Customer Attribution Models. czyli o wykorzystaniu machine learning w domu mediowym.

HTML
DOWNLOAD

Wielkość: px

Rozpocząć pokaz od strony:

Download "Customer Attribution Models. czyli o wykorzystaniu machine learning w domu mediowym."

Michalina Wysocka
9 lat temu
Przeglądów:

1 Customer Attribution Models czyli o wykorzystaniu machine learning w domu mediowym.

2 Proces decyzyjny MAILING SEO SEM DISPLAY RETARGETING PRZEGRANI??? ZWYCIĘZCA!!!

3 Modelowanie atrybucja > Słowo klucz: wpływ > Dopasowane do potrzeb Prosta heurystyka Analiza ścieżek Pełny model

4 Wyzwanie technologiczne ~2 dni obliczeń na analizy i przetwarzanie danych

5 Jest co optymalizować Średni czas od pierwszego wyświetlenia reklamy do konwersji ~2,5 h Średnia długość ścieżki zakończona konwersją ~217 interakcji

6 Dwa podejścia 1 2

7 Dwa podejścia 1 2

8 Random Forest jak działa? 1 2 3

9 Random Forest czemu to takie dobre? 1. 1 Jest najlepszy jeśli chodzi o dokładność klasyfikacji wśród pozostałych algorytmów Poszczególne lasy mogą być zapisane, połączone, wykorzystane w przyszłości do innych zbiorów danych Skuteczny na dużych bazach danych Łatwo dostępny praktycznie we wszystkich językach programowania Łatwy do przeniesienia na maszyny wieloprocesorowe Nie wymaga wiedzy eksperckiej.

2 Poszczególne lasy mogą być zapisane, połączone, wykorzystane w przyszłości do innych zbiorów danych. 3.

10 Random Forest. Modelowanie Atrybucji Początkowa baza zmiennych (~500) Random Forest Wyselekcjonowana baza (~ 90) Błąd klasyfikacji dla typów konwersji: A: 8 % B: 3 % Ranking zmiennych wg wpływu na klasyfikację do typu konwersji

11 Random Survival Forest Najbardziej czasochłonna analiza. Służąca do oceny wpływu poszczególnych zmiennych na prawdopodobieństwo konwersji oraz krzywych przeżycia (czyli nie konwersji). Tutaj w wyniku również otrzymamy ranking zmiennych, ale również możemy wyznaczyć krzywe przeżycia dla wszystkich ciasteczek.

konwersji oraz krzywych przeżycia (czyli nie konwersji).

12 Random Survival Forest Krzywe przeżycia dla przykładowych zmiennych i ich wpływ na prawdopodobieństwo konwersji: Konieczne zwiększenie intensywności tej zmiennej w kampanii

13 Random Survival Forest Krzywe przeżycia dla przykładowych zmiennych i ich wpływ na prawdopodobieństwo konwersji: Optymalna wartość intensywności zmiennej w ścieżce = 13

14 Random Survival Forest Krzywe przeżycia dla przykładowych zmiennych i ich wpływ na prawdopodobieństwo konwersji: Konieczna obecność zmiennej w ścieżce

15 Random Survival Forest Krzywe przeżycia dla przykładowych zmiennych i ich wpływ na prawdopodobieństwo konwersji: Jeżeli zmienna jest uwzględniana w planowaniu to jej intensywność >5

16 Random Survival Forest Krzywe przeżycia dla przykładowych zmiennych i ich wpływ na prawdopodobieństwo konwersji: Tą zmienną należy pominąć przy planowaniu

17 Dwa podejścia 1 2

18 Łańcuchy Markova 1. 1 Wyznaczanie macierzy przejścia z wagami przejścia odpowiadającymi prawdopodobieństwu przejścia ze stanu i do stanu j Wykorzystanie łańcuchów Markova wyższego rzędu, mających symulować pamięć poprzednich stanów Wyliczanie Efektu Wykreślenia dla każdego węzła, będącego średnią zmianą w prawdopodobieństwie dotarcia do węzła KONWERSJA w n krokach z każdego węzła w grafie.

19 Łańcuchy Markova czemu to takie dobre? Co przemawia za? 1. 1 Pozwala na bardzo dokładne wyznaczenie efektów oraz wzajemnych relacji w grafie Elastyczny wyników. pod względem dokładności uzyskiwanych 3. 3 Łatwo dostępny programowania. praktycznie we wszystkich językach 4. 4 Łatwy do przeniesienia na maszyny wieloprocesorowe Nie wymaga wiedzy eksperckiej.

2 Elastyczny wyników. pod względem dokładności uzyskiwanych 3.

20 Case study branża finansowa Display Affiliate marketing Display Programmatic SEM Display Mailing

21 Case study branża finansowa Wizualizacja wszystkich relacji pomiędzy węzłami

22 Jak to przetłumaczyć na ludzki? Najwięksi wspieracze Najmocniejsze relacje Type Site Removed size Average Effect click Site ,8% click Site ,5% click Site ,3% click Site ,6% click Site ,9% click Site ,6% click Site ,2% impression Site ,9% click Site ,8% click Site ,7% Type Removed Type Affected Removed size Effect click Site 1 impression Site ,6% click Site 2 impression Site ,1% click Site 3 impression Site ,2% impression Site 4 impression Site ,0% click Site 5 impression Site ,3% click Site 6 impression Site ,1% click Site 7 click Site ,0% click Site 8 click Site ,7% click Site 9 click Site ,2% impression Site 10 impression Site ,6%

23 Wyniki 42% Wyniki muszą być dostarczane z opóźnieniem 24h, ze względu na dynamikę kampanii prowadzonych w Internecie 20% 45%

24 Narzędzia wykorzystane w analizach

25 Dziękujemy za uwagę Krzysztof Struś Tomasz Lechowicz

Podobne dokumenty

Łukasz Siemaszko. Atrybucja jako proces Markowa

Łukasz Siemaszko. Atrybucja jako proces Markowa Łukasz Siemaszko Atrybucja jako proces Markowa Połowa pieniędzy, które wydaje na marketing jest zmarnowana. Problemem jest to, że nie wiem, która połowa Henry Ford Atrybucja Co? Gdzie? Jak? I właściwie