آرتور خاچویان متخصص مشهور روسی در پردازش کلان داده، بنیانگذار شرکت Social Data Hub (در حال حاضر Tazeros Global) است. شریک دانشکده عالی اقتصاد دانشگاه تحقیقات ملی. لایحهای را به همراه دانشکده عالی اقتصاد دانشگاه تحقیقات ملی در شورای فدراسیون تهیه و ارائه کرد. در Red Apple, International OpenDataDay, RIW 2016, AlfaFuturePeople.
این سخنرانی در جشنواره فضای باز "Geek Picnic" در مسکو در سال 2019 ضبط شد.
آرتور خاچویان (از این پس - ق): - اگر از تعداد زیادی صنایع - از پزشکی، از ساخت و ساز، از چیزی، چیزی، یکی را انتخاب کنید که در آن فناوری داده های بزرگ، یادگیری ماشینی، یادگیری عمیق بیشتر استفاده می شود، پس احتمالاً این بازاریابی است. زیرا در سه یا چند سال گذشته، همه چیزهایی که در نوعی ارتباطات تبلیغاتی ما را احاطه کرده است، اکنون دقیقاً به تجزیه و تحلیل داده ها و دقیقاً به چیزی که می توان آن را هوش مصنوعی نامید گره خورده است. بنابراین، امروز من در این مورد از تاریخ بسیار دور به شما خواهم گفت ...
اگر هوش مصنوعی و ظاهر آن را تصور کنید، احتمالاً چیزی شبیه به آن است. تصویر عجیب یکی از شبکه های عصبی است که من یک سال پیش نوشتم تا وابستگی سگ من را پیدا کنم - چند بار باید بزرگ شود، کوچک شود، و به طور کلی چگونه به مقدار خوردن او بستگی دارد. یا نه؟ . این یک شوخی در مورد چگونگی تصور هوش مصنوعی است.
اما با این حال، بیایید به این فکر کنیم که چگونه همه چیز در ارتباطات تبلیغاتی کار می کند. سه راه وجود دارد که الگوریتم های مدرن در تبلیغات و بازاریابی می توانند با ما تعامل داشته باشند. واضح است که داستان اول با هدف به دست آوردن و استخراج اطلاعات اضافی درباره من و شما و سپس استفاده از آن برای اهداف خوب و نه چندان خوب است. شخصی سازی رویکرد برای هر فرد خاص؛ طبیعتاً پس از این، برای انجام عمل هدف اصلی و انجام یک فروش معین، تقاضای خاصی ایجاد کنید.
آنها با استفاده از فناوری سعی در حل مشکل ارتباط موثر دارند
اگر به شما بگویم در مورد آنچه پورن هاب و ام. ویدئو، به چه چیزی فکر می کنید؟
نظرات مخاطبان (از این پس C نامیده می شود): - تلویزیون، مخاطب.
اوه: - مفهوم من این است که این دو مکان هستند که مردم برای نوع خاصی از خدمات می آیند، یا بگذارید آن را نوع خاصی از کالا بنامیم. و این مخاطب از این جهت متفاوت است که نمی خواهد چیزی به فروشنده بگوید. او می خواهد وارد شود و آنچه را که به آن علاقه دارد به شکلی صریح یا ضمنی بدست آورد. طبیعتاً کسی به M. ویدیو» نمی خواهد با هیچ فروشنده ای ارتباط برقرار کند، نمی خواهد بفهمد، نمی خواهد به هیچ یک از سؤالات آنها پاسخ دهد.
بنابراین، داستان اول از همه اینها نتیجه می گیرد.
هنگامی که فناوری هایی برای به دست آوردن دانش اضافی ظاهر شد تا به نحوی از برقراری ارتباط با شخص جلوگیری شود. همه ما دوست داریم وقتی با بانک تماس می گیریم و بانک به ما می گوید: «سلام. الکسی، شما مشتری VIP ما هستید. حالا یک مدیر فوق العاده با شما صحبت خواهد کرد." شما به این بانک می آیید و واقعاً یک مدیر منحصر به فرد وجود دارد که می تواند با شما صحبت کند. متأسفانه یا خوشبختانه، حتی یک شرکت هنوز متوجه نشده است که چگونه هزار مدیر شخصی را برای هزار مشتری استخدام کند. و از آنجایی که اکثر این افراد اکنون آنلاین هستند، وظیفه این است که قبل از اینکه به منابع تبلیغاتی بیاید، درک کنید که این چه نوع فردی است و چگونه می توان با او به درستی ارتباط برقرار کرد. و بنابراین، در واقع، فناوری هایی ظاهر شده اند که سعی در حل این مشکل دارند.
استخراج داده ها نفت جدید است
بیایید تصور کنیم که شما صاحب یک غرفه گل هستید. سه نفر به دیدن شما می آیند. اولی خیلی طولانی می ایستد، مردد می شود، سعی می کند با شما صحبت کند، نوعی دسته گل می گیرد - شما می روید آن را بپیچید، بیرون می روید تا آنجا کاری انجام دهید. او با این دسته گل از غرفه فرار می کند - شما سه هزار روبل خود را از دست داده اید. چرا این اتفاق افتاد؟ شما هیچ چیز در مورد این شخص نمی دانید: شما سابقه دستگیری او در وزارت امور داخلی را نمی دانید، نمی دانید که او یک دزدگیر است و در یک درمانگاه روانپزشکی ثبت شده است. چرا؟ زیرا شما برای اولین بار آن را دیدید و یک تحلیلگر رفتاری نیستید.
یکی دیگر می آید... ویتالی. ویتالی هم خیلی طول می کشد تا آن را بفهمد، او می گوید: "خب، من به این و آن نیاز دارم." و شما به او می گویید "گل برای مادر، درست است؟" و شما یک دسته گل به او می فروشید.
مفهوم در اینجا یافتن داده های کافی برای درک آنچه که شخص واقعاً به آن نیاز دارد، است. همه بلافاصله به فکر نوعی شبکه های تبلیغاتی و غیره افتادند...
همه احتمالاً بیش از یک بار این عبارت احمقانه را شنیده اند که "داده ها روغن جدید هستند"؟ حتما همه شنیده اند. در واقع، افراد مدتها پیش جمعآوری دادهها را آموختند، اما استخراج دادهها از این دادهها وظیفهای است که هوش مصنوعی در بازاریابی یا نوعی الگوریتمهای آماری اکنون سعی در حل آن دارد. چرا؟ زیرا اگر با فردی صحبت کنید، او می تواند به شما پاسخ درست، غلط یا به نوعی رنگی بدهد. شوخی که من به دانش آموزانم می گویم این است که نظرسنجی ها با آمار تفاوت دارند. این را به عنوان یک حکایت به شما می گویم:
این بدان معناست که در دو روستا تصمیم گرفتند در مورد میانگین طول مردان مطالعه کنند. این به این معنی است که در روستای اول، ویلاریبو، طول متوسط 15 سانتی متر است، در روستای ویلاباجو - 25. آیا می دانید چرا؟ زیرا در روستای اول اندازه گیری ها و در روستای دوم بررسی انجام شد.
صنعت پورن گل سرسبد سیستم های توصیه است
به همین دلیل است که رویکرد مدرن این است که همه افراد را بدون استثنا تجزیه و تحلیل کنیم، حتی اگر کمی کمتر از 100٪ باشند، اما اینها افرادی هستند که لازم نیست از آنها بپرسید، لازم نیست به آنها نگاه کنید. کافی است آنچه را که اکنون ردپای دیجیتال نامیده می شود تجزیه و تحلیل کنیم تا بفهمیم این شخص به چه چیزی نیاز دارد، چگونه با او به درستی صحبت کند، چگونه به درستی تقاضا در اطرافش ایجاد کند. از یک طرف، این یک ماشین بی فکر است (اما من و شما این را به خوبی می دانیم). ما نمی خواهیم با افرادی از M ارتباط برقرار کنیم. ویدئو، و حتی بیشتر از آن، وقتی به منابعی مانند Pornhub می رویم، می خواهیم دقیقاً آنچه را که نیاز داریم به دست آوریم.
