Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads.
κρυπτήМатематика таргетинга
Таргетинги в интернете    способ ограничить коммуникацию    интерактивность позволяет принимать     решение по каждому к...
Аффинити  каждый человек ведет себя по разному в     разное время    при анализе статистики- данные     объединяются и у...
Идея проекта  собрать статистику в разрезе     пользователя/ID    проанализировать выборку, про которую что-     либо то...
Источник знания (data)  privacy и сбор данных  уникальный ID и время его жизни  контекстность, как идеал  майнинг инфо...
Вероятностный подход противоречивость и неполнота данных степень достоверности возможность перевзвешивания под  внешние...
Выделение факторов  анализируем зависимости между целевой     группой и поведением    вычисляем метрики из любой известн...
Машинное обучение  обучающая   выборка  алгоритм ищет   закономерности   между признаком и   логами  применяем   формул...
Классификацияберем внешние категориисмотрим похожее «поведение»предполагаем, что этому пользователю это свойственнооце...
Цифры и факты          объем                 технологииo   35 дней                           o Map&Reduceo   3 млрд. событ...
Результат и применение проверяем TNS     Корреляция с группой (пол- 78%) выбираем лучших повышаем аффинитивность соц....
Планы мультипрофили audience extension долгосрочные интересы тематический таргетинг модели потребительского поведения...
Почему это революция? не на базе регистраций все пользователи каждый пользователь- уникален классификаторы могут быть ...
Снятся ли андроидам          электрические овцы?         распределение пола среди роботов:               60% роботы мальчи...
Спасибоlev@yandex-team.ru
Upcoming SlideShare
Loading in …5
×

Математика таргетинга. #izso2011. Лев Глейзер

4,922 views

Published on

  • Be the first to comment

Математика таргетинга. #izso2011. Лев Глейзер

  1. 1. κρυπτήМатематика таргетинга
  2. Таргетинги в интернете  способ ограничить коммуникацию  интерактивность позволяет принимать решение по каждому контакту  география, сайт, формат и технология баннера, слова на странице, слова из поиска, броузер, провайдер  параметры контакта c ID(регистрация, частота)  знание о пользователе Самоцензура рекламы в Интернете ;)κρυπτή
  3. Аффинити  каждый человек ведет себя по разному в разное время  при анализе статистики- данные объединяются и усредняются  у рекламодателя нет точного знания как говорить с каждым потребителем, только со статистической группой Большая часть из нас еще не определилась с соц.демом ;)κρυπτή
  4. Идея проекта  собрать статистику в разрезе пользователя/ID  проанализировать выборку, про которую что- либо точно известно  найти закономерности отличающие одну целевую группу от другой  анализируем статистику каждого ID и приводим к вероятности попадания в группу Применяем дедуктивный метод ;)κρυπτή
  5. Источник знания (data)  privacy и сбор данных  уникальный ID и время его жизни  контекстность, как идеал  майнинг информации  данные о любых действиях пользователя и их взаимосвязях Логи и Размышления. Т. 2-128κρυπτή
  6. Вероятностный подход противоречивость и неполнота данных степень достоверности возможность перевзвешивания под внешние факторы 100% аудитории выбираем лучшиххарактерных при использовании Оптимизируем монетку ;)
  7. Выделение факторов  анализируем зависимости между целевой группой и поведением  вычисляем метрики из любой известной информации  отбираем сильные факторы для конкретной классификации  несколько наборов факторов для разных аудиторий для соц.дема используется 300 факторов никто их не знает)κρυπτή
  8. Машинное обучение  обучающая выборка  алгоритм ищет закономерности между признаком и логами  применяем формулу ко всем пользователейκρυπτή
  9. Классификацияберем внешние категориисмотрим похожее «поведение»предполагаем, что этому пользователю это свойственнооцениваем достоверность предположения Можно вычислить людей, которые живут в нечетных квартирах ;)
  10. Цифры и факты объем технологииo 35 дней o Map&Reduceo 3 млрд. событийo 3,4 Tb в день o Machine learningo 235 млн. ID o Matrixneto 730 тыс. обучающая выборка o SVD (cингуля́ рноеo 490 тыс. проверочная разложение)o 7,5Tb данные
  11. Результат и применение проверяем TNS Корреляция с группой (пол- 78%) выбираем лучших повышаем аффинитивность соц.дем таргетинг на страницах Яндекса математический подход- как это объяснить рынку? У нас есть такие приборы ;)κρυπτή
  12. Планы мультипрофили audience extension долгосрочные интересы тематический таргетинг модели потребительского поведения API для внешнего использования Автоматически отделять копытных от хищников ;)κρυπτή
  13. Почему это революция? не на базе регистраций все пользователи каждый пользователь- уникален классификаторы могут быть по чему угодно регенерация информации, которой никогда не было данные собираются и пересчитываются постоянно Почта не работает, телеграф отменен, но вот мосты?κρυπτή
  14. Снятся ли андроидам электрические овцы? распределение пола среди роботов: 60% роботы мальчики 40% роботы девочкиκρυπτή
  15. Спасибо[email protected]
Наш полезный web-сайт , он рассказывает про steroid-pharm.com.
UDI 818A HD+

https://best-drones.reviews

×