Поиск аудитории для таргетированной рекламы с помощью машинного обучения

Артём Седов, ведущий специалист по таргетированной рекламе в «Ашманов и партнеры», рассказал на конференции eTarget, как для рекламы собирать сложные аудитории ВКонтакте с помощью нейронных сетей.

Каждая рекламная кампания делится на три больших направления:

работа с существующими клиентами;
с посетителями сайта, которые еще не совершили покупки;
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:

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

SEO-аудит сайта в подарок

Ресурс с техническими ошибками и некачественным контентом не сможет занять высокое положение в поиске. Эксперты «Ашманов и партнеры» бесплатно проанализируют состояние вашего сайта и найдут ошибки, которые мешают ему выйти в ТОП. Вы получите отчет с ошибками оптимизации сайта и рекомендациями по их устранению.

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):

по сегментам.png

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:

ошибки.png

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:

Подготовка обучающей выборки:

скачивание огромного количества фотографий из общедоступных источников;
ручная чистка выборки: просмотр и удаление лишнего

Прогон фотографий через детектор лиц, который удаляет с фотографий все лишнее.
Ручная разметка лиц с очками и без очков. И обучение сети.
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.

пересечения.png

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:

худший пост.png

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%».

лучший пост.png

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: