Русский
Русский
English
Статистика
Реклама

Интернет-реклама

Поиск автовладельцев в Instagram от хвостов китов до автомобилей

06.08.2020 08:23:05 | Автор: admin

image


К нам в рекламную группу Dentsu Aegis Network часто приходят компании-рекламодатели с запросом изучить и проанализировать их целевую аудиторию. И сделать это необходимо быстро и точно. Предположим, у нас есть клиент из автопрома, который хочет найти владельцев авто, а потом узнать их интересы, пол, возраст в общем, раскрасить аудиторию. Логично было бы сделать социологическое исследование, но это займет несколько недель. А если у клиента очень дорогие авто стоимостью выше 2,5 млн рублей? Много ли таких владельцев наберется для исследования? А для фокус-группы?


Хорошим способом найти нужного человека остается социальная сеть. Это место, где пользователь оставляет о себе много полезной информации, а если даже информации нет, то можно попробовать собрать её с помощью черной магии. Да, все верно, тут на помощь приходит data science.


Будем решать задачи поступательно. Давайте подумаем, как найти автовладельца в социальной сети.


  1. Провести текстовый анализ постов
    Казалось бы, здесь все просто. Написал помыл свою зайку/ласточку или вечерние покатушки, и мы нашли нужного человека. Но потом выясняется, что часть примеров нерелевантна, а чистить приходится руками.
  2. Поискать в хэштегах
    Тоже вариант, но не соответствующих запросу аккаунтов еще больше: попадается и коммерция, и ребята, которые тюнингуют старые машины, и дрифтеры. А мы ищем владельцев авто за 2,5 млн рублей здесь и сейчас.
  3. Найти пост с фотографией того авто, которое нам нужно и определить модель
    Затем нужно придумать эвристику, которая с большой вероятностью бы говорила, что владелец этого аккаунта в соцсети также является владельцем нужной нам машины.

Мы пробовали все варианты, но остановились на последнем.


Первый подход к снаряду


Итак, нам необходима модель, которая бы определяла марку и производителя авто. Но сколько марок и производителей мы хотим охватить? Здравый смысл подсказывает, что можем взять наших клиентов, их основных конкурентов и на этом остановиться. Около 100 различных марок автомобилей более чем достаточно. Каждая марка автомобиля будет являться отдельным классом в модели.


Кажется, что 100 это не так уж и много. Возможно, нам даже подойдет что-то из методов обучения с учителем. Это значит, что мы будем проводить обучение модели через примеры, по принципу стимул-реакция.


А что если у нас появится новый клиент из нового сегмента? Будем добирать еще 50-100 марок? Да, есть компании, которые идут именно таким путем, новая проблема это новая модель. В итоге получается зоопарк различных моделей. Мы решили, что на обучение новой модели у нас просто нет времени, поэтому сделаем все сразу.


Небольшая, но важная подготовка датасета


Если мы хотим что-то более универсальное, то в таком случае напрашивается подход обучения без учителя: система должна обучаться спонтанно, без привлечения экспериментатора. Для такого подхода собирать данные проще берем из интернета все картинки по релевантному запросу. Благодаря тому, что многие поисковые инструменты позволяют фильтровать контент по лицензии, можно быть спокойными за соблюдение авторских прав.
Сначала данные:
Оказалось, что многие поисковые инструменты под запросом автомобиль могут понимать вот это:
image


Технически это, конечно, автомобили, но не совсем те, которые нужны нам.
Гораздо хуже, когда результат такой:
image


Нам был необходим датасет из качественных фотографий автомобилей в полную величину с разных сторон спереди, сзади, сбоку. Поэтому для очистки данных мы обучили нейронную сеть так, чтобы она отбирала из всего набора фотографий только подходящие под наши критерии. Для того, чтобы выделить на изображении машину и вырезать её, мы применили подход детекции объектов.


Существующие подходы в компьютерном зрении

image
Источник
Object detection это технология, связанная с компьютерным зрением и обработкой изображений, которая позволяет находить объекты определенного класса на изображениях и видео.


В качестве архитектуры взяли retinanet, так как уже был готов весь пайплайн, нужно только подложить разметку. Для разметки воспользовались инструментом CVAT (подробнее мы рассказывали на pycon19) и всей командой потратили несколько часов на это веселое занятие. За это время удалось разметить несколько тысяч картинок, что позволило обучить модель с mAP ~ 0.97.


С какими сложностями мы столкнулись при подготовке набора данных? Первое, что хочется отметить это отсутствие автолюбителей в нашей команде, из-за чего иногда возникали споры по поводу сложных случаев, например, когда кузов авто визуально едва ли отличим на разных моделях. Хорошим примером могут послужить Lexus RX и Lexus NX.
image


Гораздо сложнее, когда кузов один и тот же, а названия автомобилей разные. Такое случается, когда бренд по разному себя позиционирует на разных рынках. Примеры Chevrolet Spark и Ravon R2:
image


Autoencoder


Приступаем к выбору модели. Первое что пришло нам на ум, это автоэнкодеры.


Автоэнкодер

Автоэнкодер это нейронная сеть, состоящая из двух частей: энкодер и декодер, предназначенная обычно для снижения размерности.


  • Энкодер сжимает входные данные в скрытое пространство (latent space).
  • Декодер восстанавливает входные данные из скрытого пространства.

Прелесть автоэнкодера в том, что он обучается без учителя. А скрытое пространство может помочь кластеризовать данные.


