1.
ХИТРЫЕ
ТАРГЕТИНГИ
Евгений Паперный, руководитель проектов Здоровье Mail.Ru и Дети Mail.Ru

2.
Отдел анализа данных
14 специалистов в области машинного
обучения и сегментирования аудитории
Работа с внутренними
данными
Работа с данными
рекламодателей
Создание новых
таргетингов

3.
Таксономия
Возраст Пол Образование Занятость
Сем. положение Доход Телесмотрение Интересы
93% аудитории проектов Mail.Ru
Точное знание пола и возраста без экстраполяции

4.
Data mining
Отдельный внутренний
департамент
интеллектуальной
обработки данных
Работа с внутренними
данными – 95%
месячной интернет-
аудитории
Внутренние проекты
компании, top.mail.ru,
виджеты VK, поиск,
анкетирование
Работа с внешними
данными,
предоставляемыми
клиентами
Ретаргетинг, CRM, look-alike
Нацеливание рекламы
позволяет обращаться
адресно к
пользователям и
экономить деньги
рекламодателям

5.
Обзор данных
Активные пользователи
в день
200 млн
Идентификаторов
Top Mail.Ru
70 млн
Почтовых
аккаунтов
80 млн
Аккаунтов
ОК.Ru
120 млн
Пользователей
VK.Ru
Сырые данные
в сжатом виде 2,5Т в день
Пользовательский
кликстрим
Контент посещенных
страниц
Демография
пользователей

6.
Обзор данных
30-90 днейДлинные интересы Короткие интересы

7.
Варианты использования
Классификация
Образование (да/нет)
Упорядоченная
классификация
Просмотр телевизора (с какой частотой)
Look-alike
Автолюбители (совпадение после анализа от
10 000 человек по 20 000 признаков)
НЕЙРОСЕТЬ
Multiclass Look-alike
Разные товарные категории
(отрицательный класс, абсолютный вес у
черты)
Регрессия
Семейный доход, (интервал)

8.
Локальное ГЕО
Локальная реклама позволяет показать рекламу
именно тем пользователям, которые находятся в
данном географическом месте вплоть до метра
Рекламодатели
Владельцы оффлайновых точек (магазины, кафе, услуги и
т.д.)
Целевая аудитория
Пользователи находящиеся в определенной близости к
целевой точке. (Офис/дом/ЛПУ, прохожие)

9.
Источники данных
Социальные сети Медийные проекты Посещаемые сайты
Анкетирование Технические данные Look-Alike

10.
Источники данных
Источником для создания сегмента могут
быть уникальные данные клиента, даже
если их меньше 10 тысяч
Как решить:
1. Интернет-опрос (как часто вы ходите в кино –
набираем больше 10 тысяч каждого ответа)
2. Геолокация (3 раза в месяц в женской
консультации) БИГДАТА
3. Накладываем предиктор (на уровень дохода, чтобы
показать пересенчению Stokke)
Примеры предикторов
Вероятность
покупки
Интерес к
определенной
Категории /
стоимости
товара
Лояльность к
бренду
Другие предикторы
значимые для
бизнеса клиента
Уровень
платежеспособности

11.
Триггерная модель
Raw data Анализ данных Триггеры РБ

12.
Просмотры целевых страниц и заболеваемость ОРВИ и Гриппом
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
0.00%
0.01%
0.01%
0.02%
0.02%
0.03%
0.03%
0.04%
2015_40
2015_42
2015_44
2015_46
2015_48
2015_50
2015_52
2016_1
2016_3
2016_5
2016_7
2016_9
2016_11
2016_13
2016_15
2016_17
2016_19
2016_21
Просмотры консультаций
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
0.0%
1.0%
2.0%
3.0%
4.0%
5.0%
6.0%
7.0%
2015_40
2015_42
2015_44
2015_46
2015_48
2015_50
2015_52
2016_1
2016_3
2016_5
2016_7
2016_9
2016_11
2016_13
2016_15
2016_17
2016_19
2016_21
Просмотры карточек
заболеваний
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
0%
2%
4%
6%
8%
10%
12%
14%
16%
18%
20%
2015_40
2015_42
2015_44
2015_46
2015_48
2015_50
2015_52
2016_1
2016_3
2016_5
2016_7
2016_9
2016_11
2016_13
2016_15
2016_17
2016_19
2016_21
Просмотры карточек
лекарств
Данные по заболеваемости гриппом (ВОЗ) среди обследованных: http://www.who.int/
Данные по заболеваемости ОРВИ при иммунофлуоресцентной диагностике (НИИ гриппа) среди обследованных: http://www.influenza.spb.ru/
Данные по долям трафика – внутренняя статистика Mail.Ru

13.
Возникновение заболеваний и погода
Данные по заболеваемости гриппом и орви (ВОЗ) по доле заболевшего населения в Беларуси: http://www.who.int/
Данные по погоде в Минске (Беларусь): http://www.pogoda.by
-40
-20
0
20
40
60
80
100
0%
2%
4%
6%
8%
10%
12%
14%
2010_1
2010_7
2010_13
2010_19
2010_25
2010_31
2010_37
2010_43
2010_49
2011_3
2011_9
2011_15
2011_21
2011_27
2011_33
2011_39
2011_45
2011_51
2012_5
2012_11
2012_17
2012_23
2012_29
2012_35
2012_41
2012_47
2013_1
2013_7
2013_13
2013_19
2013_25
2013_31
2013_37
2013_43
2013_49
2014_3
2014_9
2014_15
2014_21
2014_27
2014_33
2014_39
2014_45
2014_51
2015_5
2015_11
2015_17
2015_23
2015_29
2015_35
2015_41
2015_47
2015_53
2016_6
Заболевания и погодные условия
% болеющих орви по данным ВОЗ % болеющих гриппом по данным ВОЗ
Средняя температура за неделю Средняя влажность за неделю

14.
Возникновение заболеваний и погода
Эпидемиологическая ситуация - ситуация по гриппу в России: http://www.influenza.spb.ru/

15.
Кросс-платформенные решения