Машинное обучение, примененное к таргетингу объявлений, позволило снизить цену клика в 3 раза
Идея
Возможно ли, используя только публичные данные из одной социальной сети, выделить группу людей, похожих на текущих клиентов онлайн магазина, тем самым размещая рекламу только на эту “более лояльную” аудиторию, уменьшить стоимость клика и, соответственно, цену привлечения клиента?
Входные данные
Источником данных для эксперимента была выбрана крупнейшая российская социальная сеть vk.com. Клиентами считались покупателей интернет-магазина одной из МЛМ-компаний. Для упрощения задачи пользователи подбирались только из города и области одного выбранного города-миллионника.
Данные:
- Обучающая выборка профилей пользователей размером 27К (из которых 2К являются текущими клиентами интернет-магазина)
- Тестовая выборка случайных профилей пользователей: 30К
Технические детали
Ради эксперимента было решено не анализировать:
- Связь пользователей между собой.
- Персональные данные пользователей, находящиеся в открытом доступе.
В алгоритме использовались только следующие данные:
- Текст публичных записей пользователя за прошедшие два года.
- Количества лайков и репостов записей пользователя.
Для преобразования текста записей пользователей была применена трансформация TF-IDF (TF — term frequency, IDF — inverse document frequency). В качестве алгоритма машинного обучения был выбран хорошо зарекомендовавший себя в подобных задачах XGBoost.
Проверка идеи
Используя алгоритм на тестовой выборке было отобрано 1.5К пользователей потенциальных клиентов, похожих на текущих клиентов интернет магазина.
Для сравнения качества алгоритма из тестовой выборки случайным образом была отобрана контрольная выборка случайных пользователей аналогичного размера 1.5К.
Для проверки гипотезы был использован метод размещения объявления с ценой за тысячу показов. Было создано два идентичных объявления с одинаковой ценой за тысячу показов и таргетингом каждого на свою аудиторию.
| CTR | CPC (Russian rubles) | |
|---|---|---|
| similar to the customers | 0.046% | 32 |
| random user profiles | 0.014% | 107 |
Выводы
Алгоритм на базе машинного обучения способен отобрать аудиторию более лояльную к интернет-магазину, используя только публичные записи пользователей. Применяя таргетинг объявлений на аудиторию, отобранную алгоритмом, мы получили в 3 раза более эффективное расходование бюджета за счёт в 3 раза меньшей стоимости клика.