چرا من همیشه در مورد Pornhub صحبت می کنم؟ زیرا صنعت بزرگسالان اولین کسی است که به تجزیه و تحلیل چنین فناوریهایی، به اجرای چنین فناوریهایی، به تجزیه و تحلیل دادهها میپردازد. اگر سه کتابخانه محبوب در این زمینه را انتخاب کنید (به عنوان مثال، TensorFlow یا Pandas برای Python، برای پردازش فایلهای CSV و غیره)، اگر آن را در Github باز کنید، با یک گوگل کوتاه از همه این نامها، یک چند نفری که یا در شرکت Pornhub کار می کردند یا در حال حاضر کار می کردند و اولین کسانی بودند که سیستم های توصیه را در آنجا پیاده سازی کردند. در کل این داستان خیلی پیشرفته است و نشان می دهد که چقدر این مخاطب، چقدر این شرکت جلو رفته است.
سه سطح شناسایی
مجموعه عظیمی از داده ها در اطراف یک فرد وجود دارد که می توان آنها را شناسایی کرد. من معمولاً به طور رسمی این را به سه سطح تقسیم می کنم، عمیق تر و عمیق تر. طبیعتاً این شرکت داده های خاص خود را دارد.
اگر مثلاً در مورد ساختن یک سیستم توصیه صحبت می کنیم، اولین سطح داده هایی است که در خود فروشگاه قرار دارد (سابقه خرید، انواع تراکنش ها، نحوه تعامل شخص با رابط).
بعد یک سطح وجود دارد (نسبتاً بزرگترین) - این همان چیزی است که به آن منابع باز می گویند. فکر نکنید که من شما را تشویق میکنم شبکههای اجتماعی را پاک کنید، اما در واقع، آنچه در منابع باز موجود است مجموعه عظیمی از دادهها را باز میکند که مثلاً میتوانید درباره یک شخص یاد بگیرید.
و سومین قسمت عمده محیط خود این شخص است. بله، این عقیده وجود دارد که اگر شخصی در شبکه های اجتماعی نباشد، هیچ اطلاعاتی در مورد او وجود ندارد (احتمالاً قبلاً می دانید که این درست نیست) اما مهمترین چیز این است که داده هایی که در نمایه یک شخص وجود دارد (یا در برخی کاربردها) تنها 40 درصد دانشی است که می توان در مورد آن به دست آورد. بقیه اطلاعات از محیط او به دست می آید. عبارت «به من بگو دوستت کیست و من به تو می گویم کی هستی» در قرن بیست و یکم معنای جدیدی به خود می گیرد، زیرا می توان حجم عظیمی از داده ها را در مورد آن شخص به دست آورد.
اگر به ارتباطات تبلیغاتی نزدیکتر صحبت کنیم، دریافت ارتباطات تبلیغاتی نه از طریق تبلیغات، بلکه از طرف دوست، آشنا یا شخص تأیید شده یک ویژگی بسیار جالب است که بسیاری از بازاریابان از آن استفاده میکنند. هنگامی که یک برنامه به طور ناگهانی یک کد تبلیغاتی رایگان به شما می دهد، شما یک پست در مورد آن ایجاد می کنید و در نتیجه مخاطب جدیدی را جذب می کنید. در واقع، این کد تبلیغاتی برای "Yandex.Taxi" شرطی به طور تصادفی انتخاب نشده است، اما برای این کار، حجم عظیمی از داده ها در مورد پتانسیل شما برای جذب مخاطب جدید و به نوعی تعامل با آنها تجزیه و تحلیل شد.
حتی رفتار شخصیت های سریال های تلویزیونی را تحلیل می کنند
من سه تصویر را به شما نشان می دهم و شما به من بگویید که تفاوت آنها در چیست.
این یکی:
این:
و این یکی:
چه تفاوتی بین آنها وجود دارد؟ اینجا همه چیز ساده است. همانطور که در مکانیک کوانتومی، در این مورد نیز این خلاقیت توسط ناظر شکل گرفت. یعنی تفاوت در کمپین تبلیغاتی یکسانی که توسط یک برند در همان زمان انجام می شود، تنها در این است که چه کسی این خلاقیت را تماشا کرده است. من شخصاً وقتی به Amediateka می روم هنوز Khal Drogo را نشان می دهند. من نمی دانم Amediateka در مورد ترجیحات من چه فکر می کند، اما به دلایلی این اتفاق می افتد.
آنچه امروزه ارتباطات شخصی نامیده می شود، محبوب ترین داستان جذب مخاطب و تعامل صحیح با آن است. اگر در مرحله اول افرادی را با استفاده از داده های برند خود، داده های منبع باز و به عنوان مثال داده های محیط این شخص شناسایی کنیم، پس از تجزیه و تحلیل او می توانیم بفهمیم که او کیست، چگونه با او به درستی صحبت کنیم و مهمتر از همه. با چه زبانی صحبت می کند با او صحبت کنید.
در اینجا تکنولوژی آنقدر پیش رفته است که شخصیت های سریال های تلویزیونی که مردم تماشا می کنند اکنون در حال تحلیل هستند. یعنی شما سریالهای تلویزیونی را دوست دارید - آنها [لایکها] تماشا میشوند، آنها نگاه میکنند که شما با چه کسی در آنجا تعامل داشتهاید، تا بفهمند چه نوع فردی برای تعامل شما مناسب است. کاملا مزخرف به نظر می رسد، اما فقط برای سرگرمی، آن را در یکی از منابع امتحان کنید - افراد مختلف خلاقیت های مختلفی را می بینند (به منظور تعامل صحیح با آن).
هیچ رسانه مدرن یا هیچ منبع ویدیویی فقط برخی اخبار را به شما نشان نمی دهد. به رسانه بروید - تعداد زیادی الگوریتم بارگذاری شده است که شما را شناسایی می کند، تمام فعالیت های قبلی شما را درک می کند، به مدل ریاضی جذابیت می دهد و سپس چیزی به شما نشان می دهد. در این مورد، چنین داستان عجیبی وجود دارد.
نیازها چگونه تعیین می شوند؟ روان سنجی. فیزیولوژی
رویکردهای (واقعی) زیادی برای تعیین نیازهای واقعی یک فرد و نحوه برقراری ارتباط صحیح با آنها وجود دارد. رویکردهای زیادی وجود دارد، همه چیز متفاوت حل می شود، نمی توان گفت کدام خوب است و کدام بد. به نظر می رسد اصلی ها همه چیز را می دانند.
روان سنجی. بعد از ماجرای کمبریج آنالیتیکس، به نظر من، یک نوع چرخش تکان دهنده به خود گرفت، زیرا هر دومین شرکت سیاسی اکنون می آید و می گوید: «اوه، می توانید مرا مانند ترامپ کنید؟ من هم می خواهم برنده شوم و غیره.» در واقع، این البته برای واقعیت های ما، مثلاً انتخابات سیاسی، مزخرف است. اما برای تعیین سایکوتایپ ها از سه مدل استفاده می شود:
- اولی بر اساس محتوایی است که مصرف می کنید - کلماتی که می نویسید، برخی اطلاعاتی که دوست دارید، فیلم ها و غیره.
- دومی به نحوه تعامل شما با رابط وب، نحوه تایپ کردن، دکمههایی که فشار میدهید مرتبط است - در واقع، شرکتهای کاملی هستند که بر اساس دستخط صفحهکلید خود، میتوانند کاملاً قابل اعتماد آنچه را که اکنون رواننویس نامیده میشود، تعیین کنند.
