{"id":13590,"url":"\/distributions\/13590\/click?bit=1&hash=03c45bd9f120d2c4307c8a83d2e290e4193e2d7cfbf2807f3e8cf799cc81b1a0","title":"\u0421\u0434\u0435\u043b\u0430\u0442\u044c \u0431\u043b\u0430\u0433\u043e\u0442\u0432\u043e\u0440\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u043f\u0440\u043e\u0435\u043a\u0442 \u043d\u0430 \u0434\u0435\u043d\u044c\u0433\u0438 \u043a\u0440\u0443\u043f\u043d\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438","buttonText":"\u041a\u0430\u043a?","imageUuid":"629d35eb-0db2-5643-b6f7-bd3a6714a6eb","isPaidAndBannersEnabled":false}
Маркетинг
OrbitSoft

Кейс использования искусственного интеллекта: сервис для развлекательного контента увеличил доход с рекламы на 10%

Коротко о проекте

Клиент — агентство, которое управляет рекламой на сервисах со взрослым контентом. Работает из Канады

Бизнес-задача — сократить число отказов от просмотра роликов.

Решение — настроить показ роликов с учетом персональных рекомендаций. Для этого создали алгоритмы, которые позволили анализировать и использовать данные пользователей.


Результаты

Как система рекомендаций на базе искусственного интеллекта повлияла на показатели просмотра контента

2 млрд показов рекламы в месяц

Наш клиент — крупнейшая рекламная компания в Канаде. Один из ее проектов — сервис для взрослого контента. Это одна из популярных площадок из сферы развлечений: более 40 млн опубликованных роликов и 350 тысяч пользователей онлайн каждый день.

Сервис с помощью рекламного агенства зарабатывает на показах рекламы в основном контенте: например, использует ролики, баннеры, попапы и другие форматы. На начало 2021 года у сервиса более 2 млрд показов рекламы в месяц.

Агентство из Канады управляет рекламой популярного сервиса

Проблема: пользователи не досматривают ролики и пропускают рекламу

Сервис со взрослым контентом зарабатывает на рекламе, поступления регулярные, с этим проблем нет. При этом в сфере развлекательного контента высокая конкуренция: от игровых стримов до видео с котятами.

На момент обращения к нам среднее количество отказов от просмотров у сервиса было 17,7%. Это говорит о том, что пользователям не так уж был интересен контент: они не находят интересные ролики для себя. Реклама из-за этого тоже страдала: чем меньше времени посетители проводят на сервисе, тем меньше доход сервиса.

Проблема была не только в доходах от рекламы. Дело во внимании: как только пользователь перестает проводить свое время у тебя, это же время получает конкурент. И возвращать такого пользователя долго, дорого и сложно.

Ограничения: нет данных для персональных рекомендаций

Заказчик обратился с таким посылом: «Сервис собирает много разных данных. Я читал, что с их помощью можно увеличить показатели по контенту и рекламе. Как мне это сделать?»

Наша гипотеза: если научиться показывать ролик с учетом персональных рекомендаций, то посетители скорее будут досматривать ролики, а значит, увидят рекламу.

Сам по себе инструмент настройки персональных рекомендаций известный: например, так работают Ютуб, Спотифай и другие сервисы. Проблема в том, что речь идет о взрослом контенте, поэтому есть отличия от того же Ютуба:

  • пользователи не оставляют о себе данных — например, пол, возраст, страну и так далее;
  • не показывают, что им нравится ролик — не ставят лайки и почти не комментируют;
  • используют VPN, поэтому нельзя понять, о какой стране речь;
  • минимум 80% используют режим инкогнито. И каждый раз, когда они заходят на сервис, он считает их за новых посетителей. Поэтому история не сохраняется и сервис не может определить: что и кому нравится.

Несмотря на то, что сервис собирает много данных о пользователях, они по сути анонимные. Поэтому без специальных решений данные остаются просто данными и никак не помогают решать бизнес-задачи

Решение: работа с биг-датой и создание алгоритмов

Раз данные есть, их можно каким-то образом обработать. Для этого мы создали алгоритмы, которые позволили собирать, анализировать и выстраивать на их основе персональные рекомендации. Проект занял почти год и строился по этапам.

Этапы проекта: создание алгоритма персональных рекомендаций на базе искусcтвенного интеллекта

1. Сбор и анализ данных

  • Сбор данных
  • Анализ найденных метрик
  • Выявление закономерностей

2. Подготовка данных

  • Отбор значимых метрик
  • Приведение данных к нужному формату

3. Моделирование

  • Выбор модели прогнозирования
  • Эксперименты с тестовыми наборами данных
  • Разработка алгоритма рекомендаций

4. Анализ рекомендаций

  • А/B-тесты
  • Сравнение результатов
  • Анализ полученного опыта
  • Планирование дальнейших шагов по улучшению работы модели

Что помогло в решении задачи клиента

Накопленный опыт в сфере работы с биг-датой. Это не первый проект в этой сфере. Для крупных клиентов обрабатываем миллиарды строк данных о поведении пользователя. Благодаря данным мы знаем как:

  • рассчитывать рейтинг рекламы и выводить ее в соответствии с рейтингом;
  • определить вероятность клика на объявление;
  • соотносить пользователя с определенным сегментом интересов для показа релевантной рекламы.

Благодаря накопленным знаниям мы уже знали, какие модели и алгоритмы могут подойти сервису. Для заказчика это значит, что его проект мы сделаем быстрее и точнее.

Не тратили время на придумывание с нуля. Вместо этого мы использовали уже работающие решения из направлений, близких к бизнесу клиента. Например, наша команда изучала документацию Гугла, Нетфликса, Спотифая — они профи в настраивании контента. Исследования помогли быстрее определиться с методами и подходами для собственной разработки.

Страницы из документации Гугла по алгоритмам

Страница слева — из документа от сотрудников Гугла, в котором обсуждаются алгоритмы рекомендательной системы для Ютуба. Страница справа — опыт и математические модели Гугла в построении масштабируемой системы рекомендаций. Можно посмотреть полную PDF-версию: первая страница и вторая.

Самые интересные отчеты распечатывали и анализировали всей командой

Результаты: персональные рекомендации увеличили доход с рекламы на 10%

На основе практически анонимных данных мы создали алгоритм, который подбирает ролики с учетом персональных рекомендаций. Благодаря ему сервис увеличил основные показатели эффективности рекламы.

Результаты за 1,5 месяца: как система рекомендаций на базе искусственного интеллекта повлияла на показатели просмотра контента

+5% Количество просматриваемых роликов

+19% Время просмотра одного ролика

+10% Рекламный доход заказчика от просмотренных рекламных роликов

-16% Доля отказов от просмотров роликов

Где еще пригодится алгоритм для разработки персональных рекомендаций

Алгоритм подходит для любого бизнеса в онлайне с большим объемом контента и количеством посетителей. Контент — это все что угодно, например:

  • статьи;
  • видео;
  • аудио;
  • карточки товаров или услуг.

Если у вас похожий бизнес, пишите нам и давайте обсудим, как мы можем вам помочь.

Поделитесь опытом: как вы решаете проблему персональных рекомендаций?

0
Комментарии
Читать все 0 комментариев
null