Если очень постараться, то каждому человеку в интернете можно показать свой собственный уникальный креатив. Постараться, конечно, придется крайне сильно, и стоить это будет очень дорого. Достаточно ограничиться качественной сегментацией. Как добиться желанной персонализации, зачем дизайнеру может понадобится машинное обучение и как его применить, чтобы облегчить работу себе и другим, в материале Sostav рассказывает Михаил Степнов, руководитель подразделения анализа данных Publicis Groupe Russia.
Облегчить персонализацию можно несколькими способами
Диджитал — это бесконечное поле для экспериментов — от контентных проектов до технологичных кампаний с дополненной реальностью, компьютерным зрением и интерактивом. Но самое интересное — это возможности персонализации, методов которой, на самом деле, довольно много.
За счет анализа уже вышедших кампаний
Самым технологически простым в Publicis назвали Agile Creative. Благодаря высокой автоматизации и оптимизации процессов создания и согласования, например, баннеров удается значительно снизить стоимость и увеличить скорость производства нового креатива. За счет этого появляется возможность генерировать набор баннеров для различных сегментов еженедельно. В конце каждой недели собирается статистика по показам и эффективности кампании и используется при создании нового набора креативов.
В Publicis, например, анализировали статистику размещения с помощью специального продукта «Ad Analyzer», использующего методы компьютерного зрения для оценки эффективности видео или баннеров. Это позволило компании повысить эффективность работы креативной команды в процессе написания еженедельного ТЗ для дизайнеров: решения о модификации контента принимались не на основе «экспертной оценки», но с обоснованием на основе результатов расчетов.
За счет изучения информационных сигналов о конкретных людях
Другим, более технологичным, подходом являются системы Dynamic Creative Optimization (DCO). Простейшая их версия подразумевает «пересборку» креатива под заданные и определенные сегменты (например, геймеры, сидящие на работе допоздна, спортивные фанаты и другие). При наличии проработанного алгоритма оценки дата-сигналов о конкретном человеке, то есть, если удается хорошо и точно отнести пользователя к одному из заданных сегментов, эта задача легковыполнима, считают в Publicis. Такое изучение повышает CTR в среднем на 15%.
Однако куда более актуальны и эффективны DCO с использованием методов машинного обучения: вместо статичных сегментов применяется классификационная либо рекомендательная модель, которая определяет набор элементов для сборки креатива в режиме реального времени. Такие решения крайне эффективны, но требуют серьезной работы со входным потоком данных: важно создать достаточный объем значимых параметров, по которым можно рассчитать эффективную комбинацию элементов.
Для решения проблем с нейросетями необходимо обратить больше внимания на данные
Однако в реальности в обоих представленных случаях отсутствует важный компонент — динамическая оптимизация. Речь идет о показе креатива под заданный сегмент либо конкретного человека, но сами элементы креатива неизменны: в лучшем случае их просто перебирают, чтобы показать лучший в конкретном случае. Специалисты Publicis Data Sciences попытались решить эту проблему.
Нейросети уже умеют не только анализировать качество контента, но и генерировать этот контент. Например, всяческие «улучшайзеры» картинок и видео, генерация объектов и отрисовка картин. «Казалось бы, достаточно на основе полученной аналитической модели выдать инпут в генеративную сеть — и идеальный креатив готов! Достаточно? Мы получили непонятную кривую картинку, параллельно поправ брендбук клиента, да еще и результаты открутки такого креатива оказались сильно ниже, чем обычно», — рассказали специалисты. Проблема заключалась в двух аспектах:
- Важным инпутом для нейросети являются ограничения по вариации. Необходимо прописать, куда и что двигать, и менять нельзя, а что — можно. А также не допустить появления непонятных или не соответствующих теме образов, выдержать соответствие брендбуку;
- Также помешала нехватка данных. Крайне редко удается получить стабильную и точную историческую модель, так как 300−400 креативов — это обычно максимум, который бывает у рекламодателей для включения в модель. А согласно статистике, минимум, с которого результаты такого типа исследований становятся точными и стабильными — это 2 тыс. наблюдений, а лучше — 5 тыс.
Для получения результата нужно усовершенствовать устоявшиеся модели
Решение было найдено в концепции «многорукого бандита» и алгоритме UCB1 (математическая модель, которая помогает принять решение в ситуации неопределенности с целью максимизации выигрыша). Это аналог A/B-тестирования, только для большого количества вариантов.
Иначе говоря, на старте кампании генерируется, например, 100 креативов на основе исторической аналитической модели и мастер-креатива от дизайнера. Все они отправляются в размещение одновременно. А затем начинается «эволюция»: те креативы, что показывают результаты слабее, отключаются, уступая место новым, улучшенным. Улучшаются они за счет того, что аналитическая модель обогащается актуальными данными от того, что в данный момент крутится в размещении. Таким образом, еженедельно — а при больших объемах и чаще — модель получает до 100 новых наблюдений. В итоге в размещении остаются только креативы с наивысшим CTR.
Но можно заметить, что такой подход не подразумевает сегментации по любому из вышеописанных методов. Но реальный его смысл не в самостоятельной работе, а в модификации более классических DCO. «Поэтому мы применяем эту технологию как совместно с фиксированными сегментами (модифицируя креатив внутри каждого сегмента), так и совместно с DCO на основе ML-модели на уровне конкретного пользователя», — советуют в Publicis.