亚马逊也玩“618”大促!暴乱之下的这些产品卖爆了!
根据eMarketer的市场预测数据,预计到2021年,全球网络零售市场规模超过4.8万亿美元,占全球零售市场规模达17.5%。作为全球电商的核心载体,电商平台已经在全球200多个国家和地区落地,成为当地消费市场最主要的参与者和建设者,并不断涌现出各种垂直和综合类的电商平台。
众所周知,效果营销是众多电商企业获取高质量用户的重要渠道之一。电商广告主每个月会有大量的预算花费在营销推广上,但在实际的投放过程中,经常会出现经费浪费、预算超支、投资回报失衡等情况。因此,如何提高效果营销的投资回报率(以下简称 “ROI”)是众多电商广告主面临的主要痛点之一。
经过大量的模型训练与效果测试,易点天下深度解决方案Predicted Payer正式上线。该方案利用深度学习,根据用户个人资料和浏览行为,预测访问者转化的可能性,并将其应用到实际的广告投放过程中,提高广告投放的效率。
01系统设计
Predicted Payer系统基于Google Cloud Platform(以下简称“GCP”)进行系统构架,在设计过程中使用了GCP中的四个组件,分别是BigQuery、Compute Engine、Storage和AutoML Tables。
BigQuery
用于行为数据的存储、查询和分析
Compute Engine
用于实现特征抽取和训练样本的构造
Storage
用于中间过程的数据存储
AutoML Tables
用于自动化深度学习模型训练
首先,基于Google Analytics360(以下简称“GA360”)收集的用户在客户网站的个人资料和浏览行为,利用AutoML训练深度学习模型;
其次,系统每日会基于网站内新产生的用户行为数据运行“预测模块”,对每个用户进行深度评估,并基于几百种的行为信号,预测其在未来14天内发生有效转化的可能性;
最后,利用Google Ads找到即将付款的用户,对这类用户进行再营销,促进其尽快完成转化;。
02数据采集
Predicted Payer系统通过GA360收集并分析用户在客户网站上的行为数据,并对用户的行为轨迹进行统计分析,从而获得用户的状态参数和行为参数。
其中,状态参数包括用户的基本信息、浏览器版本、手机平台、国际地理位置等,行为参数包括用户当天的行为统计、用户访问过的列表页以及用户是否有加入购物车的行为等。
我们从记录用户的338个维度中,提取出267个能够决定用户是否购买的特征,进行进一步的模型训练。
03模型训练
AutoML Table是由Google开发的一款自动化的机器学习产品,能够对结构化数据自动构建和部署先进的机器学习模型,底层对Tensorflow等框架和组建进行集成,大大节省了工程开发时间和难度,让数据科学家可以更加专注于具体的业务场景之中。
如下图所示,我们使用了客户网站2个月的数据进行模拟训练,模拟训练的样本超过200万条。
04效果测试
上图阐述了基于机器学习预测系统Predicted Payer与Google Ads广告投放平台结合的工作原理。左侧为基于TensorFlow机器学习的Predicted Payer预测系统,右侧为Google Ads系统。
该系统通过数据收集、数据清理、数据分析、数据预测等过程,为客户筛选出最具价值用户,扩大了向Google Ads输送的种子人群数量,大大缩短了从用户转化发生的效果回馈时间,从而有效的提升了Google Ads机器学习和广告投放的效果。
目前,Predicted Payer深度解决方案已帮助电商广告主在实际的投放过程中受益。
我们将用户按照预测出来的等级进行分段受众测试,在CTR差不多的情况下,预测出得分最高的分组比最低的分组效果足足提升了5倍;使用分段受众叠加以预测结果为广告优化目标的场景,能够为客户带来40%~60%的CPA提升!