- من خیلی روانشناس نیستم، من واقعاً نمی دانم چگونه کار می کند، اما از نظر ارتباطات تبلیغاتی، مخاطبانی که به این بخش ها تقسیم می شوند بسیار خوب کار می کنند، زیرا به کسی نیاز است که یک صفحه قرمز با رنگ آبی نشان داده شود. خانم، کسی باید یک پسزمینه آبی با صفحه تیره با نوعی انتزاع نشان داده شود، و این کار بسیار عالی است. در برخی از سطوح پایین - آنقدر که شخص حتی به آن فکر نمی کند. در حال حاضر مشکل اصلی در بازار تبلیغات چیست؟ همه یک مامور اطلاعاتی هستند، همه پنهان می شوند، همه یک میلیون هزار مجوز مرورگر نصب کرده اند، تا به هیچ وجه شناسایی نشوند - احتمالا "Adblocks"، "Gostrey" و انواع برنامه هایی دارید که ردیابی را مسدود می کنند. به همین دلیل، درک چیزی در مورد یک شخص بسیار دشوار است. و تکنولوژی حرکت کرده است - شما نه تنها باید بدانید که این شخص برای صد و بیست و پنجمین بار به سایت شما بازگشته است، بلکه باید بدانید که او نیز فلان شخص عجیب و غریب است.
فیزیوگنومی یک علم بسیار بحث برانگیز است. حتی علم هم محسوب نمی شود. این گروهی از افرادی هستند که قبلاً برای برخی از وزارت امور داخله دستگاه های دروغ سنج را برنامه ریزی می کردند و اکنون به چیزی که به آن شخصیت خلاقیت می گویند مشغول هستند. رویکرد در اینجا بسیار ساده است: چندین عکس عمومی شما از برخی شبکه های اجتماعی گرفته شده است و هندسه سه بعدی از آنها ساخته شده است. و اگر وکیل هستید، اکنون خواهید گفت که این یک شخص و اطلاعات شخصی است. اما من به شما می گویم که اینها 300 هزار نقطه در فضا هستند و این یک شخص نیست و اطلاعات شخصی نیست. این چیزی است که همه معمولاً وقتی Roskomnadzor به آنها مراجعه می کنند می گویند.
اما به طور جدی، چهره شما به طور جداگانه، اگر نام و نام خانوادگی شما در آنجا امضا نشده باشد، اطلاعات شخصی شما نیست. نکته این است که بچه ها ویژگی های مختلف صورت را مشخص می کنند که بر نحوه تصمیم گیری فرد و نحوه تعامل صحیح با او تأثیر می گذارد. در برخی از مناطق این کار ضعیف است، در برخی از بخش های تبلیغاتی. در کدام بخش ها بسیار خوب کار می کند. در پایان، معلوم می شود که وقتی به منبعی می روید، نه فقط یک بنر را می بینید که به همه نشان داده می شود، بلکه مثلاً... حالا طبیعی است که 16 یا 20 گزینه برای مخاطبان مختلف ایجاد کنید - و کار می کند. خیلی باحال بله، این از دیدگاه مصرف کننده غم انگیزتر است، زیرا مردم بیشتر و بیشتر شروع به دستکاری می کنند. اما با این وجود، از نقطه نظر تجاری بسیار خوب کار می کند.
جعبه سیاه یادگیری ماشین
این موضوع باعث ایجاد مشکل زیر در چنین فناوریهایی میشود: از این گذشته، برای اکثر توسعهدهندگان در حال حاضر چیزی که یادگیری عمیق نامیده میشود «جعبه سیاه» است. اگر تا به حال در این داستان غوطه ور شده اید و با توسعه دهندگان صحبت کرده اید، آنها همیشه می گویند: "اوه، گوش کن، خوب، ما چیزی بسیار نامفهوم را آنجا کدگذاری کرده ایم، و نمی دانیم چگونه کار می کند." شاید برای کسی این اتفاق افتاده باشد.
این در واقع دور از واقعیت است. چیزی که امروزه یادگیری ماشینی نامیده میشود، با یک «جعبه سیاه» فاصله زیادی دارد. روشهای زیادی برای توصیف دادههای ورودی و خروجی وجود دارد، و در پایان شرکت میتواند بهطور کامل بفهمد که دستگاه بر اساس چه نشانههایی تصمیم گرفته است این ویدیوی پورنوگرافی یا ویدیوی دیگر را به شما نشان دهد. سوال این است که هیچ یک از شرکت ها هرگز این را فاش نمی کنند، زیرا: اولا، این یک راز تجاری است. ثانیا، حجم عظیمی از داده ها وجود خواهد داشت که شما حتی در مورد آنها نمی دانستید.
به عنوان مثال، قبل از این، در یک بحث در مورد اخلاق، نحوه تجزیه و تحلیل شبکه های اجتماعی پیام های شخصی را برای تگ کردن افراد در نوعی استوری های تبلیغاتی مورد بحث قرار دادیم. اگر چیزی برای کسی بنویسید، بر این اساس یک برچسب خاص برای، در واقع، نوعی ارتباطات تبلیغاتی دریافت می کنید. و شما هرگز آن را ثابت نخواهید کرد و احتمالاً هیچ فایده ای برای اثبات آن وجود ندارد. با این حال، اگر الگوهای مشابه آشکار می شد، آنها وجود داشتند. به نظر می رسد که بازار برای ساخت چنین سیستم های توصیه کننده وانمود می کند که نمی داند چرا این اتفاق افتاده است.
مردم نمی خواهند بدانند مردم در مورد آنها چه می دانند
و داستان دوم این است که مشتری هرگز نمی خواهد بداند که چرا این تبلیغ خاص، این محصول خاص را دریافت کرده است. من این داستان را برای شما تعریف می کنم. اولین تجربه من در پیاده سازی تجاری سیستم های توصیه بر اساس الگوریتم های مشابه دقیقاً به منظور تحقیق در سال 2015 در یک شبکه بسیار بزرگ از فروشگاه های جنسی بود (بله، همچنین یک داستان به خصوص ناخوشایند نیست).
به مشتریان موارد زیر پیشنهاد شد: آنها وارد می شوند، با شبکه اجتماعی خود وارد می شوند و پس از حدود 5 ثانیه یک فروشگاه کاملاً شخصی برای آنها دریافت می کنند، یعنی همه محصولات تغییر کرده اند - آنها در یک دسته بندی خاص قرار می گیرند و غیره . آیا می دانید نرخ تبدیل این فروشگاه چقدر افزایش یافته است؟ نه به هیچ وجه! مردم وارد شدند و بلافاصله از آن فرار کردند. آنها وارد شدند و متوجه شدند که دقیقاً همان چیزی را که فکر می کردند به آنها پیشنهاد شد ...
مشکل این تست این بود که در زیر هر محصول نوشته شده بود که چرا آن محصول خاص به شما پیشنهاد شده است ("زیرا شما عضو گروه پنهان "زن قدرتمند به دنبال مردی است که حصیر در خانه باشد"). بنابراین، سیستم های توصیه مدرن هرگز داده هایی را که بر اساس آن "پیش بینی" انجام شده است، نشان نمی دهند.
یک داستان بسیار محبوب رسانه ها هستند زیرا همه آنها از سیستم های توصیه کننده مشابه استفاده می کنند. قبلاً، الگوریتمها بسیار ساده بودند: به دسته «سیاست» نگاه کنید - و اخباری را از دسته «سیاست» به شما نشان میدهند. اکنون همه چیز آنقدر پیچیده است که آنها مکان هایی را که ماوس را متوقف کرده اید، روی چه کلماتی تمرکز کرده اید، چه چیزی کپی کرده اید، و به طور کلی چگونه با این صفحه ارتباط برقرار کرده اید، تجزیه و تحلیل می کنند. سپس واژگان خود پیامها را تحلیل میکند: بله، شما فقط اخبار پوتین را نمیخوانید، بلکه به شیوهای خاص، با رنگهای احساسی خاصی. و وقتی کسی اخباری دریافت می کند، حتی به این فکر نمی کند که چگونه به اینجا آمده است. با این وجود، او سپس با این محتوا تعامل می کند.
