Как специалисты по данным могут улучшить рекламу в социальных сетях

Наука о данных стремительно развивается, что вполне естественно, учитывая нашу постоянно меняющуюся культуру и способность изучать все, что находится в пределах досягаемости наших быстро движущихся пальцев.

Подумайте, например, что в течение следующего года или около того Интернет достигнет своего 5-миллиардного пользователя. Между тем, люди будут выполнять около 1,2 триллиона поисковых запросов Google в год, чтобы получить доступ к более чем 1 миллиарду веб-сайтов в Интернете.

При каждом поиске в Google (и других подобных действиях в Интернете) создается отпечаток данных, наполненный информацией об интересах, поведении и демографических данных пользователя. Это означает, что мир купается в данных. Поэтому многие маркетинговые компании, в том числе Strike Social, вынуждены полагаться на умственные способности ученых, занимающихся данными, чтобы разобраться, какая информация полезна, а от какой следует отказаться.

Переосмысление невозможного с помощью науки о данных

Специалисты по данным часто задают важные вопросы, на которые может показаться, что ответить невозможно. Их любознательность также позволяет им разрабатывать новые модели на переднем крае технологий. Они достигают этого с помощью структурированных экспериментов, таких как реструктуризация параметров или объединение различных наборов данных.

Поэтому неудивительно, что многие специалисты по данным имеют академическое образование и ученые степени в таких областях, как биология или физика.

^{Специалисты по данным Strike Бинг Бу, Дмитрий Бандурин и Чонку Лим работают в штаб-квартире компании в Чикаго.}

Последнее как раз относится к трем специалистам по данным из Strike Social — Дмитрию Бандурину, Бинг Бу и Чонку Лим, — каждый из которых имеет докторскую степень либо в экспериментальной, либо в элементарной физике (то есть в изучении основных строительных блоков материи и их взаимодействия). До того, как присоединиться к Strike, Бандурин, Бу и Лим были учеными-исследователями, которые сосредоточились на разбивании элементарных частиц внутри больших коллайдеров, чтобы понять вселенную.

Теперь они покоряют мир платных социальных сетей.

Как старший научный сотрудник Strike, Бандурин считает, что его исследовательский опыт позволил переосмыслить возможности работы с большими данными. И он привык работать с реальными экспериментальными данными для получения новых результатов.

«Он никогда не бывает одинаковым и всегда меняется», — говорит он.

Бандурин, Бу и Лим согласны с тем, что специалистам по данным нужны сильные математические и аналитические навыки, а также навыки программирования, чтобы успешно использовать возможности ИИ для платных социальных сетей.

Так как же выглядит для них обычный день? По оценкам Бандурина, встречи занимают около 25–30 % его времени, а еще 10 % уходит на работу с разработчиками или обсуждение новых результатов с командой специалистов по обработке и анализу данных. В остальное время эти специалисты по данным сосредоточены на тестировании и разработке моделей, а затем на их реализации в кодах прототипов.

Бу говорит, что ему также нравится подводить итоги работы за каждый день и планировать свое расписание на следующий день, неделю или даже месяц на случай, если ему попадется какой-нибудь долгосрочный проект.

Как специалисты по данным могут улучшить платные социальные сети

Кластеры, созданные с помощью сложного моделирования, помогают специалистам по данным проверять свои результаты в управляемых рекламных кампаниях. Специалисты по обработке данных Strike и представители средств массовой информации совместно разрабатывают микрокампании, позволяющие проводить дискретное тестирование комбинаций данных. Когда комбинация работает или соответствует ключевым показателям эффективности, расходы на рекламу перераспределяются с неэффективных групп объявлений на те, которые более соответствуют цели.

Затем результаты кампании возвращаются в базу данных, где ученые Strike снова и снова продолжают совершенствовать статистические модели для повышения производительности.

Непрерывный процесс исследования, моделирования и тестирования никогда не прекращается в мире аналитики данных — и не может остановиться, поскольку данные постоянно меняются. Когда люди вырастают, у них появляются интересы и они отказываются от старых привычек. Культура также развивается, о чем свидетельствуют более совершенные методы коммуникации.

Благодаря технологиям методы, совершенствовавшиеся годами, теперь затмеваются за считанные месяцы, например ускоренный темп обучения, доступный с помощью ИИ.

