Машинное обучение в контекстной рекламе. Как применять

19-07-2019 11:33

Скажем сразу - для получения выдающихся результатов в контекстной рекламе использование машинных алгоритмов необязательно - достаточно автоматизированно собирать данные, производить расчеты эффективности и применять полученные цифры на практике. Таким образом мы добились снижения расходов на рекламных аккаунтах более чем на 80% от первоначальных цифр. То есть - там где раньше для получения определенного результата мы расходовали 100 тысяч рублей, то теперь, тот же уровень эффективности мы получаем за 20 тысяч рублей.

Уже на текущем этапе можно останавливаться, заворачивать полученные результаты в кейс и масштабировать. Но ведь хочется иметь еще больше гибкости к настройке аккаунтов и получать еще более выдающиеся результаты. Так мы пришли к машинному обучению в настройке контекстных рекламных кампаний. 

Начали с малого - с классификатора ключевых слов, предиктивно определяющего - стоит использовать новый интересующий ключ, или нет.

Для эксперимента мы взяли клиента, где не было колоссальных изменений в структуре сайта за последний год, а используемые бюджеты позволяли иметь статистику достаточную для построения модели.

На входе мы получили 13000 строк данных (не так уж и много, но этого хватило, чтобы научить модель до приемлемой точности), которые были преобразованы в структуру вида ключ/процент конверсий.

Дальнейшее преобразование заменило процент конверсий на бинарную величину, а ключи были разложены на узкие стеммы, переформатированные в разрешенную матрицу, в развернутом виде имеющую порядка 6000 столбцов 13000 строк данных.

 

 

Данные были скормлены модели "Случайного леса" с подогнанными параметрами.

 

Результат

 

 

Уже в текущем виде система работает. Но точности еще недостаточно. Лучших результатов удалось добиться путем подмены модели случайного леса нейросетевым алгоритмом и более глубоким разложением признаков внутри таблицы.