همه اینها، طبیعتا، با هدف حفظ مرد کوچک بدبخت و بدبختی است که در حال حاضر دیوانه می شود، از حجم عظیمی از اطلاعاتی که در اطراف او وجود دارد. در اینجا باید گفت که استفاده از چنین سیستم هایی برای شخصی سازی افراد خلاق اطراف و جمع آوری برخی اطلاعات خوب است، اما متاسفانه هنوز چنین خدماتی وجود ندارد.
هوش مصنوعی مشتری را در هوا می گیرد و تقاضا ایجاد می کند
و در اینجا یک سوال فلسفی بسیار جالب مطرح می شود، حرکت از ایجاد یک سیستم توصیه به ایجاد تقاضا. به ندرت کسی در مورد آن فکر می کند، اما وقتی سعی می کنید از به اصطلاح اینستاگرام بپرسید: «چرا داده جمع آوری می کنید؟ چرا تبلیغات کاملا تصادفی را به من نشان نمیدهید؟» - اینستاگرام به شما میگوید: «دوست، همه این کارها برای نشان دادن دقیقاً آنچه برای شما جالب است انجام میشود.» مثلاً، ما میخواهیم شما را آنقدر دقیق بشناسیم که بتوانیم دقیقاً به دنبال چه چیزی هستید، به شما نشان دهیم.
اما فناوری مدتهاست که از این آستانه وحشتناک عبور کرده است و فناوریهای مشابه دیگر نیازهای شما را پیشبینی نمیکنند. آنها (توجه!) تقاضا ایجاد می کنند. این احتمالاً ترسناک ترین چیزی است که در چنین ارتباطاتی حول محور هوش مصنوعی می چرخد. نکته ترسناک این است که تقریباً در همه جا برای 3-5 سال گذشته استفاده شده است - از نتایج جستجوی Google گرفته تا نتایج جستجوی Yandex و برخی از سیستمها... بسیار خوب، من چیز بدی در مورد Yandex نمیگویم. و خوب
چه فایده ای دارد؟ مدت زیادی است که چنین ارتباطات تبلیغاتی از استراتژی که شما می نویسید «می خواهم صندلی کودک بخرم» و صد هزار میلیون نشریه می بینید، فاصله گرفته است. آنها به موارد زیر ادامه دادند: به محض اینکه زن عکسی با شکم به سختی قابل مشاهده منتشر کرد، بلافاصله پیام هایی به دنبال همسرش می رفت: "ای مرد، به زودی تولد در راه است. صندلی کودک بخر».
در اینجا، ممکن است به طور منطقی بپرسید، چرا با چنین پیشرفت های عظیم در فناوری، ما همچنان شاهد چنین تبلیغات مزخرفی در شبکه های اجتماعی هستیم؟ مشکل این است که در این بازار همه چیز هنوز با پول تعیین می شود، بنابراین یک لحظه خوب ممکن است تبلیغ کننده ای مانند کوکاکولا بیاید و بگوید: "اینم 20 میلیون برای شما - بنرهای مزخرف من را به کل اینترنت نشان دهید." و آنها واقعاً این کار را خواهند کرد.
اما اگر نوعی حساب تمیز ایجاد کنید و آزمایش کنید که چنین الگوریتمهایی چقدر شما را حدس میزنند: ابتدا سعی میکنند شما را حدس بزنند و سپس از قبل شروع به انجام کاری برای شما میکنند. و مغز انسان به گونه ای کار می کند که هنگام دریافت اطلاعاتی که برای او قابل اعتماد است، حتی لحظه ای که چرا این اطلاعات را دریافت کرده است، پردازش نمی کند. اولین قانون برای تعیین اینکه شما در خواب هستید این است که بفهمید چگونه به اینجا آمده اید. یک نفر هرگز لحظه ای را که در یک اتاق خاص به سر می برد به یاد نمی آورد. اینجا هم همینطوره
ممکن است گوگل شروع به شکل دادن به جهان بینی شما کند
چنین مطالعاتی توسط چندین شرکت خارجی که درگیر i-tracking هستند، انجام شد. آنها دستگاههایی را روی رایانههای مخصوص نصب کردند که مکانهایی را که چشمهای آزمودنی نگاه میکند را ضبط میکنند. من از پنج تا هفت هزار داوطلب را انتخاب کردم که به سادگی فید را اسکرول می کردند، با شبکه های اجتماعی تعامل می کردند، با تبلیغات ارتباط برقرار می کردند و اطلاعاتی را ضبط می کردند که این افراد روی کدام قسمت از بنرها و خلاقیت ها چشم پوشی کردند.
و معلوم می شود که وقتی مردم چنین خلاقیت بیش از حد شخصی را دریافت می کنند، حتی به آن فکر نمی کنند - آنها بلافاصله ادامه می دهند، شروع به تعامل با آن می کنند. از نقطه نظر تجاری، این خوب است، اما از نظر ما، به عنوان کاربران، این خیلی جالب نیست، زیرا - آنها از چه می ترسند؟ – اینکه در یک لحظه خوب، «گوگل» مشروط شروع به شکل گیری جهان بینی خود کند (یا، البته، ممکن است شروع نشود). مثلا فردا میتونه شروع کنه به مردم خبر مسطح بودن زمین.
شوخی کردم، اما آنها آنقدر گرفتار شده اند که در جریان انتخابات شروع به دادن اطلاعات خاصی به افراد خاص می کنند. همه ما به این واقعیت عادت کرده ایم که موتور جستجو همه چیز را صادقانه دریافت می کند. اما، همانطور که همیشه می گویم، اگر واقعاً می خواهید بدانید که جهان چگونه کار می کند، موتور جستجوی خود را بنویسید، بدون فیلتر، بدون توجه به کپی رایت، بدون رتبه بندی برخی از دوستان خود در نتایج جستجو. نمایش داده های واقعی در اینترنت به طور کلی با آنچه توسط گوگل، یاندکس، بینگ و غیره نشان داده می شود متفاوت است. برخی از مطالب پنهان هستند زیرا دوستان، همکاران، دشمنان یا شخص دیگری (یا یک معشوق سابق که با او همخوابیدید) - مهم نیست.
ترامپ چگونه پیروز شد
زمانی که آخرین انتخابات در آمریکا برگزار شد، یک مطالعه بسیار ساده انجام شد. آنها درخواست های یکسانی را در مکان های مختلف، از آدرس های IP مختلف، از شهرهای مختلف دریافت کردند، افراد مختلف یک چیز را در گوگل جستجو کردند. به طور متعارف، این درخواست به سبک این بود: چه کسی در انتخابات پیروز خواهد شد؟ و به طرز شگفت انگیزی، نتایج به گونه ای ساخته شد که در آن ایالت هایی که بیشترین تعداد افراد سعی در رای دادن به نامزد اشتباه داشتند، اخبار خوبی در مورد نامزدی که گوگل معرفی کرده بود دریافت کردند. کدام یک؟ خوب، مشخص است که کدام یک - همان کسی که رئیس جمهور شد. این یک داستان کاملاً غیرقابل اثبات است و تمام این مطالعات یک انگشت در آب است. گوگل می تواند بگوید: "بچه ها، همه این کارها انجام می شود تا ما مرتبط ترین محتوا را برای شما نشان دهیم."
