Оптимизация эффективности рекламы с продвинутыми технологиями машинного обучения и векторных баз данных

Обновлено 11 января, 2024

Современные маркетологи находятся под беспрецедентным давлением: в условиях изменений в отрасли и роста затрат на рекламу, появления новых законов и всеобщей макроэкономической неопределенности их задачи в области цифрового маркетинга все больше привязаны к результатам. Поскольку потребители по-прежнему серьезно обдумывают каждую покупку, эффективность тактики в нижней части воронки играет ключевую роль в закрытии продаж и получении доходов.

Инновационные технологии — основа бизнеса Criteo. Так было и более 15 лет назад, когда мы запустили свой сервис с рекомендациями фильмов. Разработки в области ИИ (искусственного интеллекта) изначально являлись нашим приоритетом, и мы постоянно совершенствуем решения на базе ИИ, чтобы помогать клиентам добиваться значимых результатов в ходе рекламных кампаний. Сегодня мы с гордостью представляем DeepKNN — новейшую разработку для технологии ретаргетинговых рекомендаций Criteo. DeepKNN — это продвинутая векторная база данных Criteo и механизм глубокого обучения, который уже масштабно применяется в наших продуктах.

Это не просто громкие слова: в ходе запуска бета-версии DeepKNN в системе ретаргетинговых рекомендаций мы наблюдали существенный рост по всем метрикам вовлеченности. Хотя показатели роста могут варьироваться в зависимости от клиента, кликабельность и атрибутированные доходы нередко растут более чем на 10 %! Проще говоря, наш продвинутый искусственный интеллект помогает маркетологам улучшать результаты в широких масштабах.

Но как DeepKNN удается обеспечивать значимый рост эффективности? Далее мы коротко расскажем, что представляет собой эта технология и как она помогает улучшать результаты кампаний.

Что такое DeepKNN?

Название «DeepKNN» расшифровывается как «Deep Learning Representation for K-Nearest Neighbors Search», то есть «глубокое обучение представлениям для поиска k-ближайших соседей». DeepKNN сочетает в себе новейшие технологии векторных баз данных и глубокого обучения. Этот набор инструментов используется в большинстве рекламных кампаний Criteo и оптимизирует товарные рекомендации для потребителей, одновременно улучшая метрики вовлеченности для рекламодателей.
DeepKNN представляет собой комбинацию двух мощных технологий:

  • Глубокая нейросеть обрабатывает весь объем данных о товарах и потребительской активности, превращая их в набор векторов (схема этого процесса показана ниже на рисунке 1).
  • Векторная база данных (VectorDB) сохраняет векторы данных товаров и потребителей и позволяет нам находить товары и потребителей, наиболее близких к запросу, в реальном времени (как показано на рисунках 2a и 2b).
Процесс индексации товаров в VectorDB: Шаг 1) Загрузка всех имеющихся неструктурированных данных о товарах (изображения, текст, пользовательская активность). Шаг 2) Преобразование в векторные репрезентации с помощью технологии глубокого обучения. Шаг 3) Сохранение в VectorDB.

Сила векторных репрезентаций

Почему имеет смысл привязывать векторы ко всем товарам и потребителям? Они помогают нам находить подходящих покупателей для конкретного товара или услуги. Через репрезентацию пользователей и товаров в виде векторов мы можем реализовать наши представления о склонности потребителей приобретать определенные товары как расстояния между точками. В правой части рисунка 2a в векторном пространстве находится набор потребителей и товаров в различных положениях на плоскости. Мы видим, что путем простого помещения их на плоскость можно выделить предполагаемые группы схожих товаров, например обувь, одежду, гаджеты или товары для путешествий. Когда потребители и товары находятся в этом пространстве, наша векторная база данных позволяет очень быстро находить ближайших соседей или ближайший потребительский вектор. На этом подходе строятся наши решения для рекомендаций и аудиторий.

Как DeepKNN влияет на кампании маркетологов?

