Сервис для взрослого контента увеличил доход с рекламы на 10%

Кейс использования искусственного интеллекта

Сервис для взрослого контента увеличил доход с рекламы на 10%

Коротко о проекте

  • 01
    Клиент

    Агентство, которое управляет рекламой на сервисах со взрослым контентом. Работает из Канады.

  • 02
    Бизнес-задача

    Сократить число отказов от просмотра роликов

  • 03
    Решение

    Настроить показ роликов с учетом персональных рекомендаций.

    Для этого мы создали алгоритмы, которые позволили анализировать и использовать данные пользователей

  • 04
    Результаты

    +5%. Количество просматриваемых роликов

    +19%. Время просмотра одного ролика

    +10%. Рекламный доход заказчика от просмотренных роликов

    -16%. Доля отказов от просмотров роликов

2 млрд показов рекламы в месяц

Наш клиент — крупнейшая рекламная компания в Канаде. Один из ее проектов — сервис для взрослого контента. Это одна из популярных площадок из сферы развлечений: более 40 млн опубликованных роликов и 350 тысяч пользователей онлайн каждый день.

Сервис с помощью рекламного агентства зарабатывает на показах рекламы в основном контенте: например, использует ролики, баннеры, попапы и другие форматы. На начало 2021 года у сервиса более 2 млрд показов рекламы в месяц.

Показатели бизнеса клиента

  • 40 млн — опубликованных роликов
  • 350 тысяч — пользователей онлайн каждый день
  • 2 млрд  — показов рекламы в месяц

Проблема: пользователи не досматривают ролики и пропускают рекламу

Сервис со взрослым контентом зарабатывает на рекламе, поступления регулярные, с этим проблем нет. При этом в сфере развлекательного контента высокая конкуренция: от игровых стримов до видео с котятами.

На момент обращения к нам среднее количество отказов от просмотров у сервиса было 17,7%. Это говорит о том, что пользователям не так уж был интересен контент: они не находят интересные ролики для себя. Реклама из-за этого тоже страдала: чем меньше времени посетители проводят на сервисе, тем меньше доход сервиса.

Проблема была не только в доходах от рекламы. Дело во внимании: как только пользователь перестает проводить свое время у тебя, это же время получает конкурент. И возвращать такого пользователя долго, дорого и сложно.

Ограничения: нет данных для персональных рекомендаций

Заказчик обратился с таким посылом: «Сервис собирает много разных данных. Я читал, что с их помощью можно увеличить показатели по контенту и рекламе. Как мне это сделать?»

Наша гипотеза: если научиться показывать ролик с учетом персональных рекомендаций, то посетители скорее будут досматривать ролики, а значит, увидят рекламу.

Сам по себе инструмент настройки персональных рекомендаций известный: например, так работают Ютуб, Спотифай и другие сервисы. Проблема в том, что речь идет о взрослом контенте, поэтому есть отличия от того же Ютуба:

  • пользователи не оставляют о себе данных — например, пол, возраст, страну и так далее;
  • не показывают, что им нравится ролик — не ставят лайки и почти не комментируют;
  • используют VPN, поэтому нельзя понять, о какой стране речь;
  • минимум 80% используют режим инкогнито. И каждый раз, когда они заходят на сервис, он считает их за новых посетителей. Поэтому история не сохраняется и сервис не может определить: что и кому нравится.

Несмотря на то, что сервис собирает много данных о пользователях, они по сути анонимные. Поэтому без специальных решений данные остаются просто данными и никак не помогают решать бизнес-задачи

Решение: работа с биг-датой и создание алгоритмов

Раз данные есть, их можно каким-то образом обработать. Для этого мы создали алгоритмы, которые позволили собирать, анализировать и выстраивать на их основе персональные рекомендации. Проект занял почти год и строился по этапам.

В задачах с использованием искусственного интеллекта нельзя за один подход выпустить работающий алгоритм. Поэтому мы двигались итерациями: нашли решение → протестировали → запустили → протестировали еще раз → беремся за следующее решение

Этапы проекта: создание алгоритма персональных рекомендаций на базе искусственного интеллекта

  • Сбор и анализ данных
    • Сбор данных
    • Анализ найденных метрик
    • Выявление закономерностей
  • Подготовка данных
    • Отбор значимых метрик
    • Приведение данных к нужному формату
  • Моделирование
    • Выбор модели прогнозирования
    • Эксперименты с тестовыми наборами данных
    • Разработка алгоритма рекомендаций
  • Анализ рекомендаций
    • А/B-тесты
    • Сравнение результатов
    • Анализ полученного опыта
    • Планирование дальнейших шагов по улучшению работы модели

Что помогло в решении задачи клиента

Накопленный опыт в сфере работы с биг-датой. Это не первый проект в этой сфере. Для крупных клиентов обрабатываем миллиарды строк данных о поведении пользователя. Благодаря данным мы знаем как:

  • рассчитывать рейтинг рекламы и выводить ее в соответствии с рейтингом;
  • определить вероятность клика на объявление;
  • соотносить пользователя с определенным сегментом интересов для показа релевантной рекламы.

Благодаря накопленным знаниям мы уже знали, какие модели и алгоритмы могут подойти сервису. Для заказчика это значит, что его проект мы сделаем быстрее и точнее.

Не тратили время на придумывание с нуля. Вместо этого мы использовали уже работающие решения из направлений, близких к бизнесу клиента. Например, наша команда изучала документацию Гугла, Нетфликса, Спотифая — они профи в настраивании контента. Исследования помогли быстрее определиться с методами и подходами для собственной разработки.

Страница слева — из документа от сотрудников Гугла, в котором обсуждаются алгоритмы рекомендательной системы для Ютуба. Страница справа — опыт и математические модели Гугла в построении масштабируемой системы рекомендаций. Можно посмотреть полную PDF-версию: первая страница и вторая

Самые интересные отчеты распечатывали и анализировали всей командой

Результаты: персональные рекомендации увеличили доход с рекламы на 10%

На основе практически анонимных данных мы создали алгоритм, который подбирает ролики с учетом персональных рекомендаций. Благодаря ему сервис увеличил основные показатели эффективности рекламы.

Результаты за 1,5 месяца: как система рекомендаций на базе искусственного интеллекта повлияла на показатели просмотра контента

  • +5% — количество просматриваемых роликов;
  • +19% — время просмотра одного ролика;
  • +10% — рекламный доход заказчика от просмотренных рекламных роликов;
  • -16% — доля отказов от просмотров роликов.

В чем бы вы ни нуждались, мы можем помочь!

Расскажите нам, с какими проблемами вы сталкиваетесь в своем бизнесе. Мы с нетерпением ждем вашего ответа.

Получите ответ по смс

Ваше сообщение успешно отправлено!
Представьтесь пожалуйста
Укажите номер, на который придет ответ
Нажимая на кнопку, вы даете согласие
на обработку персональных данных.