С помощью автоэнкодеров кластеризуют даже Trading Card Game карточки, например, Magic the Gathering, так что появилось желание сделать кластеризацию автомобилей именно через этот инструмент. К сожалению, получилось неудачно: время потратили, а результат не оправдал ожиданий. Стали думать дальше.


Semantic Embeddings


И наткнулись на эту статью. В ней авторы предлагают обучить нейронную сеть с иерархической структурой классов для получения эмбеддингов, учитывающих семантическую близость объектов.
Идея кратко: мы не просто ищем визуально похожие объекты, но и учитываем семантику запроса, т.е. пикапы должны располагаться в искомом пространстве ближе к пикапам, кабриолеты к кабриолетам и т.п.


Идея подробно:

Иерархия классов представляет собой направленный ацикличный граф $G = (V, E)$ с множеством вершин $V$ и множеством ребер $EVV$, что определяет гипонимические связи между семантическими понятиями. Другими словами, ребро $(u,v)E$ означает что $v$ является подклассом $u$. Тогда классы являются вершинами такого графа $C={c_{1},...,c_{n}}V$. Пример графа представлен ниже:



Авторы использовали меру непохожести $d_{G}:CC R$, рассчитываемую по формуле $d_{G}(u,v) =\frac{height(lcs(u,v))}{max_{wV}height(w)}$, где под высотой имеется в виду самый длинный путь от текущей вершины до листа. $lcs$ двух вершин это ближайший предок к этим двум вершинам. Так как $d_{G}$ ограничено между 0 и 1, авторы определили меру семантической близости между двумя семантическими понятиями как $s_{G}(u,v) = 1 d_{G}(u,v)$.
Рассмотрим граф из рисунка выше, его высота равняется 3, $inline$lcs("dog","cat")="mammal"$inline$, а $inline$lcs("dog","trout")="animal"$inline$, тогда $inline$s_{G}("dog","cat") = 1 d_{G}("dog","cat")=1-1/3=2/3$inline$, а $inline$s_{G}("dog","trout")=1-2/3=1/3$inline$. Таким образом, кошка и собака в представленной модели более близки семантически друг к другу, чем собака и форель.
Цель авторов посчитать вектора единичной длины $(c_{i})^n$ для всех классов $c_{i}, i=1,...,n$, так, чтобы скалярное произведение векторов соответствующих классов было равно мере их похожести:

$$display$$_{1 i,j n}:(c_{i})^T(c_{j}) =s_{G}(c_{i},c_{j})$$display$$


$$display$$_{1 i n}:(c_{i})= 1$$display$$



Собирать такой датасет показалось слишком долгим и дорогим процессом, ведь помимо сбора релевантных фотографий необходимо думать над грамотной иерархией классов по текстовым запросам. Но авторы предлагают вариант без иерархии, с поддержкой датасета Stanford Cars, который имеет 196 различных классов автомобилей и по 80 фотографий на каждый (почти то, что нам нужно, да?). Результат на stanford cars оказался лучшим, чем все то, что было до этого. Но на наших данных повторить успех не удалось. Понять, что на это повлияло плохая разметка, шум в данных или что-то еще не удалось, так как время на эксперименты закончилось, а проект был отложен на неопределенный срок.


Примерно так чувствовала себя наша нейросеть на тот момент:

Siamese Networks или от китов к машинам


Спустя 9 месяцев снова родилась необходимость в определении модели авто по фото. На этот раз у нас была возможность привлечь команду асессоров, чтобы собрать более качественный датасет. А самое главное, появилось понимание, какие марки авто нам нужны точно и какие необходимо добавить, чтобы иметь задел на будущее. Вместе с более качественной разметкой пришла идея использовать metric learning подход, например, сиамские сети c triplet loss.


Сразу в голове всплыло соревнование на kaggle, которое проходило совсем недавно, да еще и полностью дублирует нашу задачу: по фотографии хвоста кита определить, какой особе он принадлежит. Не долго думая мы взяли решение первого места и использовали его на наших данных. Архитектура этого решения представлена ниже.



Было привлекательно, что решение представляло из себя всего одну модель, а не целый зоопарк, как это бывает на kaggle. Из интересных особенностей, которые могли быть использованы у нас: на вход к 3 стандартным RGB каналам подаются маски. Поэтому размер входа составляет 512х256х4.


В первом подходе мы решили обучить модель без использования масок и получили на валидации mAP = 0.89. Такой результат с самого старта нас очень обрадовал. Но прогнав модель на отложенной выборке из живой среды обитания результат оказался плачевен.


И снова похожие ошибки:

Причина заключалась в том, что природа живых фотографий сильно отличается от собранных фотографий в датасете. И при его создании никто на это не обратил внимания.
Пример из обучения:



Что поступало на вход, и это ещё очень удачный пример:



Очевидно, что нужно было что-то сделать с обучающим набором данных. Мы решили оставить всё как есть, но использовать более сильную аугментацию. Для этого использовали пакет albumentations. Он поддерживает bounding boxы и maskи, имеет множество готовых преобразований: помимо стандартных flip-crop-rotate еще и различные distortionы.


К более сильной аугментации решили сразу добавить маски. Для предсказания масок использовали фейсбуковский detectron. Мотивацией послужило наличие модели для сегментации изображений, обученной на датасете COCO, в котором присутствует класс авто. И наличие пайплайна под детектрон, потому что он уже был использован в команде. А еще мы любим копаться в гите facebookresearch.


