Download to read offline
Uploaded byOrigami
Как работает машинное обучение в оптимизации конверсий
Документ обсуждает использование машинного обучения для оптимизации конверсий в рекламных кампаниях, подчеркивая важность прогнозирования коэффициента конверсии и управления ставками. Описаны методы, такие как кластеризация и различные алгоритмы машинного обучения, применяемые для обработки и анализа данных. Также представлен практический подход к обучению моделей и расчёту необходимого рекламного бюджета на основе статистики кликов.
Как работает машинное обучение в оптимизации конверсий
- 1. Использование машинного обучения воптимизации конверсий Фирсова Елена 2016
- 2.
- 3.
- 4. Принцип работы оптимизаторов Высокаяэффективность Повышение ставок Низкая эффективность Снижение ставок 4
- 5.
- 6. Что внутри черногоящика? 6 Прогноз Расчет ставок
- 7. Прогнозирование конверсии 7 2 435кликов Для оценки Conversion Rate (CR) = 10% ± 1% необходимо
- 8. Прогнозирование конверсии 24 350руб. Если 1 клик стоит 10 руб., необходимый бюджет: 12
- 9. 9 …оценивать коэффициент конверсии для низкочастотных(НЧ) запросов? Но как же… 13
- 10. Методы построение прогноза 10 КластеризацияМашинное обучение
- 11. Кластеризация Для предсказания CRнизкочастотной фразы используются: 11 средний CR кластера, в котором она лежит средний CR кластеров, являющихся его родителями
- 12.
- 13.
- 14.
- 15.
- 16. Обучающая выборка Ключевые фразы Коэффициент конверсии Признаки ключевых фраз 12 3 16 Выбираются только запросы, имеющие более 100 кликов
- 17. Регион показа Тип соответствияключевой фразы Количество слов во фразе Количество минус-слов Наличие продающих добавок Рекламная кампания Группа объявлений Показатель отказов Процент новых посещений Количество микро-конверсий …. Более 20признаков 17 Признаки ключевых фраз
- 18.
- 19. Алгоритмы машинного обучения Более10 алгоритмов 19 Линейная регрессия Метод деревьев Метод ближайших соседей Метод опорных векторов
- 20. Оценка точности Расстояние междуточками 20
- 21.
- 22.
- 23. Подготовка обучающей выборки Случайнымобразом разделяются на 2 части Обучающая выборкаКонтрольная группа 23
- 24.
- 25. Результат Кластеризация Машинное обучение 95,3%99,8% * для ВЧ ключевых фраз для НЧ фраз точность 65% * 25 Точность методов
- 26. Недостатки машинного обучения Необходимомного ключевых фраз со статистикой более 100 кликов При небольшом объеме обучающей выборки – очень низкая точность 26
- 27. Преимущества Высокая точность для: крупных проектов НЧзапросов фраз без статистики 27
- 28. Выводы Машинное обучение – новоеслово в управлении ставками Будущее уже наступило! 28
- 29. Хотите испытать насебе? Принимаем заявки на тестирование технологии Требования: Более 100 ВЧ фраз* НЧ фраз - сколько угодно *ВЧ фраза - более 100 кликов за последние 30 дней Пишите на elena.firsova@origami.ru 29
- 30.