DeepKNN помогает рекламодателям повышать эффективность кампаний несколькими способами:

  • Персонализированные рекомендации: DeepKNN может предоставлять потребителям персонализированные рекомендации с учетом их поведения и предпочтений в прошлом. Это может повышать конверсию и в конечном итоге делать кампании более эффективными. (См. рисунок 2b ниже.)
  • Улучшение качества аудиторий: DeepKNN может помочь в выявлении неочевидных закономерностей и сходств в поведении потребителей. Объединяя покупателей в группы на основании схожего поведения, мы повышаем эффективность таргетинга, а это положительно сказывается на показателях вовлеченности и конверсии. (См. рисунок 2a ниже.)
  • Ускоренное извлечение данных: DeepKNN позволяет быстро выполнять поиск по большим наборам данных для получения наиболее релевантных результатов. В сфере performance-рекламы важна каждая доля секунды и решения необходимо принимать в реальном времени.
  • Оптимизированные рекламные креативы: анализируя контент объявлений с помощью DeepKNN, можно обнаруживать закономерности и сходства в реакциях целевой аудитории. Это может помочь в создании более эффективных рекламных креативов, что, в свою очередь, приводит к более результативным кампаниям.
Генерация аудиторий с помощью поиска в VectorDB: мы отталкиваемся от товара, находим его вектор в VectorDB, получаем векторы ближайших пользователей и возвращаем их как часть релевантной аудитории.

Улучшенные ретаргетинговые товарные рекомендации с помощью DeepKNN

Для успеха любой ретаргетинговой кампании очень важно рекомендовать пользователям подходящие товары. Наше существующее высокоэффективное решение для ретаргетинговых товарных рекомендаций имеет двухступенчатую архитектуру, позволяющую выполнять тысячи запросов в секунду. На первом этапе мы выявляем разнообразные схожие параметры различных позиций, включая популярные и трендовые товары. Затем наиболее подходящие товары оцениваются повторно на основании актуальных данных о потребительских предпочтениях. В результате релевантные баннеры генерируются в режиме реального времени.

Интеграция DeepKNN с товарными рекомендациями позволяет эффективнее выявлять сходства различных товаров — например, похожие характеристики популярных, редких и новых товаров, которые раньше было сложнее обнаружить. Как итог — рекомендации еще лучше учитывают интересы пользователей. Еще одно важное преимущество DeepKNN состоит в том, что, поместив все товары и всех потребителей в одно пространство, мы можем выполнять поиск среди миллионов сочетаний «потребитель–товар» в реальном времени и непрерывно обновлять списки топовых похожих товаров для каждого пользователя.

Рекомендации с помощью поиска в VectorDB: мы отталкиваемся от потребителя, находим его вектор в VectorDB, получаем векторы ближайших товаров и возвращаем их для формирования рекомендаций.

Перспективы векторных баз данных и глубокого обучения

С приходом программатик доступа к разработкам ИИ, например ChatGPT и API для эмбеддинга от OpenAI, которые могут превратить в вектор любой документ, все больше компаний стали осознавать потенциал глубокого обучения и векторного поиска. Мы считаем, что эта тенденция лишь подчеркивает важность векторных баз данных в современном диджитал-маркетинге, так как рекламодатели начинают эффективнее использовать огромные объемы доступных данных.

За счет использования алгоритмов глубокого обучения, а также продвинутых методов поиска по сходствам и группирования объектов векторные базы данных, такие как DeepKNN, помогают рекламодателям находить группы потребителей с одинаковыми покупательскими предпочтениями. Это, в свою очередь, может повысить эффективность таргетинга аудиторий, сделать товарные рекомендации более релевантными и улучшить качество креативов — все это с помощью поисковой системы, которая работает быстрее и обеспечивает более широкий масштаб по сравнению с традиционными архитектурами.

Мы гордимся тем, что находимся в авангарде этого тренда, и считаем, что новый механизм принятия решений онлайн является значимым шагом в развитии performance-рекламы. Используя все преимущества глубокого обучения и векторного поиска, мы предлагаем клиентам новый мощный инструмент для проведения максимально успешных кампаний. Сегодня мы с нетерпением ждем первых результатов применения DeepKNN с точки зрения эффективности рекламы и ROI. В планах Criteo на ближайшие годы — новые разработки в этой сфере.

Узнать больше о том, как DeepKNN и машинное обучение могут улучшить результаты кампаний, можно у наших экспертов.

Romain Lerallut

Romain Lerallut is VP Engineering at Criteo and head of the Criteo AI Lab, in charge of developing the uses of AI in digital advertising and commerce. Before the launch of the lab in 2018, he was a director in the engineering department, responsible for the development of large-scale machine ...

Вице-президент по инжинирингу
Спросите эксперта