Go Analytics!2018: Machine learning в настоящей жизни | SEO кейсы: социалки, реклама, инструкция

5 апреля свершилась конференция Go Analytics!, в ходе которой представительницы Яндекса Мария Мансурова и Александра Кулачикова поведали о том, как методы машинного обучения каждый день подсобляют сервисам Яндекса и юзерам Яндекс Метрики.

Мария Мансурова начала выступление с рассказа о том, как может применяться машинное обучение(ML). Инструмент быть может полезен для:

• Предиктивной аналитики.
• Улучшения продукта: советов, KPI.
• Аналитики и работы с клиентами(сегментация, пользовательский граф).
• Автоматизации действий.

Александра Кулачикова отметила, что с поддержкою ML можнож предвещать:

• Отток клиентов.
• Конверсии и сумму заказа.
• Выкуп заказа.
• Спрос.

Представительницы Яндекса привели в пример 1-го из клиентов компании – сайт 220 вольт, для которого необходимо было предсказать конверсию. Профессионалы компании собирали данные о деяниях юзеров на сайте в течение 2-ух месяцев и расценивали свойства для каждого пользователя – к примеру, с какого браузера он зашел, также его поведение(как нередко заходит и т.д.). На базе этих данных оценивалась возможность совершения покупки в течение последующей недельки.

Для каждого из гостей сайта выводился отдельный сектор – по ступени вероятности совершения покупки. Опосля этого сегменты обновляли каждый день. Потому один и этот же юзер мог переходить из 1-го сектора в иной. Потом сегменты употребляли для оптимизации маркетинговых кампаний и ретаргетинга.

Чтоб понять, все ли изготовлено верно, необходимо было проверить, вправду ли юзеры, для которых была предсказана конверсия, конвертируются. Профессионалы сравнили два сектора: со средним и с высочайшим показателем конверсии. Итог был положительным, опосля чего же для клиента был запущен тест, показавший превосходные результаты.

Но предвещать можнож не совсем лишь конверсию. Мария Мансурова продолжила выступление, рассказав о клиенте из travel-тематики. Для него необходимо было предсказать чек.

Для travel-тематики отличителен поиск с различных устройств. Юзеры могут начинать увлекаться поездками по пути на работу, осматривая варианты на мобильном устройстве, а совершить покупку – дома с рабочего стола.

Для новейшей модели были выделены последующие означаемые признаки:

Признак	Значимость
Число дней с заключительного визита	0,2364
Устройство(mobile, desktop)	0,1201
Возрастная группа	0,1102
Достижение цели №1	0,0655
Число дней с первого визита	0,0614
Пол	0,0502
Достижение цели №2	0,0308
Достижение цели №3	0,0282
Число покупок на сайте	0,0274
Число купленных продуктов на сайте	0,0257

Представители Яндекса отметили, что не многие юзеры могут быть идиентично полезны:

Работа с данной компанией еще не завершена, но Мария отметила, что Яндекс скажет о результатах в дальнейшем.

Александра также поведал о опыте коллег из Яндекс.Маркета. Так, представителям сервиса необходимо было добавить блок и рекомендацию цены магазина для карточки продукта.

Главной неувязкой являлся тот факт, что в Маркете представлены различные магазины – почти все из их достаточно новейшие, где-то нет откликов, какие-то не оформлены подабающим образом. Это могло оттолкнуть юзеров. Потому решено было начать ранжировать магазины по разным чертам с поддержкою машинного обучения.

Свойства были последующими:

• Цена
• Наличие рейтинга
• Наличие отзывов
• География

Это позволило более полезному для юзеров магазину повысить количество заказов на 30%.

Мария также поведала о дилеммах, с которыми рискуют столкнуться все:

• Постановка задач и описание объекта. Задачку ставит человек, а машинка(пока что)не умеет выдумывать вопросцы.
• Данные не образцовы(неоднородны, неполные, их малюсенько, могут содержать шум).
• Превосходный итог – это еще не конец.
• Не постоянно дело в модели.
• Несбалансированные классы.
• Переобучение.
• Модель подглядывает правильные ответы.

Читайте также: Go Analytics!2018: прогнозирование покупки и оптимизация маркетинговых кампаний на его основе