Обучив модель на дополненных данных с новой аугментацией, мы смогли получить mAP ~ 0.81. Это сильно хуже предыдущего результата, но зато модель получилась более жизнеспособная.


Эвристики


Теперь, научившись работать с марками машин, мы вплотную подошли к проблеме эвристик, которые помогут отличать истинного владельца от ложного. Давайте разберем основные варианты ошибок, которые могут встретиться:


  • Пользователь сфотографировался с автомобилем на фоне.
  • Авто могло оказаться на фоне случайно.
  • Автолюбитель выкладывает фотографии его любимых марок. Тут может быть случай и многих различных марок, и одной единственной.
  • Мы попали в профиль автодилера, автомастерской или автоблогера.
  • ...
  • И десятки других вариантов.

Как понять, что две фотографии одного и того же автомобиля являются одним и тем же автомобилем? Можно определить цвет автомобиля. Но с цветом имеются свои проблемы, так как даже зеленый цвет при определенном освещении выглядит серым. Кажется, что если мы научились отличать несколько сотен моделей авто друг от друга, то с цветом проблем возникнуть не должно. Поэтому мы взяли пайплайн для retinanet и обучили еще одну нейронную сеть на определение 16 цветов.


Чтобы найти владельца искомого авто с высокой вероятностью, оказалось достаточным зафиксировать определенный период времени, к примеру, в полгода или год, и оставлять только тех пользователей, у которых внутри этого периода не так много различных марок авто. При этом искомая марка должна встречается не менее определенного количества раз и быть одного и того же цвета.


Заключение и применение модели


Мы научились находить владельцев определенных авто по их постам. Что нам для этого понадобилось: нейронная сеть для первичной чистки данных; 5 человек, помогающих с разметкой; нейронная сеть для создания масок; нейронная сеть для определения марки автомобиля; нейронная сеть для определения цвета автомобиля. Почему бы теперь не применить результат в бою?


Попробуем найти владельцев BMW с большим количеством подписчиков:



Фотография BMW M5. Источник.



Ещё один пример BMW M5 от того же автора. Источник.



BMW 3 серии. Источник.



BMW M3. Источник.


Зачем нам искать владельцев BMW с большим количеством подписчиков, которые часто постят свой автомобиль? Например, они могут стать амбассадорами бренда.


Статья начиналась с того, что мы хотим найти автовладельцев конкретной марки, для того, чтобы рассказать кто они с точки зрения интересов, пола и возраста. Давайте протестируем этот подход на Audi:



Источник.



Источник.



Источник.


С определением пола и возраста по профилю в социальной сети всё более-менее понятно. Могут возникнуть вопросы, как определять интересы по профилю. Для этой цели мы пользуемся алгоритмом определения пересекающихся сообществ, описанным нашей командой в прошлом году. Посмотрим что получается:


Распределение по полу:
image


Распределение по возрасту:
image


Топ-10 верхнеуровневых интересов:
image


Спустимся на два уровня ниже в категорию Спорт и активных отдых:
image


Кажется, что Audi преимущественно не женский автомобиль. Разберемся почему же у нас выходит 57% женщин? Согласно исследованию brand analytics, распределение мужчин и женщин в инстаграме соотносится как 25:75. Учитывая этот факт, можно сделать перевзвес наших данных и получить более натуральное распределение по полу среди автовладельцев Audi. По этой причине при анализе социальной сети необходимо учитывать её специфику.


Что ещё мы можем узнать про автовладельцев?


Например, откуда они:
image


И куда они путешествуют:
image


Что можно сделать еще?


Здесь можно выделить два направления: улучшение текущего решения и новые подходы. Гипотезы для улучшения модели:


  • В первую очередь хотелось бы ещё раз пройтись по датасету. Как известно, есть прямая взаимосвязь между качеством моделей машинного обучения и данных, которые они используют.
  • Mixup аугментация. Смысл её в том, чтобы с разными весами смешать две картинки в одну. Веса при этом должны давать в сумме единицу. Сложность заключается в том, что для такой аугментации нужны несколько картинок. В то время как пакет albumentation работает с одной картинкой на вход. Делать самописное решение или добавлять стороннее для проверки гипотезы на тот момент показалось нецелесообразным.
    Пример:
    image
    Источник
  • Попробовать другие архитектуры нейронных сетей. Тут всё просто мы взяли решение первого места. Но ведь можно попробовать более простые архитектуры, потерять немного в качестве, но сильно выиграть в скорости. Ведь мы не на kaggle, и нам не так важны сотые и тысячные значения в метрике качества.
  • Добавить задачу определения цвета автомобиля в нейронную сеть определяющую марку и модель автомобиля. Иногда оказывается, что добавление дополнительного выхода в нейронную сеть для решения ещё одной проблемы повышает и качество метрики, и обобщающую способность.

Что касается новых подходов: мы использовали только внешний вид автомобиля, чтобы определить марку и модель. Но можно применить ту же самую технику и для определения модели по фотографии салона. Это может стать одним из наших следующих шагов.


image
Источник


Благодарим за внимание и надеемся что этот материал будет полезен и интересен читателям Хабра!


Статья написана при поддержке моих коллег Артёма Королёва, Алексея Маркитантова и Арины Решетниковой.


R&D Dentsu Aegis Network Russia.

Подробнее..