از این به بعد، باید بدانید که چیزی که حداکثر مرتبط نامیده می شود، مطلقاً چنین نیست. این شرکت چیزی مرتبط می نامد که به دلایل خوب یا بد باید به شما فروخته شود.
کسانی که اکنون پول ندارند، از قبل برای خریدهای بعدی آماده می شوند
نکته جالب دیگری نیز در اینجا وجود دارد که در مورد آن به شما خواهم گفت. تعداد زیادی از مخاطبان فعال در حال حاضر در شبکه های اجتماعی و در اپلیکیشن ها جوانان هستند. بیایید اسمش را بگذاریم - جوانان ورشکسته: کودکان 8-9 ساله که بازی های احمقانه انجام می دهند، اینها 12-13-14 هستند که به تازگی در شبکه های اجتماعی ثبت نام می کنند. چرا شرکت های بزرگ بودجه و منابع هنگفتی را برای ایجاد برنامه های کاربردی برای مخاطبانی که پرداخت نمی کنند و هرگز کسب درآمد نمی کنند، صرف می کنند؟ در لحظه ای که این مخاطب حلال می شود، اطلاعات کافی در مورد آن وجود خواهد داشت تا رفتار آن را به خوبی پیش بینی کند.
حال از هر هدف شناس بپرسید سخت ترین مخاطب کدام است؟ خواهند گفت: بسیار سودآور است. زیرا فروش مثلاً یک آپارتمان به ارزش 150 میلیون روبل از طریق شبکه های اجتماعی تقریباً غیرممکن است. موارد منفردی وجود دارد که شما برای 10 هزار نفر یک نوع تبلیغات انجام می دهید، یکی این آپارتمان را می خرد - مشتری موفق است ... اما از نظر آماری یک در ده هزار نفر یک مزخرف است. بنابراین، چرا شناسایی مخاطبان پردرآمد دشوار است؟ زیرا افرادی که اکنون اعضای یک مخاطب بسیار سودآور هستند، زمانی متولد شدند که اینترنت هنوز بسیار کوچک بود، زمانی که هنوز کسی آرتمی لبدف را نمیشناخت و هیچ اطلاعاتی در مورد آنها وجود ندارد. پیش بینی الگوی رفتار آنها غیرممکن است، نمی توان درک کرد که رهبران عقیده آنها چه کسانی هستند و از چه منابع محتوایی دریافت می کنند.
بنابراین وقتی همه شما در 25 سال میلیاردر شوید و شرکت هایی که قرار است چیزی به شما بفروشند حجم عظیمی از داده ها را در اختیار خواهند داشت. به همین دلیل است که ما اکنون یک GDPR فوق العاده در اروپا داریم که از جمع آوری داده ها از افراد خردسال جلوگیری می کند.
به طور طبیعی، این در عمل به هیچ وجه کار نمی کند، زیرا همه بچه ها هنوز در حساب های مادر و پدر خود بازی می کنند - این نحوه جمع آوری اطلاعات است. دفعه بعد که به فرزندتان تبلت دادید، به این موضوع فکر کنید.
مطلقاً آینده ترسناک و دیستوپیایی نیست، زمانی که همه در جنگ با ماشین ها خواهند مرد - یک داستان کاملاً واقعی در حال حاضر. تعداد زیادی از شرکتها هستند که الگوریتمهایی را برای پروفایلهای روانی افراد بر اساس نحوه بازی آنها ایجاد میکنند. یک صنعت بسیار جالب بر اساس همه اینها، سپس افراد تقسیم بندی می شوند تا به نوعی با آنها ارتباط برقرار کنند.
پیش بینی رفتار این افراد در 10-15 سال - دقیقاً در لحظه ای که آنها به یک مخاطب حلال تبدیل می شوند - در دسترس خواهد بود. مهمتر از همه این است که این افراد قبلاً اجازه داده اند که داده های شخصی خود را پردازش کنند، آنها را به اشخاص ثالث منتقل کنند و همه اینها خوشحالی است و غیره.
چه کسانی شغل خود را از دست خواهند داد؟
و آخرین داستان من این است که همه همیشه می پرسند 50 سال دیگر چه می شود: همه ما می میریم، بیکاری برای بازاریاب ها پیش می آید... اینجا بازاریاب هایی هستند که نگران بیکاری هستند، درست است؟ به طور کلی، جای نگرانی نیست، زیرا هر فرد با مهارت بالا شغل خود را از دست نمی دهد.
مهم نیست که چه الگوریتم هایی ایجاد می شود، مهم نیست که چقدر ماشین به آنچه در اینجا داریم نزدیک می شود (به سرش اشاره می کند)، اگر به اندازه کافی سریع توسعه یابد، چنین افرادی هرگز بیکار نخواهند ماند، زیرا کسی باید این چیزهای خلاقانه را ایجاد کند. انجام دادن. بله، انواع و اقسام "گان ها" وجود دارند که تصاویری شبیه مردم می کشند و موسیقی می آفرینند، اما هنوز بعید است که مردم این منطقه شغل خود را از دست بدهند.
من همه چیز را با داستان دارم، بنابراین اگر بیشتر دارید می توانید سؤال کنید. متشکرم.
سرب: - دوستان، اکنون به بلوک "پرسش و پاسخ" می رویم. تو دستت را بلند می کنی - من به سمتت می آیم.
سوال از حضار (XNUMX): - سوال در مورد "جعبه سیاه". آنها گفتند که به طور خاص می توان فهمید که چرا فلان نتیجه برای فلان کاربر به دست آمده است. آیا اینها نوعی الگوریتم هستند یا باید هر بار برای هر مدل مورد تجزیه و تحلیل قرار گیرند (یادداشت نویسنده: "به ویژه برای این" - یک واحد عبارت شناسی لاتین)؟ یا آیا شبکههای آمادهای برای نوعی شبکه عصبی وجود دارد که به طور کلی میتواند منطقی برای تجارت باشد؟
اوه: - در اینجا باید موارد زیر را درک کنید: تعداد زیادی کار در یادگیری ماشین وجود دارد. به عنوان مثال، یک کار وجود دارد - رگرسیون. برای رگرسیون، به هیچ وجه به شبکه های عصبی نیاز نیست. همه چیز ساده است: شما چندین شاخص دارید، باید موارد زیر را محاسبه کنید. وظایفی وجود دارد که لازم است به چیزی مانند یادگیری عمیق متوسل شوید. در واقع، در یادگیری عمیق، درک دقیق وزن هایی که به کدام نورون ها اختصاص داده شده اند دشوار است، اما از نظر قانونی تنها چیزی که نیاز دارید این است که بدانید چه داده هایی در ورودی وجود دارد و چگونه در خروجی پخش می شود. این از نظر قانونی برای ثبت اختراع چنین تصمیمی کافی است و کافی است بفهمیم داستان بر چه اساسی ساخته شده است.
اینطور نیست که به این سایت رفتی و به خاطر اینکه دو ماه پیش در اینستاگرام با موهای قرمز عکس گرفتی، بنری به شما نشان داده شد. اگر توسعهدهنده مجموعهای از این دادهها و علامتگذاری رنگ مو را در این مدل لحاظ نکند، از هیچجا بیرون نخواهد آمد.
چگونه نتایج سیستم های یادگیری ماشین را بفروشیم؟
ز: - این فقط یک سوال است: دقیقاً چگونه توضیح دهیم، چگونه به کسی بفروشیم که یادگیری ماشینی را نمی فهمد. میخوام بگم:مدل من مشخصا از رنگ مو به سمت...خب تغییر رنگ مو...این امکان هست یا نه؟
اوه: - شاید آره. اما از نقطه نظر فروش، تنها طرح کار خواهد کرد: شما یک کمپین تبلیغاتی دارید، ما مخاطب را با مخاطبی که توسط دستگاه تولید می شود جایگزین می کنیم - و شما فقط نتیجه را می بینید. این، متأسفانه، تنها راه متقاعد کردن مطمئن مشتری است که چنین داستانی جواب می دهد، زیرا راه حل های زیادی در بازار وجود دارد که زمانی اجرا شده اند و کار نمی کنند.
