Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

E-Contenta: Big Data Analysis и машинное обучение в маркетинге

614 views

Published on

Александр Атцик, Business Development Manager, E-Contenta, на Specia Conf: контент-маркетинг, 29 марта 2016 года.

Как современные алгоритмы BDA помогают перейти от таргетинга к персонализации.
В чём разница в персонализации пользовательского и рекламного контента.

Published in: Marketing
  • Be the first to comment

  • Be the first to like this

E-Contenta: Big Data Analysis и машинное обучение в маркетинге

  1. 1. Big Data Analysis и машинное обучение в маркетинге ПЕРСОНАЛИЗАЦИЯ Александр Атцик BDM
  2. 2. •  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка ЦЕЛЕВАЯ АУДИТОРИЯ Релевантная реклама •  Переходы •  Конверсия •  Популярное •  Время сессии АНАЛИЗ
  3. 3. •  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка ЦЕЛЕВАЯ АУДИТОРИЯ Таргетирование контента Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline 1 2 КАКУЮ ИМ ПРЕДЛОЖИТЬ МУЗЫКУ?
  4. 4. •  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка ЦЕЛЕВАЯ АУДИТОРИЯ Таргетирование контента Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline Ø  мужчина Ø  29 Ø  холост Ø  Санкт-Петербург Ø  Выше среднего Ø  iPad Ø  MusicOnline
  5. 5. Big Data Используемые данные Не используются Для технических целей DATA SCIENCE: извлекаем полезные знания из имеющихся данных "
  6. 6. Кластеризация вместо сегментирования Неявно сгруппированные элементы ЧТО ОБЩЕГО У ВАШИХ ПЛАТЯЩИХ КЛИЕНТОВ?
  7. 7. Look Alike Существующий покупатель Схожесть 85% Потенциальный покупатель Данные: чем их больше, тем более точное сравнение!"
  8. 8. •  Пол •  Возраст •  Семейное положение •  Геолокация •  Уровень дохода •  Устройство доступа •  Площадка ПАРАМЕТРЫ ПОЛЬЗОВАТЕЛЯ Как не запутаться в море данных? •  Зашёл на сайте •  Посмотрел видеоклип •  Купил предмет •  Увеличил громкость •  Зашёл в личный кабинет •  Подключил сервис •  Развернул видео на весь экран •  Вступил в группу в соц. сети •  Поиграл в игру •  Отправил запрос в ТП •  Открыл сообщение •  …. ПОВЕДЕНИЕ ПОЛЬЗОВАТЕЛЯ ЧТО ИЗ ЭТОГО ВАЖНО? НАСКОЛЬКО?
  9. 9. Машинное обучение Анализ данных Принятие решения Оценка результата НЕПРЕРЫВНАЯ ОБРАТНАЯ СВЯЗЬ ПЕРЕОЦЕНКА ВЛИЯНИЯ КАЖДОГО ПАРАМЕТРА
  10. 10. Алгоритмы рекомендательных систем На основе схожести контента 1 1 5 схожесть атрибуты Контент А Б В Г режиссёр жанр актёры техническая команда
  11. 11. Алгоритмы рекомендательных систем На основе схожести пользователей рекомендации просмотрыконтента
  12. 12. Истории потребления Данные пользователя Сведения о контенте Предпочтения Персонализация контента Источники сбора данных Социальные сети Медиа платформа оператора Интернет Анализ данных Персональные рекомендации
  13. 13. Персонализация рекламного контента Динамически формируемый контент Динамический выбор контента Приходи смотреть на СуперСервисМедиа Варианты рекламных объявлений Рекомендательный сервис Наиболее эффективное объявление для пользовательского кластера Наиболее релевантные предложения для пользователя
  14. 14. Александр Атцик BDM at E-Contenta Рекомендация Если вам интересен этот доклад вам также могут быть интересны: •  сайт www.e-contenta.com •  контакт attsik@e-contenta.com +7 (911) 911 32 08

×