Что делать, если технический прогресс ухудшает жизнь людей? Перестаньте кормить зверя

08.03.2021 12:14:02 | Автор: admin
Что делать, если технический прогресс ухудшает жизнь людей? Перестаньте кормить зверя


Погоди, какой-то луддит хочет поговорить со мной лицом к лицу

В девятнадцатом веке английские текстильщики отреагировали на внедрение новых технологий на фабрике, разбив вдребезги ткацкие станки, из-за которых люди теряли работу, голодали и умирали. Это движение было высмеяно учёными как архаичная и неэффективная попытка остановить ход истории. Но оно олицетворяет антагонистические отношения между всеми рабочими людьми (включая нас сегодня), и так называемыми прогрессивными достижениями новых технологий. Луддиты не были архаичными, и они по-прежнему проявляют себя в 21 веке, из аннотации к книге Гевина Мюллера Луддиты были правы насчёт того, почему вы ненавидите свою работу.

Сегодня эта проблема опять актуальна. Техногиганты Facebook, Google и Amazon символы технологического прогресса и компьютерной революции. Транснациональные корпорации с капитализацией в триллионы долларов, знамя интернет-экономики, гордость Кремниевой долины.

Но всё громче раздаются голоса современных луддитов, которые сомневаются, что интересы технокорпораций совпадают с интересами общества. Неужели технический прогресс способен ухудшать жизнь людей? Разве такое возможно в принципе?

Вредный прогресс


Во-первых, такое действительно возможно. На протяжении развития человеческой цивилизации мы неоднократно видели, как технологический прогресс объективно ухудшал условия человеческой жизни. Хотя при этом способствовал росту численности населения и распространению человеческой ДНК, что является основной задачей эволюции, а вовсе не благополучие или счастье отдельных особей (временных носителей ДНК).

Один из ярких примеров аграрная революция около 10 000 лет назад. Около трёх миллионов лет охотники и собиратели вели здоровый образ жизни, не особенно много трудились, находили себе более разнообразные и приятные занятия, особенно не страдали от голода. Благодаря аграрной революции на Земле произошёл демографический взрыв и возникла элита но обычный земледелец работал больше, а питался хуже, чем охотник или собиратель.

Наше тело сапиенсов не предназначено для таких задач. Исследования древних скелетов показали, что с возникновением сельского хозяйства появилось и множество болезней: смещение дисков, артрит, грыжа. Работа занимала так много времени, что людям пришлось буквально жить рядом со своими полями и работать с утра до ночи и питаться преимущественно зерновыми, которые плохо перевариваются, от них страдают зубы и дёсны. Такая зависимость от нескольких природных культур порождала эпидемии: люди тысячами и миллионами погибали от голода в периоды неурожая.


Реконструкция Чатал-Хююка, одного из крупнейших поселений на Земле в 7000 г до н.э. Источник: Sapiens. Краткая история человечества, Юваль Ной Харари

До сих пор в странах третьего мира миллионы людей живут в рабских условиях с сельской местности, с утра до ночи занимаются тяжёлым физическим трудом в поле, плохо питаются и болеют. Не намного лучше жизнь офисных рабов. Древний охотник никогда бы не согласился вкалывать на хозяина по 8-10 часов в день. Это пережитки аграрной революции.

Крестьянская жизнь принесла людям как обществу защиту от диких животных, дождя и холода. Но для каждого человека в отдельности недостатки перевешивали достоинства. Мы в наших современных благополучных обществах едва ли в состоянии представить себе это. Поскольку мы живем в безопасности и изобилии, а наши безопасность и изобилие проистекают из основ, заложенных аграрной революцией, мы, естественно, воспринимаем эту революцию как величайший прогресс. Однако оценивать тысячелетия с точки зрения сегодняшнего дня в корне неверно. Попробуйте представить себе трёхлетнюю девочку в Китае I века. Сказала бы она, умирая от недоедания: Да, мне жалко умирать, но зато через две тысячи лет у людей будет вдоволь еды, а жить они будут в больших домах с кондиционерами, так что я погибаю не зря? Sapiens. Краткая история человечества, Юваль Ной Харари

В книге Эгоистичный ген британский биолог Ричард Докинз представляет геноцентричный взгляд на эволюцию. Эта теория объясняет, почему отдельные люди и человечество в целом иногда выбирают невыгодную стратегию и страдают таким образом. Например, жертвуют своей жизнью ради близких или жертвуют целым поколением ради будущего человечества. В каком-то смысле это естественное поведение, если следовать геноцентричной логике. Основная цель репликаторов ДНК сделать как можно больше своих копий, а судьба временной оболочки (человеческих или животных тел) не так важна по сравнению с генами, которые проживут миллионы или миллиарды лет.


Рисунок: New Statesman

Сейчас мы опять столкнулись с этой проблемой. Жертвовать нынешним поколением в технологической мясорубке 21 века ради будущего человечества?

Неолуддизм


В 1995 году главный редактор журнала Wired и технооптимист Кевин Келли взял интервью у странного персонажа Киркпатрика Сейла. Тот называл себя неолуддитом и только что написал книгу под названием Повстанцы против будущего.



В то время разглядеть будущее было сложно. Amazon только открылся, Apple была в депрессии, Microsoft ещё не запустила Windows 95, и почти ни у кого не было мобильных телефонов. Но Сейл уже чувствовал, что компьютерные технологии сделают жизнь людей намного хуже. Сейл даже собрал луддитов на январское мероприятие в Нью-Йорке, где атаковал компьютер IBM пятикилограммовой кувалдой. Ему потребовалось два удара, чтобы уничтожить предмет, затем он поклонился и сел, глубоко удовлетворённый.

