Анализировать ретроспективные данные с целью оптимизации рекламных размещений — гигиенический минимум, который должно выполнять любое агентство, закупая диджитал-рекламу. Текущий год дал понять и прочувствовать потребность оптимизации рекламных размещений в зависимости от внешних факторов.

Поэтому агентство «Риалвеб» взяло курс на разработку персонализации в связке с предиктивной аналитикой, которая бы гибко подстраивалась под изменения на рынке.

В этом году одним из значимых изменений для рекламного рынка стала программа льготного кредитования в сфере недвижимости. Мы как рекламное агентство при работе с клиентами должны уметь выстраивать как краткосрочную, так и долгосрочную стратегии развития бизнеса в зависимости от того, какие изменения происходят и какие изменения могут ещё произойти на рынке.

Отсюда родилась идея построения предиктивной аналитики, которая строится на основе нескольких параметров: курс доллара к рублю, стоимость барреля нефти Brent в долларах и индекс РТС. Модель на базе этих параметров может строить прогноз по обращениям, звонкам, продажам, стоимости квадратного метра. С помощью такой модели у нас появляется возможность гибко управлять медиапланированием и оптимизировать рекламные размещения в зависимости от промежуточных результатов рекламной кампании. Кстати, такая модель может прогнозировать показатели для любой отрасли.

Требования при разработке модели

Гибкость

Модель должна определять закономерности изменения конкретного показателя во времени на основе исторических данных.

Приближённость прогноза к реальным данным

Модель может принимать неограниченное количество параметров для более точного прогнозирования показателя, обучаясь на дополнительных данных, которые отражают здоровье бизнеса и экономическую обстановку.

Самообучаемость

Модель самостоятельно находит закономерности изменения показателя — для этого нужны только данные.

Разберём, что такое показатель и параметр. Для одной компании из сферы недвижимости мы решили сделать прогноз количества заявок из Facebook. В данном случае количество заявок — это показатель. Другими показателями могут быть KPI, статистика сайта и бизнес-метрики.

Ключевые показатели KPI:

• звонки;
• заполнение формы;
• заказы.

Показатели сайта:

• запросы Wordstat;
• сессии;
• выполнение целей.

Бизнес-показатели:

• количество продаж;
• количество клиентов.

Важно отметить, что виды показателей не ограничиваются указанным выше списком и могут быть применимы для любой отрасли.

Параметр — это фактор и признак, который влияет на показатель и его дальнейшее развитие. Он позволяет оценивать экономическую ситуацию или другие факторы, использование которых зависит от сферы прогнозирования. Количество и вид параметров вы задаёте самостоятельно. Например, для нашего клиента мы использовали уже названные выше параметры:

• курс доллара к рублю;
• стоимость барреля нефти Brent в долларах;
• индекс РТС.

Выбор параметров обусловлен тем, что эти факторы позволяют модели оценить экономическую ситуацию и тренд дальнейшего развития показателя.

Сама модель представляет собой нейронную сеть, основанную на LSTM-ядрах. Такие сети применяются для прогнозирования временных рядов в случаях, когда важные события разделены временными лагами с неопределённой продолжительностью и границами.

Особенности модели:

• самостоятельно находит закономерности в исторических данных и позволяет делать прогноз;
• принимает на вход неограниченное количество данных;
• невозможно получить от модели правила, по которым она прогнозирует показатель.

Как обучается модель

Теперь пару слов про обучение модели. Модель обучается на исторических данных за весь период. На вход она получает данные за 30 предыдущих дней и учится делать прогноз на следующий за этим периодом день.

На графике изображены актуальное и прогнозное значения для лидов из Facebook за период с апреля по октябрь 2020 года. Как видите, модель усреднила и выявила тренд:

Сначала необходимо спрогнозировать параметры. Затем мы прогнозируем показатель.

Это обусловлено тем, что значение параметра в будущем нам неизвестно. А после этого — прогнозировать показатель, так как он зависит от параметров.

Значение одного параметра может зависеть от значения другого параметра. Поэтому для прогноза каждого параметра строится отдельная модель, в которой прогноз каждого следующего параметра делается на основе прогноза предыдущих параметров. В итоге мы получаем каскад моделей.

Важно отметить, что вместо прогнозных значений параметра мы можем использовать аналитику экспертов и их прогноз. Вернёмся к нашему примеру. Цепочка прогнозов была следующая:

При этом модель обучалась на исторических данных для параметров с 01.01.2000 по 31.10.2020 и исторических данных показателя с 01.04.2020 по 31.10.2020. Мы строили прогноз на 30 дней ноября. 23 ноября подвели предварительные итоги, сравнили актуальные и прогнозные значения.

В результате мы получили:

• прогнозные данные — 733 лида;
• фактические данные — 704 лида.

То есть отклонение составило около 4%.

В итоге мы получили модель, которая может прогнозировать любые величины, но при этом стоит учитывать некоторые моменты:

• данные не должны иметь пропусков;
• данные должны быть детализированы;
• необходимо иметь достаточно примеров для обучения и тестирования.

Преимущества модели

• Может прогнозироваться любой временной промежуток: от нескольких дней до нескольких месяцев.
• Может быть использован широкий спектр признаков в зависимости от задачи и сферы деятельности клиента. Также мы можем использовать аналитику экспертов.
• Модель делает прогнозы для практически любых бизнес-показателей и любых бизнес-задач.
• Прогноз можно корректировать «на ходу» или иметь несколько сценариев развития событий (несколько прогнозов показателей).

Модель не даёт на 100% верный прогноз. Но при правильном подборе параметров может дать приближённо-усреднённый показатель, который можно будет использовать для разработки стратегии и формирования планов.

Источник фото на тизере: William Daigneault on Unsplash