«Учитывая экспоненциальный рост использования смартфонов, смарт-телевизоров и другой передовой электроники, достижим персонализированный сбор информации, что позволит предоставлять индивидуализированную рекламу», — говорит Бу. «В будущем сеть будет дешевле, а охват использования станет шире, поэтому аудитория видеорекламы будет быстро расти».

Без пытливого ума ученых Страйка и их бесстрашной приверженности экспериментированию с данными технологические достижения ИИ были бы невозможны.

Вот как их работа меняет рекламу в социальных сетях.

^{Исследователи данных Strike Чонку Лим, Дмитрий Бандурин и Бинг Бу имеют докторскую степень в экспериментальной или элементарной физике.}

Наука о данных для лучшего управления аудиторией

Поскольку каждую секунду создаются огромные объемы данных, маркетологи должны контролировать ошибочные результаты из-за врожденных предубеждений, неполных наборов данных или слишком малых выборок.

Специалист по данным понимает, что аудитория состоит не только из демографических данных, но и из людей с разным поведением, проблемами и интересами.

Анализ качественных данных включает поведенческие подсказки из файлов cookie, веб-аналитики, пользовательского контента и других источников больших данных. Чтобы создать подробную и полезную аудиторию, специалисты по обработке и анализу данных объединяют большие наборы данных, чтобы большие данные формировали сегменты, которые дают реальное представление о поведении их клиентов.

Качественная аудитория проверяется тестированием в рекламных кампаниях и зависит от актуальности, частоты и глубины данных.

Помните, создание аудитории начинается с гипотезы, основанной на известных переменных и целях. Например, первоначальное предположение страховой компании может быть следующим: лица, ищущие автострахование через Интернет, в возрасте от 18 до 50 лет, у которых есть хотя бы один автомобиль. Хорошо сформулированная гипотеза достаточно сужает ваш анализ и в то же время дает достаточно результатов, чтобы обнаружить поведенческие и мотивационные идеи.

Наука о данных для правильного моделирования атрибуции

Надлежащая маркетинговая атрибуция, или наука об определении того, какое сообщение привело к покупке, опирается на данные как от конверсионеров, так и от неконвертеров. Поскольку эти данные могут быть очень большими, необходимо расширенное моделирование, чтобы правильно определить и указать событие, которое привело к конверсии пользователя.

Благодаря усовершенствованным технологиям, таким как искусственный интеллект, бренды теперь лучше понимают путь потребителя к покупке. Имея достаточно данных, ученые могут просматривать маркетинговые каналы и устройства, чтобы улучшить точки соприкосновения и улучшить обмен сообщениями.

Наука о данных для улучшения ставок в реальном времени

Достижения в сегментации аудитории и более глубокое понимание событий конверсии привели к практике RTB, метода покупки и продажи рекламы. RTB позволяет покупать отдельный показ рекламы одновременно с посещением пользователем веб-сайта.

Если вы когда-либо просматривали продукт на веб-сайте, а затем переходили к просмотру своей ленты в социальных сетях только для того, чтобы увидеть рекламу того же продукта, вы, вероятно, сталкивались с RTB через таргетированную рекламу.

Или, скажем, вы купили свой первый дом и устали есть из пластиковых тарелок. Вы решаете зайти в интернет-магазин Macy’s в поисках новых столовых приборов. Еще не готовы покупать, вы решаете посетить Facebook, чтобы узнать, что происходит с вашей семьей и друзьями. Просматривая свою ленту, вы замечаете рекламу с точным изображением обеденной тарелки, которую вы только что просматривали.

RTB расширяет процесс покупки и обеспечивает прямой таргетинг на отдельных пользователей. Чтобы участвовать в этом процессе, специалисты по обработке и анализу данных должны иметь доступ к огромному количеству данных и обладать нужным опытом для сортировки и извлечения полезной информации для принятия практических решений.

Куда движется наука о данных

Иногда кажется, что область науки о данных расширяется так же быстро, как и вселенная, которую Бандурин, Бу и Лим исследовали столько лет.

«Наука о данных будет продолжать помогать различным предприятиям решать проблемы, повышая автоматизацию», — говорит Бандурин. «Разработка беспилотных автомобилей является одним из примеров, а также автоматизация других транспортных средств, включая самолеты, игра в шахматы, помощь людям с ограниченными возможностями и настоящим андроидам во всех сферах человеческой жизни».

Результатом станет совершенно новый мир, каким мы его знаем.