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

Обновлено11 января, 2024

## Оглавление
1. [Что такое DeepKNN?](/content/ru/blog/optimizing-advertising-performance-with-advanced-machine-learning-and-vector-database-technology/#%D0%A7%D1%82%D0%BE-%D1%82%D0%B0%D0%BA%D0%BE%D0%B5-deepknn/index.html)
2. [Сила векторных репрезентаций](/content/ru/blog/optimizing-advertising-performance-with-advanced-machine-learning-and-vector-database-technology/#%D0%A1%D0%B8%D0%BB%D0%B0-%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D1%85-%D1%80%D0%B5%D0%BF%D1%80%D0%B5%D0%B7%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D0%B9/index.html)
3. [Как DeepKNN влияет на кампании маркетологов?](/content/ru/blog/optimizing-advertising-performance-with-advanced-machine-learning-and-vector-database-technology/#%D0%9A%D0%B0%D0%BA-deepknn-%D0%B2%D0%BB%D0%B8%D1%8F%D0%B5%D1%82-%D0%BD%D0%B0-%D0%BA%D0%B0%D0%BC%D0%BF%D0%B0%D0%BD%D0%B8%D0%B8-%D0%BC%D0%B0%D1%80%D0%BA%D0%B5%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%BE%D0%B2/index.html)
4. [Улучшенные ретаргетинговые товарные рекомендации с помощью DeepKNN](/content/ru/blog/optimizing-advertising-performance-with-advanced-machine-learning-and-vector-database-technology/#%D0%A3%D0%BB%D1%83%D1%87%D1%88%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5-%D1%80%D0%B5%D1%82%D0%B0%D1%80%D0%B3%D0%B5%D1%82%D0%B8%D0%BD%D0%B3%D0%BE%D0%B2%D1%8B%D0%B5-%D1%82%D0%BE%D0%B2%D0%B0%D1%80%D0%BD%D1%8B%D0%B5-%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%86%D0%B8%D0%B8-%D1%81-%D0%BF%D0%BE%D0%BC%D0%BE%D1%89%D1%8C%D1%8E-deepknn/index.html)
5. [Перспективы векторных баз данных и глубокого обучения](/content/ru/blog/optimizing-advertising-performance-with-advanced-machine-learning-and-vector-database-technology/#%D0%9F%D0%B5%D1%80%D1%81%D0%BF%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D1%8B-%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D1%85-%D0%B1%D0%B0%D0%B7-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%B8-%D0%B3%D0%BB%D1%83%D0%B1%D0%BE%D0%BA%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F/index.html)

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](/content/ru/technology/ai-engine/index.html) 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.

### 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.](/content/ru/talk-to-an-expert/index.html)