Оптимизация на основе машинного обучения

Проанализировав опыт множества компаний, мы выделили три основных уровня, на которых можно работать с персонализацией.

Большинство компаний останавливаются на первом, самом базовом уровне: проводят A/B-тест, выбирают лучшую гипотезу на основе усреднённых данных по всем сегментам и масштабируют соответствующую вариацию на всю аудиторию.

Некоторые компании идут дальше и тестируют разные гипотезы для разных сегментов: например, на странице корзины показывают мужчинам рекомендации с бритвенными станками, а женщинам — с капроновыми колготками.

Gravity Field позволяет выйти на третий, наиболее продвинутый уровень персонализации. С помощью движка предиктивного таргетинга можно заглянуть вглубь каждой кампании и посмотреть, как она работает для каждого сегмента пользователей. Одна и та же вариация может повышать средний чек для женщин и снижать — для мужчин; увеличивать конверсию в заказы для новых пользователей и снижать — для вернувшихся; показывать прирост по выручке с оптовых покупателей и падение выручки с розничных.

Предиктивный таргетинг подскажет наилучшую комбинацию в разрезе “гипотеза — сегмент” и даже спрогнозирует потенциальный прирост от масштабирования такой комбинации в процентах. После масштабирования эффективных вариаций на релевантные сегменты вы можете углубиться в дальнейшее тестирование уже внутри этих сегментов и сделать персонализацию максимально точечной. Такое углубление помогает получить максимум с каждого блока на сайте, ведь каждый пользователь будет видеть в блоках только то, что может заинтересовать именно его. А это значит, что вы получите не усреднённый прирост в метриках по всем пользователям, а максимальный прирост для каждого сегмента и подсегмента.

Если вы хотите не только показывать пользователям наиболее релевантный для них контент, но и оптимизировать логику показа в режиме реального времени, воспользуйтесь функционалом динамической аллокации.

Динамическая аллокация — это движок Gravity Field, основанный на алгоритмах машинного обучения (известных под названиями “Multi-Armed Bandit” и “Contextual Bandit”), который позволяет в автоматическом режиме показывать наиболее релевантные предложения каждому пользователю в каждый момент времени. Прямо в момент взаимодействия с пользователем движок автоматически выбирает оптимальное для него предложение или вариант интерфейса и перераспределяет трафик в пользу наиболее эффективной вариации.

Такой подход объединяет в себе функционал A/B-тестирования с единовременной персонализацией.