прогнозы на основе статистики давно и успешно используются многими бизнесами. Но развитие технологий машинного обучения и data-driven решений открыло новые грани этого направления. Сегодня предиктивные модели позволяют с высокой точностью определять, каким будет поведение пользователя, с какой вероятностью он совершит то или иное действие, и другие события. Этот инструмент активно применяется во многих сферах, в том числе в маркетинге.

Поговорим о том, как работают предиктивные модели и какие задачи решают с их помощью разные бизнесы с их помощью.

Предиктивное моделирование — это один из видов интеллектуального анализа данных, в котором исторические данные используются для прогнозирования будущих событий. Технологии машинного обучения и методы статистического моделирования позволяют строить максимально точные сценарии и прогнозы — и чем больше данных доступно для анализа, тем точнее будет работать модель. Поэтому предиктивное моделирование чаще всего используют крупные компании, которые работают с большими объёмами данных.

Подобные модели помогают предсказать поведение покупателей или клиентов, динамику спроса на товары или услуги, изменения дохода компании и даже изменения в офлайн-мире.

Уже много лет предиктивные модели используются в сервисах, к которым миллионы пользователей обращаются каждый день. Так, Яндекс Карты определяют время в пути благодаря предиктивным технологиям. Карты анализируют не только ситуацию на дорогах здесь и сейчас, но и учитывают, как она изменится в будущем.

Другой пример — Яндекс Погода. Сервис объединяет классические метеорологические модели и технологии машинного обучения, в том числе предиктивное моделирование. Технология Meteum 2.0 обрабатывает данные от тысяч приборов на земле и в космосе, а также и использует обратную связь от пользователей, которые сообщают, какая погода на улице прямо сейчас.

Кроме того, предиктивные модели применяются в ритейле, чтобы корректировать ассортимент и выстраивать допродажи, в банковской сфере — для оценки платёжеспособности клиента, а на крупных производствах — для контроля состояния оборудования. В маркетинге они помогают спрогнозировать, какое влияние рекламные кампании окажут на бизнес и пользователей. Разберём на примерах.

В маркетинге и смежных областях предиктивные модели помогают:

• Определить вероятность события. Чем больше накоплено данных о различных факторах, которые могут повлиять на событие, тем точнее можно предсказать конечный результат.
• Оценить, как конкретный сегмент аудитории воспримет рекламную кампанию.
• Вычислить оптимальную стоимость in-app покупок.
• Найти наиболее лояльных клиентов с самой высокой LTV, определённым временем в приложении или другими важными метриками.
• Подобрать оптимальные способы оптимизации, KPI и бюджет для маркетинговой кампании.

Построение предиктивной модели требует значительных ресурсов и экспертизы. Поэтому маркетологи, аналитики данных, продакт-менеджеры нередко здесь используют готовые решения. Но есть и те, кто создаёт собственные — чтобы решать задачи, требующие особого подхода.

Мы поговорили с несколькими компаниями, которые разработали предиктивные модели in-house. Они рассказали, какие результаты это принесло, и поделились собственным опытом разработки LTV-предиктов.

Digital-агентство Go Mobile регулярно использует предиктивные модели и даже разработало самостоятельный продукт на основе предиктов Go Predicts. Задача этого сервиса — привлекать и оптимизировать трафик с учётом поведения аудитории.

На основе обученной модели мы моделируем событие: переход по ссылке, повторная покупка или другое действие пользователя. После мы оптимизируем рекламную площадку на это же действие.

Благодаря этой системе рекламодатель сразу видит и оплачивает пользователей с максимальным потенциалом за весь срок их жизни, а не тех, кто совершит только одну покупку. С помощью оптимизации кампании на Smart Events мы снизили показатели СРО и ДРР клиента. В результате рекламодатель увеличил бюджет предиктивных кампаний в четыре раза.

Bidease использовала предиктивные модели, чтобы привлекать определённое количество установок и регистраций в приложении inDrive в конкретных локациях по оптимальной цене.

Мы начали тестирование источников с видеокреативов: в процессе оставляли наиболее эффективные, визуально улучшали их и детальнее раскрывали суть сервиса в текстах. В качестве поддержки использовали статичные нативные баннеры, которые закрепляли посыл видеообъявлений положительными тезисами. Периодически мы добавляли статичные Interstitial-баннеры и Playable Ads, чтобы аудитории не наскучила наша реклама.

Когда мы собрали необходимый объём информации, то подключили предиктивные модели. Это позволило оптимизировать стоимость закупки релевантного трафика и кратно повысить вероятность конверсии.

По итогам кампании показатель I2C (Impression to Conversion) в установку на этом этапе в среднем составил 0,2% — 1 установка приложения на 500 показов. А I2C в регистрацию — 0,17%, 1 регистрация на 600 показов. В итоге с января по июнь inDrive получила 200 000 установок. Из них — 120 000 в период с мая по июнь. По средним подсчётам количество установок и регистраций в месяц выросло в 3 раза.

Инструменты на основе машинного обучения, в частности предиктивные модели, позволяют заполнить пробелы в данных и масштабировать найденные закономерности на всех пользователей, которые ещё только видят рекламу вашего приложения.

Предиктивная модель LTV на основе технологии Крипта в Яндекс Директе обучается на обезличенных данных о похожих приложениях и данных о выручке или удержании пользователей. В результате Директ в реальном времени корректирует ставки, чтобы привлекать пользователей с потенциально более высокой LTV именно в вашем приложении.

Работу над LTV-предиктами мы начали с эксперимента с Яндекс Играми. Результаты оказались интересными, поэтому мы проверили результаты ещё на нескольких кампаниях и после этого масштабировали подход на все приложения AppMetrica.

Сейчас мы определяем потенциальную LTV пользователей исходя из их активности в первый день: на основе этих данных оцениваем доход на следующие 28 дней. Полученные результаты можно масштабировать на более длительный период — в результате мы получаем потенциальную ценность пользователя для приложения на весь жизненный цикл.

При построении моделей учитывается, что на момент применения ML-модели часть дохода известна и что после первого дня установки доход приносит небольшой срез «долгоплатящих» пользователей. Формула расчёта выглядит так: revenue_before + p_revenue_after × revenue_after.

Revenue_before — деньги первого дня, которые известны на момент оценки LTV, p_revenue_after — модель, предсказывающая вероятность того, что пользователь «долгоплатящий», и revenue_after — модель, предсказывающая, какой доход принесёт долгоплатящий пользователь после первого дня.

Для приложений, которые не передают revenue-данные в AppMetrica, обучается отдельная модель, которая предсказывает непосредственно LTV, без декомпозиции. Модель обучается на обезличенных данных приложений, которые передают данные о revenue. Такой подход чуть менее эффективен, но он позволяет увеличить покрытие предсказания.

Благодаря развитию технологий сложные предиктивные модели становятся всё более доступным решением. Сегодня его могут использовать не только крупные бизнесы, накопившие большой объём данных об аудитории, но и небольшие проекты, которые хотят сделать свою рекламу эффективнее. LTV-предикты в Директе — один из примеров того, как предиктивные модели могут использоваться для решения задач самых разных рекламодателей без ограничений.

Запустите рекламу мобильных приложений в Директе, чтобы использовать возможности машинного обучения с пользой для своего бизнеса.

[Перейти в Директ]