根據eMarketer的市場預測數據,預計到2021年,全球網絡零售市場規模超過4.8萬億美元,占全球零售市場規模達17.5%。作為全球電商的核心載體,電商平臺已經在全球200多個國家和地區落地,成為當地消費市場最主要的參與者和建設者,并不斷涌現出各種垂直和綜合類的電商平臺。
眾所周知,效果營銷是眾多電商企業獲取高質量用戶的重要渠道之一。電商廣告主每個月會有大量的預算花費在營銷推廣上,但在實際的投放過程中,經常會出現經費浪費、預算超支、投資回報失衡等情況。因此,如何提高效果營銷的投資回報率(以下簡稱 “ROI”)是眾多電商廣告主面臨的主要痛點之一。
經過大量的模型訓練與效果測試,易點天下深度解決方案Predicted Payer正式上線。該方案利用深度學習,根據用戶個人資料和瀏覽行為,預測訪問者轉化的可能性,并將其應用到實際的廣告投放過程中,提高廣告投放的效率。
系統設計
Predicted Payer系統基于Google Cloud Platform(以下簡稱“GCP”)進行系統構架,在設計過程中使用了GCP中的四個組件,分別是BigQuery、Compute Engine、Storage和AutoML Tables。
BigQuery:用于行為數據的存儲、查詢和分析;
Compute Engine:用于實現特征抽取和訓練樣本的構造;
Storage:用于中間過程的數據存儲;
AutoML Tables:用于自動化深度學習模型訓練。
首先,基于Google Analytics360(以下簡稱“GA360”)收集的用戶在客戶網站的個人資料和瀏覽行為,利用AutoML訓練深度學習模型;其次,系統每日會基于網站內新產生的用戶行為數據運行“預測模塊”,對每個用戶進行深度評估,并基于幾百種的行為信號,預測其在未來14天內發生有效轉化的可能性;最后,利用Google Ads找到即將付款的用戶,對這類用戶進行再營銷,促進其盡快完成轉化;。
數據采集
Predicted Payer系統通過GA360收集并分析用戶在客戶網站上的行為數據,并對用戶的行為軌跡進行統計分析,從而獲得用戶的狀態參數和行為參數。其中,狀態參數包括用戶的基本信息、瀏覽器版本、手機平臺、國際地理位置等,行為參數包括用戶當天的行為統計、用戶訪問過的列表頁以及用戶是否有加入購物車的行為等。
我們從記錄用戶的338個維度中,提取出267個能夠決定用戶是否購買的特征,進行進一步的模型訓練。
模型訓練
AutoML Table是由Google開發的一款自動化的機器學習產品,能夠對結構化數據自動構建和部署先進的機器學習模型,底層對Tensorflow等框架和組建進行集成,大大節省了工程開發時間和難度,讓數據科學家可以更加專注于具體的業務場景之中。
如下圖所示,我們使用了客戶網站2個月的數據進行模擬訓練,模擬訓練的樣本超過200萬條。
效果測試
上圖闡述了基于機器學習預測系統Predicted Payer與Google Ads廣告投放平臺結合的工作原理。左側為基于TensorFlow機器學習的Predicted Payer預測系統,右側為Google Ads系統。該系統通過數據收集、數據清理、數據分析、數據預測等過程,為客戶篩選出最具價值用戶,擴大了向Google Ads輸送的種子人群數量,大大縮短了從用戶轉化發生的效果回饋時間,從而有效的提升了Google Ads機器學習和廣告投放的效果。
目前,Predicted Payer深度解決方案已幫助電商廣告主在實際的投放過程中受益。我們將用戶按照預測出來的等級進行分段受眾測試,在CTR差不多的情況下,預測出得分最高的分組比最低的分組效果足足提升了5倍;使用分段受眾疊加以預測結果為廣告優化目標的場景,能夠為客戶帶來40%~60%的CPA提升!