Skip to main content
Dynamic Traffic Allocation vs Predictive Personalization

Предиктивные алгоритмы, динамическое распределение трафика... Как сделать так, чтобы персонализация работала?

ВРЕМЯ ЧТЕНИЯ
6 минут
Автор
Frédéric De Todaro  Kameleoon
Frédéric De Todaro
Frédéric is Chief Product Officer and directs product strategy at Kameleoon. Focussed on continuously improving our A/B testing and personalization platform, he shares his advice on how to best deploy our technology and use it to positively impact digital conversions.
Поделиться

В прошлом году мы запустили Kameleoon Predict™, решение, которое объединяет возможности алгоритмов машинного обучения, для того, чтобы улучшить и расширить персонализацию опыта для каждого посетителя. Ключевым моментом Kameleoon Conversion Score (KCS™)  является уникальная метрика, которая оценивает вероятность конверсии всех посетителей в реальном времени, снабжая маркетинговые и продуктовые команды возможностью настраивать и запускать автоматизированные кампании. 

В этой статье я попытаюсь объяснить ценность алгоритмов машинного обучения в контексте персонализации, а также то, как этот подход отличается от альтернативных стратегий, таких как динамическое распределение трафика, сегментация и A/B-тестирование. 

Я расскажу о главном отличии: в то время, как алгоритмы машинного обучения являются "people-centric", динамическое распределение трафика -  это статистический подход, который не учитывает интересы и потребности каждого уникального посетителя. Это объясняет то, почему предиктивные алгоритмы обеспечивают более высокие показатели конверсии и вовлеченность, делая предиктивный подход - ключевым аспектом на пути к успешной реализации проектов по персонализации. 

Динамическое распределение трафика VS Предиктивные алгоритмы

Динамическое распределение трафика (или multi-armed bandit) - это подход, который позволяет платформам автоматически управлять распределением трафика на основе эффективности каждой вариации. 

Мне бы хотелось детализировать главные различия между методом "многорукого бандита" и предиктивными алгоритмами, сфокусировавшись на ценности каждого подхода для маркетологов и посетителей. 

Давайте начнем с простого примера: маркетолог в сфере средств массовой информации хочет протестировать 5 разных заголовков статьи, которую поместят на главную страницу. Там будет хороший трафик, и это означает, что каждый из 5 заголовков будут наблюдать миллионы посетителей каждый день, пока статья не покинет главную страницу. 

В данном случаем мы можем использовать несколько методологий, чтобы максимизировать число просмотров нашей статьи. 

1 Эксперименты с использованием методологии A/B/n-тестирования

Это традиционный подход, в рамках которого мы создаем 5 вариаций (заголовков). Затем мы позволяем нашему инструменту A/B-тестирования разделить трафик в случайном порядке между каждой вариацией таким образом, чтобы одна пятая всего трафика на главной странице видела каждый из заголовков. Затем наш эксперимент длится несколько дней, и мы наблюдаем, какая из вариаций эффективнее привлекает большее число просмотров. 

A/B Testing split of trafficПанель управления показывает равное распределение трафика с традиционным A/B/n-тестом

Проблема данного подхода заключается в том, что это не задействует огромные объемы данных, генерируемых во время эксперимента, для того, чтобы улучшить и оптимизировать трафик, отправленный к каждой вариации, то есть это не даст какого-то огромного прироста числа просмотров, так как множество посетителей увидят наименее интересный заголовок. Это тот случай, когда "многорукий бандит" пришелся бы кстати. 

2 Метод "Multi-Armed Bandit"

Данный поход предполагает, что трафик в самом начале случайным образом распределяется между каждой из вариаций (как в классическом A/B/n-тесте). Тем не менее, механизм "многорукого бандита" затем начинает распределять трафик между вариациями согласно их эффективности во время эксперимента. Это означает, что к концу теста мы показываем наиболее статистически успешную вариацию всем посетителям. 

Dynamic Traffic Allocation split of traffic

Панель управления показывает динамическое распределение трафика, оптимизированное по эффективности с использованием метода "многорукого бандита"

Главным преимуществом этого метода является тот факт, что он учитывает данные в реальном времени, в том время как эксперимент и нацелен на оптимизацию одной из наших основных KPI (просмотры статьи). 