درباره ایجاد شخصیت مجازی
ز: - سلام. با تشکر از سخنرانی. سوال این است: فردی که به دلایلی نمیخواهد از یادگیری ماشین پیروی کند، چه شانسی دارد که از طریق تعامل با رابط یا برای برخی، شخصیتی مجازی را برای خود ایجاد کند که کاملاً متفاوت از شخصیت خود باشد. دلیل دیگر؟
اوه: - مجموعه ای از پلاگین های مختلف وجود دارد که به طور خاص با رفتار تصادفی سروکار دارند. یک چیز جالب وجود دارد - Ghostery که به نظر من تقریباً شما را از دسته ای از ردیاب های مختلف پنهان می کند که نمی توانند این اطلاعات را ضبط کنند. اما در واقع، اکنون تنها چیزی که نیاز دارید یک نمایه بسته در شبکه های اجتماعی است تا هیچ کس، هیچ خراش دهنده شیطانی، نتواند چیزی را در آنجا جمع کند. احتمالاً بهتر است نوعی افزونه نصب کنید یا خودتان چیزی بنویسید.
ببینید، مفهوم اینجا این است که از نظر قانونی، مثلاً دادههای شخصی به دادههایی اطلاق میشود که توسط آنها میتوان شناسایی کرد و قانون به عنوان مثال آدرس محل سکونت، سن و غیره شما را ذکر میکند. امروزه تعداد بی شماری از داده ها وجود دارد که با آنها می توان شناسایی کرد: همان دست خط صفحه کلید، همان مطبوعات، امضای دیجیتال مرورگر... دیر یا زود، یک نفر اشتباه می کند. او می تواند جایی در یک "کافه" با استفاده از "Thor" باشد، اما در نهایت، در یک لحظه خوب، یا VPN فراموش می کند روشن شود، یا چیز دیگری، و در آن لحظه می توان او را شناسایی کرد. بنابراین ساده ترین راه این است که یک حساب خصوصی بسازید و چند افزونه نصب کنید.
بازار به سمت نقطه ای در حال حرکت است که برای رسیدن به نتیجه فقط باید یک دکمه را فشار دهید.
ز: - ممنون بابت داستان مثل همیشه، همیشه بسیار جالب است (من شما را دنبال می کنم). سوال این است: چه پیشرفتی در ایجاد سیستم های مثبت برای کاربران، سیستم های توصیه وجود دارد؟ شما گفتید که زمانی روی یک سیستم توصیه برای یافتن یک شریک جنسی، یک دوست در زندگی (یا موسیقی که یک شخص می تواند به طور بالقوه دوست داشته باشد) کار می کردید... این همه چقدر امیدوارکننده است و پیشرفت آن را چگونه می بینید. دیدگاه ایجاد سیستم هایی که مردم به آن نیاز دارند؟
اوه: - به طور کلی، بازار به سمتی می رود که مردم باید یک دکمه را فشار دهند و فوراً آنچه را که نیاز دارند دریافت کنند. در مورد تجربه من در ایجاد برنامه های دوستیابی (البته ما آن را در پایان سال دوباره راه اندازی خواهیم کرد)، علاوه بر این که 65٪ مرد متاهل بودند، سخت ترین مشکل توصیه این بود که چندین مدل به یک فرد پیشنهاد شد. در شروع برنامه - "دوستی"، "سکس"، "رفاقت جنسی" و "کسب و کار". مردم آنچه را که نیاز دارند انتخاب نکردند. مردها آمدند و "عشق" را انتخاب کردند، اما در واقع به همه برهنگی کردند و غیره.
مشکل این بود که فردی را شناسایی کنیم که با یکی از این مدل ها مناسب نیست و به نوعی او را به آرامی گرفته و به سمت دیگری حرکت دهد. با توجه به حجم کم داده ها، تعیین اینکه آیا این یک خطا در الگوریتم پیش بینی است یا اینکه آیا فردی در رده خود نیست، بسیار دشوار است. در مورد موسیقی هم همینطور است: در حال حاضر الگوریتمهای بسیار کمی وجود دارند که میتوانند به خوبی موسیقی را "فوقالعاده" کنند. شاید "Yandex.Music". برخی افراد فکر می کنند که الگوریتم Yandex.Music بد است. مثلا من او را دوست دارم. برای مثال، من شخصاً الگوریتم موسیقی YouTube و غیره را دوست ندارم.
البته، نکات ظریفی وجود دارد - همه چیز به مجوزها گره خورده است ... اما در واقعیت، تقاضا برای چنین سیستم هایی بسیار زیاد است. زمانی شرکت Retail Rocket شناخته شده بود که در پیاده سازی سیستم های توصیه نقش داشت، اما اکنون به نوعی عملکرد خوبی ندارد - ظاهراً به این دلیل که آنها برای مدت طولانی الگوریتم های خود را توسعه نداده اند. همه چیز به سمت این پیش می رود - تا جایی که وارد می شویم و بدون فشار دادن چیزی، آنچه را که نیاز داریم به دست می آوریم (و کاملاً احمق می شویم، زیرا توانایی انتخاب ما کاملاً از بین رفته است).
بازاریابی را تحت تاثیر قرار دهید
ز: - سلام. نام من کنستانتین است. من می خواهم یک سوال در مورد بازاریابی تأثیرگذار مطرح کنم. آیا سیستمی می شناسید که به یک کسب و کار اجازه می دهد تا بر اساس برخی داده های آماری و غیره، وبلاگ نویس مناسب برای کسب و کار خود را انتخاب کند؟ و بر چه اساسی این کار انجام می شود؟
اوه: – بله، از دور شروع میکنم و بلافاصله میگویم که مشکل همه این فناوریها این است که تمام این هوش مصنوعی در بازاریابی اکنون مانند یک طنابباز است: در سمت چپ شرکتهای بزرگی هستند که پول زیادی دارند و در در هر صورت همه چیز برای آنها موثر خواهد بود زیرا کمپین های تبلیغاتی آنها صرفاً به سمت دیدگاه ها است. از سوی دیگر، بسیاری از مشاغل کوچک وجود دارند که این کار برای آنها کارساز نخواهد بود، زیرا آنها داده های زیادی دارند. تا اینجای کار، کاربردی بودن این داستان ها جایی در میانه است.
وقتی بودجههای خوبی وجود دارد، و وظیفه پردازش صحیح این بودجهها است (و در اصل، دادههای بسیار زیادی وجود دارد)... من چند سرویس را میشناسم، چیزی مانند Getblogger، که به نظر الگوریتمهایی دارند. صادقانه بگویم، من این الگوریتم ها را مطالعه نکرده ام. من می توانم به شما بگویم وقتی نیاز به هدیه دادن به برخی از مادران داریم از چه رویکردی برای یافتن رهبران نظر استفاده می کنیم.
ما از معیاری به نام زمان توزیع محتوا استفاده می کنیم. این کار به این صورت است: شما فردی را انتخاب می کنید که مخاطبانش را تجزیه و تحلیل می کنید، و باید به طور سیستماتیک (مثلاً هر 5 دقیقه یک بار) اطلاعات مربوط به هر پست را جمع آوری کنید، کسی که آن را دوست داشته، روی آن نظر گذاشته و غیره. به این ترتیب، می توانید بفهمید که هر یک از مخاطبان شما در چه مقطع زمانی با محتوای شما تعامل داشته اند. این عملیات را برای هر نماینده از مخاطبان خود تکرار کنید و به این ترتیب با استفاده از معیار میانگین زمان انتشار محتوا، میتوان به عنوان مثال در یک نمودار شبکه بزرگ از این افراد رنگآمیزی کرد و از این متریک برای ساخت خوشهها استفاده کرد.