25 лет назад Кристофер Сейл сказал, что общество находится на грани краха. Он надеялся, что немногие уцелевшие люди объединятся в небольшие группы, похожие на племена. Они не просто будут в офлайне, интернет вообще прекратит своё существование, что, по мнению Сейла, будет просто замечательно. На руинах старой цивилизации восстанет новая.

С другой стороны, главред Wired видел в технологии обогащающую силу, верил в обратное что общество будет процветать.

На последних страницах своей луддитской книги Сейл предсказал, что общество рухнет не более чем через несколько десятилетий.

Келли заманил собеседника в ловушку и спросил, когда именно это может произойти. Сейл был озадачен он никогда не называл дату. Наконец, он выпалил: 2020. Это казалось хорошим круглым числом.

Затем редактор спросил, как за четверть века можно определить его правоту. Сейл импровизированно назвал три фактора: экономический кризис, который обесценит доллар и вызовет глобальную депрессию ещё более тяжелую, чем в 1930 году; восстание бедных против богатых; и значительное число экологических катастроф.

Вы готовы поставить на свою точку зрения? спросил Келли.

Конечно, ответил Сейл.

И тут Келли захлопнул ловушку. Он пришёл в квартиру Сейла с чеком на 1000 долларов, выписанным на его совместный с женой счёт. И протянул его поражённому собеседнику:

Держу пари на 1000 долларов, что в 2020 году мы даже близко не приблизимся к той катастрофе, которую вы описываете, сказал он.

На банковском счёте Сейла едва ли могла собраться тысяча долларов. Но он прикинул, что если проиграет, то в 2020 году тысяча долларов всё равно будет стоить гораздо меньше и согласился. Келли предложил, чтобы они оба отправили свои чеки на хранение Уильяму Патрику, редактору, который занимался как луддитской книгой Сейла, так и недавним сочинением Келли о роботах и искусственной жизни.

И вот двадцать пять лет спустя крайний срок наступил. 2020 год. Люди заперты на самоизоляции. Разрыв в доходах между богатыми и бедными никогда не был таким огромным со времён Великой депрессии. Калифорния и Австралия полыхают в пожарах. Пришло время расчёта. На кону стояло гораздо больше, чем просто деньги: пари представляло собой выяснение отношений между двумя яростно противоположными взглядами на природу прогресса. Во времена климатического кризиса, пандемии и хищнического капитализма оправдан ли ещё оптимизм относительно будущего человечества? Келли и Сейл представляют собой два крайних радикальных взгляда. Это пари должно быть личным подтверждением или опровержением их всего жизненного пути.


Те самые чеки, фото: Wired

Спустя 25 лет стало очевидным, что Сейл поставил себя в невыгодное положение и выбрал самый негативный сценарий, который формально не реализовался. Но по сути мир движется в том направлении, на которое он указал.

Конечно, это не конец цивилизации, но мы видим угрозу для доллара (криптовалюты), экологической стабильности (глобальное изменение климата) и социальной стабильности (например, в США трамписты ходят по улицам с автоматическим оружием).

Что делать?

Если взять конкретную проблему засилья технокорпораций в интернете, то мы можем бить врага его оружием. Использовать технологии для самозащиты.

Хватит кормить зверя


С точки зрения неолуддитов современные техногиганты вроде Google и Facebook, представляются чем-то вроде гигантского зверя, который высасывает из людей информацию и использует её для получения прибыли. Это называется надзорный капитализм (surveillance capitalism) система, основанная на слежке.

Прекратите кормить зверя обращается немецкий программист Каспар фон Вреде ко всем веб-разработчикам, призывая отказаться от сервисов Google, в первую очередь от Google Analytics.



Было время, когда Google была маленькой гибкой компанией с единственным продуктом, настолько потрясающим, что он просто сдул конкурентов. Это время давно прошло.

В наши дни Google это гигантская транснациональная мегакорпорация. Это даже преуменьшение. Автор представляет Google некоей Годзиллой, которая с одной стороны поглощает данные о своих пользователях, а с другой выдаёт золотые слитки. Google делает то же самое в огромных масштабах.

Успех Google, потрясающая эффективность платформы и гениальность её инженеров ужасны для нас и общества, пишет Каспар. Нужно понимать, что Google это не поисковая система, а рекламная платформа. Все её продукты ориентированы на продажу рекламы. Большинство бесплатны, многие полезны, а некоторые даже великолепны. Но все они существуют для того, чтобы поглощать больше данных, чтобы Google мог ещё лучше продавать рекламу.

Суть видна в поисковой выдаче, где всё труднее выделить рекламу.


Как менялся дизайн рекламных объявлений в выдаче Google, источник

Не такой эволюции вы ожидаете от компании, которая любит своих пользователей. Это эволюция мегакорпорации, которая хочет ещё больше прибыли.

Многие продукты Google имеют абсолютно ошеломляющую долю рынка. У Google девять продуктов с аудиторией более, чем миллиард пользователей. Chrome самый популярный браузер. Android самая популярная ОС на мобильных устройствах.

Учитывая практически монополию на рынке интернет-рекламы (дуополия с Facebook), выручка Google огромна: около 180 миллиардов долларов в 2020 году, что примерно соответствует ВВП Новой Зеландии.