Тем не менее, у такого подхода есть и ограничения: он не учитывает предпочтения каждого из посетителей. Вместо этого данный подход максимизирует эффективность заголовка, учитывая общие предпочтения и игнорируя предпочтения каждого отдельно взятого посетителя. Поэтому если, к примеру, отдельной группе людей нравится один заголовок больше прочих, но эта группа не составляет большинство, то увидят они заголовок наиболее популярный, но вовсе не тот, который нравился именно их сегменту. 

3 Метод сегментации или "ручной" персонализации

Чтобы преодолеть вышеописанные трудности, Вы можете получить более высокий уровень оптимизации через сегментацию вручную, которая позволила бы отображать разные заголовки для определенных групп посетителей. Например, мы можем хотеть, чтобы посетители, пришедшие из Facebook, видели первый заголовок, а из Твиттера - второй... Или показать разные заголовки читателям по принципу геолокации или типа устройства. 

Dynamic Traffic Allocation manual segmentation

Такой метод позволяет учитывать поведение и предпочтения каждого посетителя, принадлежащего к определенному сегменту. А затем отображать заголовок, который отвечает набору критериев для сегмента этого посетителя. Это очень логично во многих случаях, хотя и не слишком идеально, особенно - с учетом временных ограничений. Ведь у нас не так много времени для анализа предпочтений каждого сегмента и их интересов до того, как статья покинет главную страницу через несколько дней. Поэтому мы скорее всего будем делать предположения и использовать данные прошлых экспериментов при построении сегментов посетителей, что может дать неопределенные результаты. И вот именно тут-то и пригодятся предиктивные алгоритмы. 

4 Предиктивный метод

Предиктивные алгоритмы позволяют маркетинговым и продуктовым командам пойти гораздо дальше всех предыдущих подходов. Цель все та же: максимизация эффективности все тех же KPI (в нашем случае - просмотров статьи), но учитывая потребности и поведение каждого посетителя в реальном времени. Используя входящий поток поведенческих и "горячих" данных (также и историю навигации), предиктивные алгоритмы находят корреляции между посетителями и изучают, какое поведение на сайте ведет к цели. 

 

The Kameleoon Conversion Score (KCS)

The Kameleoon Conversion Score (KCS)

The Kameleoon Conversion Score™ (KCS™) - это действенный и способ определить четкие KPI для AI-персонализации.

Это работает с помощью подсчета баллов (scores) для каждого посетителя в реальном времени на основе шкалы от 1 до 100:

  • KCS в 1 означает, что посетитель характеризуется минимальными шансами на конверсию по сравнению с другими посетителями
  • KCS в 100 означает, что посетитель характеризуется наибольшей вероятностью конверсии по сравнению с другими посетителями. 

KCS отображается в виде графика конверсии с цветовым кодом от синего (низкий/холодный) до красного (высокий/горячий). Это делает все проще для понимания, анализа и действий. 

KCS предоставляет много данных, а также помогает маркетологам формировать понимание этого в контексте бизнеса. Kameleoon автоматически предлагает интервалы с большим потенциалом, обозначенные флажками. Это могут быть не самые высокие баллы (около 100), которые в любом случае конвертируются, а срединные интервалы, которые продемонстрируют более высокие показатели ROI. AI-алгоритм покажет возможности, но Вы все еще у руля - можете сами определять Ваши действия. 

Во многих случаях Вы можете наблюдать сходство между этими подходами: и динамическое распределение трафика, и предиктивные алгоритмы работают на одну цель - быстро и эффективно достигнуть конверсии. Тем не менее, "многорукий бандит" покажет самую популярную вариацию всем посетителям, тогда как предиктивные алгоритмы изучают то, что интересует каждого посетителя для того, чтобы предложить нужный контент каждому из них. 

Предиктивная персонализация создает возможность предлагать персонализированный контент в реальном времени, поэтому мы считаем, что предиктивный подход ведет к более успешным оптимизационным инициативам. 

cta ru ai
Frédéric De Todaro  Kameleoon
Frédéric De Todaro
Frédéric is Chief Product Officer and directs product strategy at Kameleoon. Focussed on continuously improving our A/B testing and personalization platform, he shares his advice on how to best deploy our technology and use it to positively impact digital conversions.
Вам также могут понравиться эти статьи