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).
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.
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.
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.