Google Analytics самый популярный инструмент статистики веб-сайтов. Более 53% всех сайтов в интернете отслеживают своих посетителей с помощью Google Analytics. Это самый популярный сторонний запрос в интернете: на его долю приходится 0,64% всех сетевых запросов в интернете.

На самом деле это не такой уж хороший скрипт: он чрезмерно раздут, замедляя скорость загрузки вашего сайта. Большинству веб-мастеров не нужны все эти фичи. Он мешает пользователям. К тому же, он заблокирован многими браузерами, поэтому возвращает неточные результаты.

Google не раскрывает, как именно корпорация использует данные внутри своей компании. Но здесь не нужна особая фантазия, чтобы догадаться. Кажется довольно очевидным, что они используют эту информацию, чтобы поглотить ещё больше данных и произвести ещё больше золотых слитков.

Так есть ли альтернативы? Конечно, есть множество альтернатив, в том числе бесплатные и на своём хостинге.

Если хотите сделать мир лучше, перестаньте кормить зверя


И помните, что Google лишь одно из проявлений научно-технической революции, требующей пересмотра многих юридических, социальных и моральных норм, по которым функционирует общество. Технологии резко меняют жизнь людей. Наша задача максимально аккуратно действовать, чтобы текущее поколение временных сапиенсов не слишком пострадало в этой мясорубке, как наши предки во время аграрной и промышленной революций. В будущем всё наладится и ДНК наверняка продолжит свою репликацию в более приспособленных оболочках.

На правах рекламы


Вдсина предлагает виртуальные серверы на Linux или Windows. Используем исключительно брендовое оборудование, лучшую в своём роде панель управления серверами собственной разработки и одни из лучших дата-центров в России и ЕС. Поспешите заказать!

Подробнее..

Как прокачать объявления с помощью модификаторов Google Ads 5 примеров

15.10.2020 16:12:34 | Автор: admin
Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Кастомизация объявлений под конкретных пользователей и их потребности эффективна, но затратна по времени если всё делать руками. Тем не менее можно автоматизировать создание объявлений в частности, с помощью модификаторов. К ним относится динамическая вставка ключевиков, функция IF, таймер обратного отсчета и модификация на основе подгружаемого набора данных. Как это применять на практике показываем на примерах.



Что такое модификаторы объявлений и чем они полезны


В Google Ads не обязательно составлять каждое объявление руками. Здесь есть возможности для автоматизации (мы о них писали). Один из способов использование модификаторов. Суть в том, что система подставляет в объявление один или несколько параметров: название товара, поисковый запрос, наличие, цену и др. Это удобно, потому что из одного шаблона мы получаем сколько угодно объявлений.


Настроить модификаторы можно так, что они будут срабатывать для определенной аудитории. Например, жители Москвы будут видеть Бесплатная доставка по Москве, а Волгограда Доставка в Волгоград 500 рублей.


Модификаторы решают три задачи:


  1. Делают объявления более релевантными (если поисковый запрос подставляется в текст объявления, повышается его привлекательность для пользователя).
  2. Поддерживают актуальную информацию в объявлениях (о ценах, наличии, скидках).
  3. Повышают конверсию (за счет использования таймера обратного отсчета и возможности настроить отображение определенного текста в зависимости от региона и аудитории).

Что нужно знать при работе с модификаторами:


  • Они доступны только для объявлений на поиске.
  • Размещаются в заголовке и/или описании (в отображаемом URL и расширениях нет).
  • При добавлении модификатора к объявлению статистика по нему не обнуляется.

Есть 4 типа модификаторов:


  • Динамическая вставка ключевых слов.
  • Функция IF.
  • Таймер обратного отсчета.
  • Модификатор на основе подгружаемых данных.

Далее покажем, как их настроить и применять на практике.


Примеры использования модификаторов


Показываем разный призыв к действию пользователям мобильных и десктопов


Если с десктопов пользователи склонны переходить на сайт и самостоятельно оформлять заявку, то с мобильных они охотней звонят (просто потому, что это удобнее, чем заполнять форму). Эту особенность используем при показе объявлений: при переходе с мобильных призываем позвонить, а с десктопов перейти на сайт.


Как это настроить


Создаем объявление или открываем существующее и ставим открывающую фигурную скобку в месте, где будет призыв к действию. В нашем случае это заголовок 1. Выбираем функцию IF.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Указываем текст, который будут видеть пользователи в зависимости от устройства:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

После этого на мобильных будет отображаться такое объявление:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

А на десктопах такое:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Можно тестировать разные варианты текстов в существующих объявлениях. Старая статистика сохранится, и вы будете видеть в динамике влияние изменений на эффективность.


Показываем разные офферы разным аудиториям


Наша цель привлечь внимание дополнительными скидками посетителей, которые добавили товар в корзину, но не оформили заказ. В этом примере тоже будем использовать функцию IF.


В списке аудиторий выбираем категорию Пользователи, не завершившие покупку. В строке То указываем размер скидки для этой аудитории. В строке В противном случае задаем текст для остальных пользователей.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Нажимаем Применить. В этом примере пользователям, которые не завершили покупку, будет показываться такое объявление:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Остальные пользователи увидят другое объявление:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Повышаем релевантность объявлений с помощью динамической вставки ключевых слов


Когда пользователь в заголовке объявления видит поисковый запрос или его часть, он считает такое объявление релевантным. Поэтому специалисты по контексту всегда стараются вписать в заголовки и/или тексты хотя бы основные ключевые слова.


