Поиск аудитории для таргетированной рекламы с помощью машинного обучения

Каждая рекламная кампания делится на три больших направления:

1. работа с существующими клиентами;
2. с посетителями сайта, которые еще не совершили покупки;
3. с внешней аудиторией.

В первом случае у рекламодателя есть контакты клиентов. Достаточно выгрузить их из CRM, найти этих людей в социальных сетях и запустить ретаргетинг.

Во втором — пользователей можно собрать с помощью пикселя, установленного на сайте. Для ретаргетинга на этих пользователей мы учитываем время, когда они заходили на сайт — подходы к тем, к был на сайте вчера и год назад, будут разными. 

Третий случай — непростой. Нужно найти своих потенциальных клиентов среди всех пользователей социальной сети и сегментировать как можно точнее. Именно об этом варианте мы и будем говорить.

Методы выделения нужной аудитории

Формировать свою аудиторию можно за счет функционала рекламного кабинета, устанавливая сужающие фильтры:

• указать широкие настройки: пол, возраст, география;
• категории интересов (например, интерес к недвижимости, к активному отдыху, к дому и семье);
• выделить подписчиков тематических сообществ (объявления будут показываться всем, кто подписался на сообщество).

К сожалению, интересы еще ни о чем не говорят, а в сообществах много ботов и тех, кто очень давно не интересуется этой темой.

Еще больше сузить сегмент аудитории можно за счет списков рекламодателей. Для этого нужен список пользователей (например, из CRM или пикселя), и его можно получить и для новой аудитории. Для этого нужно найти сообщества, просмотреть все страницы всех пользователей, на глаз определить нужные, составить список идентификаторов (он есть в ссылке на профиль), загрузить список в рекламный кабинет, а затем показывать рекламу. Это увеличивает конверсию и снижает стоимость клика.

Однако руками собирать пользовательские базы долго и трудно. Для этого используют специальные автоматизированные сервисы — парсеры. Один из таких сервисов разработали мы и назвали его Puzzle Parser (puzzle.ru). Он работает с аккаунтами и сообществами ВКонтакте.

Puzzle Parser учитывает:

1. данные активностей. Учитываются лайки, репосты, комментарии, подписки на сообщества;
2. контекстные данные — таргетинг по упоминаниям. Можно собрать пользователей, которые, например, упоминали конференцию eTarget в прошлом году и показать им рекламу новой;
3. данные изображений.

Обработка изображений — это новая область анализа данных, которая позволяет получить о пользователях огромное количество информации. С ее помощью, например, можно собрать пользователей, которые носят очки, тех, у кого есть усы, татуировки и так далее.

Проект «Очкарик»

Первая аудитория, которую мы собрали, учитывает очки пользователя на его аватарке. Таким пользователям пригодятся товары и услуги, связанные со зрением:

• диагностика зрения;
• лечение;
• коррекция;
• покупка линз;
• оправы и стекла для очков.

На рынке существуют методики сбора такой аудитории, но они не позволяют получить ни большие, ни качественные базы аккаунтов. Поэтому мы использовали свой подход: анализ изображений пользователей с помощью нейронных сетей.

Это большой комплекс работ, в котором участвуют программисты, разметчики данных, аналитики и специалисты по таргетированной рекламе. Под каждое использование подобных технологий для поиска аудиторий создается отдельный спецпроект, который включает исследование рынка и аудитории, поиск информации, обучение нейронных сетей и их калибровка, сбор и работа с данными социальных сетей, анализ результатов и формирование продукта.

Спецпроект мы назвали «Очкарик». Мы проанализировали аватарки всех аккаунтов Вконтакте. На выходе получили 2 687 000 аккаунтов, у которых есть очки. Это  0,84% от общего объема аудитории соцсети. По данным ВКонтакте, 49,4% из общего объема составляют женщины (это 1 320 000 аккаунтов), остальные — мужчины (1 191 000 аккаунтов).

Это уже приличные объемы, которые подойдут для большой рекламной кампании федерального масштаба.

Всю аудиторию людей с плохим зрением мы разделили по сегментам по полу и возрасту:

Для каждого сегмента мы знаем общее количество пользователей и количество очкариков в нашей базе. Так мы построили диаграмму долей очкариков внутри каждого сегмента. При этом мы обнаружили взаимосвязь между увеличением количества очкариков при увеличении возраста (по данным ВКонтакте):

После этого мы некоторое время понаблюдали за пользователями и выявили, что многие заходят в сеть в тот же день. Экспресс-расчет показал, что за 30 дней можно охватить порядка 50-60% всей аудитории. 