برای مثال اگر بخواهیم 15 مادر را پیدا کنیم که افکار عمومی خود را در سایت سایت women.ru حفظ می کنند، بسیار خوب عمل می کند. اما این یک پیاده سازی فنی نسبتاً پیچیده است (اگرچه از نظر تئوری صرفاً می توان آن را در پایتون انجام داد). نکته اصلی این است که مشکل بازاریابی تأثیرگذار در آژانسهای تبلیغاتی بزرگ این است که آنها به وبلاگنویسهای بزرگ، جالب و گرانقیمتی نیاز دارند که برای چرندیات کار نمیکنند. اکنون، یک برند خودرو میخواهد محصولی را از طریق یک رهبر عقیده بفروشد - آنها باید از یک وبلاگ نویس خودرو به عنوان آخرین راه حل استفاده کنند، زیرا مخاطبان آنها یا قبلاً یک ماشین خریدهاند یا دقیقاً میدانند چه نوع ماشینی میخواهند، فقط مینشینند و به ماشین های باحال نگاه می کند در اینجا مهم است که از تحلیل مخاطبان خود شخص غافل نشوید.
ربات های بازاریابی
ز: – به من بگویید، ربات های شبکه های اجتماعی چقدر بر جمع آوری اطلاعات و کیفیت آن تأثیر می گذارند؟
اوه: - در مورد ربات ها چیز جالبی است. شناسایی ربات های ارزان بسیار آسان است - آنها یا محتوای مشابهی دارند یا با یکدیگر دوست هستند یا در یک شبکه هستند. همچنین رویکردهایی برای مقابله با ربات های پیچیده وجود دارد. یا اینکه این مشکل را میپرسید که چگونه یک شخص را به جعلی خود وصل کنیم؟
ز: - با این همه زباله، اطلاعات با کیفیت چقدر خروجی خواهد بود؟
اوه: - در اینجا کار به این صورت است: با توجه به این واقعیت که حجم عظیمی از داده ها وجود دارد (مثلاً برای نوعی تحقیق بازاریابی)، تمام این ریفراف ها به سادگی می توانند از بین بروند. یعنی بهتر است کمی افراد واقعی بیشتری را بیرون بیاندازیم تا اینکه ربات ها را ضبط کنیم، زیرا نشان دادن هر گونه تبلیغاتی برای آنها بی فایده است. اما اگر معیارهایی را جمع آوری کنید، به عنوان مثال، تعامل با بنرها یا سیستم های توصیه، چنین حساب هایی می توانند حذف شوند.
اکنون در شبکههای اجتماعی، حدود شش درصد از شخصیتهای مجازی یا صفحات رها شده یا افراد درونگرا وجود دارند که الگوریتمها آنها را به عنوان ربات «تطبیق میدهند». در مورد پیوند دادن یک شخص به جعلی او، در اینجا نیز همه چیز به این واقعیت گره خورده است که فرد دیر یا زود مرتکب اشتباه می شود و مسئله این است که مدل رفتاری او یکسان است - هم حساب واقعی و هم جعلی او. دیر یا زود همان محتوا یا چیز دیگری را تماشا خواهند کرد.
در اینجا همه چیز به درصد خطا مربوط نمی شود، بلکه به میزان زمان لازم برای شناسایی قابل اعتماد یک شخص بستگی دارد. برای افرادی که با اینستاگرام خود زندگی می کنند، این زمان برای شناسایی قابل اعتماد به پنج دقیقه کاهش می یابد. برای برخی - شش تا هشت ماهگی.
به چه کسی و چگونه داده ها را بفروشیم؟
ز: - سلام. من علاقه مندم بدانم اطلاعات چگونه بین شرکت ها فروخته می شود؟ به عنوان مثال، من یک برنامه کاربردی دارم که در آن می توانید (به توسعه دهنده) بفهمید که یک شخص به کجا می رود، به چه فروشگاه هایی می رود و چقدر پول در آنجا خرج می کند. و من علاقه مندم بدانم، فرض کنید، چگونه می توانم داده های مربوط به مخاطبان خود را به این فروشگاه ها بفروشم یا داده های خود را در یک پایگاه داده عظیم قرار دهم و برای آن پول دریافت کنم؟
اوه: - در مورد فروش مستقیم داده ها به کسی، شما و همه افراد دیگر از OFD جلوتر بودید - اپراتورهای داده های مالی، که با حیله گری خود را بین انتقال چک و اداره مالیات قرار دادند و اکنون سعی دارند داده ها را به همه بفروشند. در واقع، آنها در واقع کل بازار تجزیه و تحلیل تلفن همراه را از بین بردند. در واقع، شما می توانید برنامه خود را جاسازی کنید، به عنوان مثال، پیکسل فیس بوک، سیستم DMP آن. سپس از این مخاطب برای فروش استفاده کنید. به عنوان مثال، پیکسل "هدف مه". من فقط نمی دانم شما چه نوع مخاطبی دارید، باید درک کنید. اما در هر صورت، می توانید یا در Yandex یا My Target که بزرگترین سیستم های DMP هستند، ادغام کنید.
این یک داستان کاملاً جالب است. تنها مشکل این است که شما تمام ترافیک را به آنها می دهید و آنها به عنوان صرافی، کسب درآمد از این ترافیک را بر عهده می گیرند. آنها ممکن است به شما بگویند که 10 نفر از مخاطبان شما استفاده کرده اند یا نه. بنابراین، یا شبکه تبلیغاتی خود را می سازید، یا تسلیم DMP های بزرگ می شوید.
چه کسی برنده خواهد شد - هنرمند یا متخصص؟
ز: - یک سوال کمی با بخش فنی فاصله دارد. در مورد ترس بازاریابان از بیکاری گسترده در آینده گفته شد. آیا نوعی مبارزه رقابتی بین بازاریابی خلاق وجود دارد (این افراد که تبلیغات مرغ را ارائه کردند، به نظر می رسد تبلیغات فولکس واگن) و کسانی که در Big Data نقش دارند (که می گویند: اکنون ما فقط تمام داده ها را جمع آوری می کنیم و تبلیغات هدفمند را به هر کس )؟ به عنوان فردی که مستقیماً درگیر آن هستید، نظر شما در مورد اینکه چه کسی برنده خواهد شد - یک هنرمند، یک تکنسین، یا نوعی اثر هم افزایی وجود خواهد داشت چیست؟
اوه: - گوش کن، خوب، آنها با هم کار می کنند. مهندسان با خلاقیت نمی آیند. کسانی که خلاق هستند مخاطب اختراع نمی کنند. در اینجا نوعی داستان چند رشته ای وجود دارد. مشکلات واقعی اکنون برای کسانی است که می نشینند و دکمه ها را فشار می دهند، برای کسانی که "کار میمون" را انجام می دهند، هر روز همان چیزی را فشار می دهند - اینها افرادی هستند که ناپدید می شوند.
اما کسانی که داده ها را تجزیه و تحلیل می کنند طبیعتاً باقی خواهند ماند، اما کسی باید این داده ها را پردازش کند. کسی باید با این تصاویر بیاید، آنها را بکشد. یک ماشین نمی تواند چنین خلاقیتی داشته باشد! این یک جنون کامل است! یا مثلاً تبلیغات ویروسی Carprice که اتفاقاً خیلی خوب کار کرد. به یاد داشته باشید، این مورد در یوتیوب وجود داشت: «آن را به قیمت Carprice بفروش»، کاملاً دیوانه کننده. البته هیچ شبکه عصبی چنین داستانی را تولید نخواهد کرد.