Но охватить все слова трудоемко. В общем-то, это и не нужно если использовать динамическую вставку. В этом случае система сама будет каждый раз подставлять релевантное запросу ключевое слово в объявление (куда именно определяете вы сами).


Как настроить динамическую вставку


Ставим открывающую фигурную скобку в заголовке/описании и выбираем пункт Динамическая вставка ключевых слов.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Так выглядит окно настройки:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

В строке Текст по умолчанию указываем текст, который максимально соответствует ключевым словам в текущей группе объявлений. Например, у нас в группе заданы ключи ортопедический матрас и матрас из кокоса в этом случае в качестве текста по умолчанию указываем матрасы. Динамическую вставку делаем после слова Купите:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

После этого объявление будет подстраиваться под запрос пользователя.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Если же так окажется, что запрос пользователя слишком длинный и не умещается в отведенные 30 символов, система использует слово по умолчанию. Например, при запросе продажа пружинных матрасов в мск недорого будет отображаться заголовок Купите матрасы. Также текст по умолчанию будет выводиться, если системе не удастся подобрать ключевое слово, соответствующее запросу.


Мотивируем сделать заказ с помощью таймера обратного отсчета


В заголовке или тексте объявления можно включить таймер обратного отсчета. В итоге пользователи видят актуальные сроки начала мероприятия или завершения акции.


Для примера настроим обратный отсчет до завершения акции добавим его во второй заголовок после слов До конца акции.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Указываем дату и время обратного отсчета, задаем период обратного отсчета, устанавливаем часовой пояс и язык, на котором будет отображаться дата и время. Для рекламы в разных часовых поясах лучше установить часовой пояс пользователя.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Объявление с таймером будет выглядеть так:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

По мере приближения к дате завершения будет меняться и цифра: 3 дня, 2 дня, 10 часов, 20 минут и т. п.


Выводим в заголовке название товара и цену


Суть в том, что если пользователь ищет конкретную модель, он видит объявление с точным названием товара и актуальной ценой. Чтобы это работало, нужно создать набор данных и подгрузить его в аккаунт Google Рекламы.


Начнем с создания набора данных.


Определяем атрибуты


Заносим данные модификаторов в файл XLS. Шаблон загрузите по ссылке.


Настраиваем пользовательские атрибуты именно эти данные будут подставляться в объявлениях. В столбцах А-Е шаблона меняем пользовательские атрибуты на свои. Лишние столбцы удаляем. Пробелы в названиях атрибутов не ставим.


Указываем тип атрибута для каждого столбца:


  • text наименование товара (текст, цифры и символы);
  • number количество товара (только целые числа);
  • price стоимость товара (любые числа, в т. ч. десятичные дроби);
  • date дата в формате ГГГГ/ММ/дд чч: мм: сс.

Пример заполненного файла:


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Есть и другие стандартные атрибуты, помимо четырех рассмотренных выше. Например, можно указать предпочтительные устройства, время начала и окончания показа модификатора и др.


Настраиваем таргетинг


В столбцах F-H шаблона указываем дополнительные настройки таргетинга. По умолчанию здесь указаны такие параметры таргетинга:


  • Target campaign. Названия кампаний, к которым относится набор данных.
  • Target ad group. Группы объявлений, к которым относится набор данных.
  • Target keyword. Указываем ключевики, по которым запускается показ данных. Для ключевиков можно задавать типы соответствия

Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

При работе в нескольких регионах с помощью атрибутов таргетинга можно настроить геотаргетинг. Google идентифицирует IP пользователя и подставляет регион в заголовок.


Для настройки добавляем в таблицу набора данных столбец с атрибутом Target location.


Использование атрибутов таргетинга не ограничивается гео. Например, можно указать тип таргетинга, который применяется к местоположениям (Target location restriction), задать тип соответствия для ключевого слова (Target keyword match type) и т. д.


Загружаем файл в аккаунт


Сохраняем файл в формате CSV или TSV. Допустимый размер таблиц для этих форматов не более 500 Мб. Если ваша таблица весит до 50 Мб, допускается формат XLS или XLSX.


Заходим в аккаунт, открываем Инструменты и настройки и выбираем Коммерческие данные.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Нажимаем + и выбираем Данные модификаторов объявлений.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Даем название набору данных. Выбираем файл и нажимаем Применить. Всё мы создали набор данных для модификаторов.


Добавляем модификаторы в тексты объявлений


Для добавления модификатора в меню выбираем Модификатор объявлений.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Мы хотим, чтобы в заголовке выводилось название модели товара и его цена. Для этого после фигурной скобки ставим знак = и без пробела указываем название набора данных.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

В появившемся списке выбираем имя атрибута. Нас интересует атрибут Model.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

После сохранения в объявлении пользователи увидят название модели товара и его цену.


Как прокачать объявления с помощью модификаторов Google Ads [5 примеров]

Проверьте, как работает модификатор после встраивания. Если он выводит некорректные данные, проверьте фид.


Несколько полезных ссылок по работе с объявлениями:


Подробнее..

Из песочницы Не обман, а идеальная презентация чему мы можем научиться у телемагазина на диване?

18.10.2020 00:04:06 | Автор: admin
Бизнесу сейчас так тяжело. Мой высокотехнологичный и классный продукт мало покупают, спрос упал. Что делать? жалуется предприниматель, который вложил большие средства в предприятие, закупил оборудование, запустил сайт. И теперь он ищет причину, почему все идет как-то не так.

