Документ обсуждает методы таргетинга в интернете через анализ поведения пользователей и сбор данных о них. Применяются概率ные подходы и машинное обучение для оптимизации рекламного взаимодействия с различными целевыми группами. Также подчеркиваются инновационные аспекты, такие как уникальность каждого пользователя и постоянное обновление данных.

1. κρυπτή
Математика таргетинга

2. Таргетинги в интернете
 способ ограничить коммуникацию
 интерактивность позволяет принимать
решение по каждому контакту
 география, сайт, формат и технология
баннера, слова на странице, слова из
поиска, броузер, провайдер
 параметры контакта c ID(регистрация,
частота)
 знание о пользователе
Самоцензура рекламы в Интернете ;)
κρυπτή

3. Аффинити
 каждый человек ведет себя по разному в
разное время
 при анализе статистики- данные
объединяются и усредняются
 у рекламодателя нет точного знания как
говорить с каждым потребителем, только со
статистической группой
Большая часть из нас еще не
определилась с соц.демом ;)
κρυπτή

4. Идея проекта
 собрать статистику в разрезе
пользователя/ID
 проанализировать выборку, про которую что-
либо точно известно
 найти закономерности отличающие одну
целевую группу от другой
 анализируем статистику каждого ID и
приводим к вероятности попадания в группу
Применяем дедуктивный метод ;)
κρυπτή

5. Источник знания (data)
 privacy и сбор данных
 уникальный ID и время его жизни
 контекстность, как идеал
 майнинг информации
 данные о любых действиях
пользователя и их взаимосвязях
Логи и Размышления. Т. 2-128
κρυπτή

6. Вероятностный подход
 противоречивость и неполнота данных
 степень достоверности
 возможность перевзвешивания под
внешние факторы
 100% аудитории
 выбираем лучшиххарактерных при
использовании
Оптимизируем монетку ;)

7. Выделение факторов
 анализируем зависимости между целевой
группой и поведением
 вычисляем метрики из любой известной
информации
 отбираем сильные факторы для конкретной
классификации
 несколько наборов факторов для разных
аудиторий
для соц.дема используется 300 факторов
никто их не знает)
κρυπτή

8. Машинное обучение
 обучающая
выборка
 алгоритм ищет
закономерности
между признаком и
логами
 применяем
формулу ко всем
пользователей
κρυπτή

9. Классификация
берем внешние категории
смотрим похожее «поведение»
предполагаем, что этому пользователю
это свойственно
оцениваем достоверность
предположения
Можно вычислить людей, которые
живут в нечетных квартирах ;)

10. Цифры и факты
объем технологии
o 35 дней
o Map&Reduce
o 3 млрд. событий
o 3,4 Tb в день o Machine learning
o 235 млн. ID
o Matrixnet
o 730 тыс. обучающая
выборка o SVD (cингуля́ рное
o 490 тыс. проверочная
разложение)
o 7,5Tb данные

11. Результат и применение
проверяем TNS
Корреляция с группой (пол- 78%)
выбираем лучших
повышаем аффинитивность
соц.дем таргетинг на страницах
Яндекса
математический подход- как это
объяснить рынку?
У нас есть такие приборы ;)
κρυπτή

12. Планы
мультипрофили
audience extension
долгосрочные интересы
тематический таргетинг
модели потребительского поведения
API для внешнего использования
Автоматически отделять копытных от
хищников ;)
κρυπτή

13. Почему это революция?
не на базе регистраций
все пользователи
каждый пользователь- уникален
классификаторы могут быть по чему угодно
регенерация информации, которой никогда
не было
данные собираются и пересчитываются
постоянно
Почта не работает, телеграф
отменен, но вот мосты?
κρυπτή

14. Снятся ли андроидам
электрические овцы?
распределение пола среди роботов:
60% роботы мальчики
40% роботы девочки
κρυπτή

15. Спасибо
lev@yandex-team.ru