Конечно, мы просматривали базу и вручную. Беглый осмотр показал, что ошибок мало. Как оказалось, при этом встречаются варианты, которые сложно отследить самостоятельно, но мимо нейронной сети они не проходят.

Например, как на этих изображениях:

Обучить нейронную сеть обрабатывать изображения возможно. Все, что может увидеть и распознать на фотографии человек, может и нейронная сеть, а в некоторых случаях, как мы видели — она распознает еще лучше. Однако для каждой конкретной возможности распознавания чего-либо на фотографии нужно обучать сеть отдельно. Иначе она просто не будет знать, что искать.

В случае с очкариками у нас ушло около 20 дней на все этапы с учетом того, что это был первый спецпроект и процессы еще не были отлажены. В этот промежуток времени вошло многое:

1. Подготовка обучающей выборки:
1. скачивание огромного количества фотографий из общедоступных источников;
2. ручная чистка выборки: просмотр и удаление лишнего
2. Прогон фотографий через детектор лиц, который удаляет с фотографий все лишнее.
3. Ручная разметка лиц с очками и без очков. И обучение сети.
4. Прогон изображений из социальных сетей через сеть и на выходе получение базы очкариков.

Следующим этапом (после расширения базы за счет добавления новой географии) станет повышение качества выборки. Мы вручную отберем достаточное количество ошибок и переобучим сеть.

Результаты использования базы

Как только у нас появилась такая база пользователей, нам захотелось ее протестировать. Первое, что нам пришло в голову — проверить ее не на клиентах, а на себе.

Решили использовать «Очкарика» в рекламе конференции eTarget. Для этого взяли уже существующие сегменты аудиторий, которые использовались в рекламной кампании конференции, и пересекли из с супер-базой. Получили SMM-специалистов в очках и пользователей с интересом «Бизнес» тоже в очках.

После этого мы создавали посты, и получали обратную связь в виде лайков, кликов, заказов.

Однако, несмотря на то, что мы дважды указали пользователю на то, что мы знаем кто он такой (SMM-специалист, к тому же в очках), отклик от аудитории был минимальным.

На снимке ниже — худший пост из созданных в кампании:

Таким образом, даже если у вас есть супер-аудитория и вы попадаете своим посланием точно в цель, с пользователями все равно нужно работать.

Необходимо пропустить аудиторию через стандартные этапы работ:

• изучение потребностей,
• множественные сплит-тесты (тесты предложений, посылов, образов),
• оптимизация кампании и анализ результатов.

Мы сделали это, и в посте-лидере разместили видеоролик и изменили заголовок текста на «Вы видите этот пост потому, что вы носите очки с вероятностью 90%».

Сейчас у нас есть несколько заказчиков на таргетинг по этой базе, и один из них дошел до той стадии, на которой результаты, пригодные для анализа.

У клиента был негативный опыт закупки трафика во ВКонтакте в 2017 году: канал оказался не рентабельным. Нашей первой задачей было снизить стоимость заявки на 50%.

Мы за 30 дней:

• провели сегментацию по полу и возрасту и выделили 4 сегмента;
• провели сплит-тестирование объявлений в каждом сегменте.

Нам удалось добиться цели:

Снижать стоимость и дальше возможно, если продолжать рекламную кампанию и проводить более детальную оптимизацию показа объявлений.

Планы на будущее

Прежде всего, мы планируем активно развивать публичную версию Puzzle Parser. Функционал, удобство, скорость работы сервиса будут улучшаться.

Будем продолжать работу со сложными аудиториями. По изображениям хотим:

• распознавать виды спорта;
• фиксировать походы в театр;
• определять географию путешествий;
• знать об особенностях внешнего вида: борода, лишний вес, татуировки и т.д.

Затем на основе аудиторий сформируем продукты, которые сможем предложить заинтересованным рекламодателям.

Подробнее про анализ изображений с помощью нейросетей и сегментирование рекламных кампаний — в презентации.

Доклад прочитал Артём Седов, ведущий специалист по таргетированной рекламе в  «Ашманов и партнеры», на конференции eTarget 2018.