Знакомая история? Мне да!

Простой пример из практики: обращается за помощью клиент, который выпускает сложный и недешевый продукт: современное оборудование или программное обеспечение. А может, просто дорогую качественную мебель, в ценнике на которую красуются пять нулей.

Расскажите, пожалуйста, о продукции, говорю я.

А что особенного я могу рассказать? Вот преимущества нашей компании, вот продукция, вот ее плюсы.

Всего пять?

Ну, еще доставка у нас бесплатная, вымучивает из себя последнее, шестое доказательство крутости товара, бизнесмен.


Почему это так не работает? Давайте разбираться.

Программное обеспечение или промышленное оборудование продукция не самая простая для понимания, поэтому нужно подробно и детально объяснить, чем же хорош именно ваш продукт, чем он отличается от продукта конкурента и как он решит проблемы будущего покупателя.

Человек, которому предлагают купить диван за 200 тысяч рублей, вряд ли является экспертом по мебели. И если ему не рассказали о том, что на самом-то деле это диван его мечты, дело плохо. Он посмотрит сайт, пролистнет информацию о преимуществах компании, откроет два-три фото и уйдет, грустя.



А теперь посмотрите, как работают с покупателями ребята из телемагазина формата на диване. Да здесь обычную терку для овощей продают так, будто это космический корабль!

Ведущий показывает терку потенциальным покупателям и каждое, даже самое незначительное ее преимущество расписывает как что-то невероятное.

Вы только посмотрите! Нашу терку можно мыть!

В студии стоят шесть экспертов, представляющих целевую аудиторию. Это сообщение приводит их в восторг.

Мыть? Вау, вот это да, здорово! восклицают гости, как будто прямо на их глазах было сделано научное открытие.

Да, представляете, она еще и многоразовая, кивает ведущий. А еще эту терку можно поставить на стол, и она не упадет!

Да вы что??? Никогда такого не видели! дружно ахают все шестеро.

На ней можно тереть не только овощи! А еще и фрукты! Смотрите, вот мы сейчас натрем целое яблоко! У терки еще много классных функций. Вы можете тереть мелко, можете крупно, а можете ломтиками! Только представьте, какие полезные салаты вы можете теперь готовить!

Круууто! вопит вся студия.

А еще у терки оранжевая ручка, видите, какая она яркая? Теперь вам не придется искать терку по всей кухне, вы ее сразу увидите! Даже в темноте!

Охххх, млеют зрители, как мы без этого жили?




Вас обманули? Нет!

Терка стоит на столе ровно, у нее оранжевая ручка и четыре грани с разными типами насечек? Все честно. Но вам упаковали и преподнесли ее так, что теперь эту терку невозможно не купить. Это царь-терка. Это та самая терка, о которой вы мечтали долгие годы. Теперь вы понимаете, что все ваши старые терки неудобные и неправильные. Вы уже рисуете в голове картинку, как вот этими самыми руками с помощью чудесной и функциональной терки вы готовите 20 новых полезных салатов. Вы уже мысленно похудели на 5 кг.

Не спешите пренебрежительно усмехаться: телемагазины творят с потенциальными покупателями настоящие чудеса. Многим предпринимателям стоит у них поучиться.

Чему?

Убедительно презентовать свой продукт, особенно если он сложный и дорогой. Исходить из нужд и проблем целевой аудитории, рассказывать о тех плюсах, о которых клиент даже не догадывается.

Например, рекламируя свои услуги, я отдельной строкой выделяю важное преимущество: Я работаю на вашем аккаунте или делаю новый и передаю вам. Многие клиенты, обращаясь ко мне, впервые слышат, что большинство агентств работают на своих аккаунтах. И при попытке разорвать с ними отношения, они не отдадут аккаунт клиенту и не дадут к нему доступ. И это будет большой болью для предпринимателя.

image

Чему еще можно поучиться у продавцов из телемагазина? Преподносить преимущества товара так, чтобы покупатель мог мысленно нарисовать в голове картинку: Вот я, вот этот классный продукт, вот так он меняет мою жизнь к лучшему.

А как делают некоторые предприятия? Вместо того, чтобы отталкиваться от нужд клиента, начинают забивать ему голову избыточной информацией о достоинствах компании, о своих достижениях. О продукте пишут общими фразами: вес, выгодная цена, цвет. Поднатужатся и добавят: Для всей семьи. Еще поднатужатся, и выйдет изумительное: Почувствуйте обаяние успеха. Что должен при этом представить покупатель, как выглядит обаяние успеха? Как ему поможет этот продукт, что покупка этого дивана или компьютера изменит в его жизни? Непонятно.

У одного крупного бизнесмена я подслушал такое выражение предпринимательская импотенция. Когда предприниматель говорит: Сделайте все за меня, сделайте мне трафик вот это и есть предпринимательская пассивность (смягчу этот термин). Увеличение трафика не решит все проблемы, люди не будут покупать товар, который им презентуют кое-как.



Я рекомендую некоторым бизнесменам снять виртуальную корону, которая мешает взглянуть на вещи проще, и все же посмотреть, как упаковывают товар в телемагазинах. Там можно найти миллион интересных решений для презентации своего продукта: смотрите, учитесь и приходите со своими идеями.
Подробнее..

Категории

Последние комментарии

  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2024, personeltest.ru