در کل من طرفدار این هستم که این افراد نیستند که شغل خود را از دست می دهند، بلکه کمی وقت آزاد بیشتری خواهند داشت و می توانند این اوقات فراغت را صرف خودآموزی کنند.
تبلیغات بدوی از بین خواهد رفت
ز: - به طور کلی، تبلیغاتی که نشان داده می شود، بنرها - به طور کلی، حتی متون فروش در آنجا نوشته نشده است: "شما به ویندوز نیاز دارید - آن را بگیرید!"، "شما به چیز دیگری نیاز دارید - آن را بگیرید!"، یعنی، هیچ خلاقیتی در آنجا وجود ندارد.
اوه: - البته دیر یا زود چنین تبلیغاتی از بین خواهد رفت. نه به دلیل توسعه فناوری، که به دلیل توسعه من و شما از بین خواهد رفت.
بهتر است موارد مربوطه را با نامربوط مخلوط کنید
ز: - من اینجا هستم! من یک سوال در مورد آزمایشی که گفتید برای شما جواب نداد (با سیستم توصیه گر) دارم. به نظر شما مشکل همان چیزی است که در آنجا امضا شده است، چرا توصیه می شود یا اینکه هر چیزی که کاربر دیده به نظرش مربوط می شود؟ از آنجایی که آزمایشی را برای مادران خواندم، و هنوز دادههای زیادی وجود نداشت، و دادههای زیادی از اینترنت وجود نداشت، فقط دادههایی از یک خردهفروش مواد غذایی وجود داشت که بارداری را پیشبینی میکرد (که آنها مادر خواهند بود). و هنگامی که آنها منتخبی از محصولات را برای مادران باردار نشان دادند، مادران از اینکه قبل از هر چیز رسمی از آنها مطلع شدند وحشت کردند. و کار نکرد. و برای حل این مشکل عمداً محصولات مربوطه را با چیزی کاملاً نامربوط مخلوط کردند.
اوه: «ما به طور خاص به مردم نشان دادیم که بر اساس آن توصیهها برای درک بازخوردشان چیست. در واقع، اینجاست که این مفهوم متولد شد که نیازی نیست به مردم گفته شود که اینها برخی از محصولات فوقالعاده مرتبط برای او هستند.
بله، اتفاقاً رویکردی برای اختلاط آنها با موارد نامربوط وجود دارد. اما چیز مخالف وجود دارد: گاهی اوقات مردم وارد میشوند و با این محصول نامربوط تعامل میکنند - نقاط پرت تصادفی رخ میدهند، مدلها شکسته میشوند و همه چیز حتی پیچیدهتر میشود. اما این در واقع وجود دارد. علاوه بر این، بسیاری از شرکتها به عمد، اگر بدانند که شخصی در حال پردازش دادههای آنها است (فردی میتواند چنین خروجی را از آنها بدزدد)، گاهی اوقات آنها را با هم مخلوط میکنند تا بعداً ثابت کنند که شما دادهها را از سیستم توصیه آنها نگرفتهاید، بلکه از به اصطلاح Yandex.Market.
مسدود کننده های تبلیغات و امنیت مرورگر
ز: - سلام. شما به Ghostery و Adblock اشاره کردید. آیا می توانید به ما بگویید که چنین ردیاب هایی به طور کلی چقدر موثر هستند (شاید بر اساس آمار)؟ و آیا سفارشی از شرکت ها داشتید: آنها می گویند، مطمئن شوید که تبلیغات ما توسط Adblock بسته نمی شود.
اوه: - ما مستقیماً با پلتفرم های تبلیغاتی تماس نمی گیریم - دقیقاً به این دلیل که آنها نخواهند تبلیغات خود را برای همه قابل مشاهده کنند. من شخصاً از Ghostery استفاده می کنم - فکر می کنم یک افزونه بسیار جالب است. اکنون همه مرورگرها برای حفظ حریم خصوصی میجنگند: موزیلا مجموعهای از انواع بهروزرسانیها را منتشر کرده است، Google Chrome اکنون فوقالعاده امن است. همه آنها هر چیزی را که می توانند مسدود می کنند. "Safari" حتی "ژیروسکوپ" را به طور پیش فرض خاموش کرده است.
و این روند، البته، خوب است (نه برای کسانی که داده ها را جمع آوری می کنند، اگرچه آنها نیز از آن خارج شده اند)، زیرا مردم ابتدا کوکی ها را مسدود کردند. همه کسانی که صاحب شبکه های تبلیغاتی بودند فناوری شگفت انگیزی مانند اثر انگشت مرورگر را به خاطر داشتند - اینها الگوریتم هایی هستند که 60 پارامتر مختلف (رزولوشن صفحه نمایش ، نسخه ، فونت های نصب شده) را دریافت می کنند و بر اساس آنها یک "ID" منحصر به فرد را محاسبه می کنند. بیایید به این موضوع بپردازیم. و مرورگرها شروع به مبارزه با این کردند. به طور کلی، این یک نبرد بی پایان تایتان ها خواهد بود.
آخرین توسعه دهنده موزیلا کاملا امن است. عملاً هیچ کوکی ذخیره نمی کند و عمر کوتاهی را تنظیم می کند. به خصوص اگر «ناشناس» را روشن کنید، هیچ کس شما را پیدا نخواهد کرد. سوال این است که وارد کردن رمز عبور در همه سرویس ها ناخوشایند خواهد بود.
سایکوتایپینگ و فیزیوگنومی کجا کار می کند و کار نمی کند؟
ز: - آرتور، از شما برای سخنرانی بسیار متشکرم. من همچنین از دنبال کردن سخنرانی های شما در یوتیوب لذت می برم. شما اشاره کردید که بازاریابان به طور فزاینده ای به استفاده از سایکوتایپ و فیزیوگنومی متوسل می شوند. سوال من این است: این در چه دسته بندی های برندی کار می کند؟ اعتقاد من این است که این فقط برای FMCG مناسب است. به عنوان مثال انتخاب ماشین ...
اوه: - من می توانم از جایی که دقیقا کار می کند دانلود کنم. این در انواع داستان ها مانند "Amediateka"، سریال های تلویزیونی، فیلم ها و غیره کار می کند. این در بانکها و محصولات بانکی به خوبی کار میکند، اگر بخش حق بیمه نباشد، بلکه انواع کارتهای دانشجویی، طرحهای اقساطی - از این قبیل چیزها باشد. این واقعاً در FMCG و انواع آیفونها، شارژرها و این همه مزخرف بسیار خوب کار میکند. این به خوبی در محصولات "مامان و پاپ" کار می کند. اگرچه می دانم که در ماهیگیری (همچین موضوعی وجود دارد) ... چندین بار با ماهیگیران مواردی وجود داشته است - هرگز نمی توان آنها را به طور قابل اعتماد تقسیم کرد. نمی دانم چرا. نوعی خطای آماری
این برای رانندگان، جواهرات، یا برخی از وسایل خانه به خوبی کار نمی کند. در واقع، با چیزهایی که مردم هرگز در رسانههای اجتماعی درباره آنها نمینویسند خوب کار نمیکند - میتوانید از این طریق آن را بررسی کنید. به طور معمول، با خرید ماشین لباسشویی: در اینجا نحوه درک اینکه چه کسی ماشین لباسشویی دارد و چه کسی ندارد؟ به نظر می رسد که همه آن را دارند. میتوانید از دادههای OFD استفاده کنید - ببینید چه کسی با استفاده از رسید چه چیزی خریده است، و با استفاده از رسید، این افراد را مطابقت دهید. اما در واقع، چیزهایی وجود دارد که هرگز در مورد آنها صحبت نمی کنید، به عنوان مثال، در اینستاگرام - کار با چنین چیزهایی دشوار است.
ماشین ها حقه ها را به عنوان پر کردن آماری تشخیص می دهند.
ز: - من یک سوال در مورد هدف گذاری دارم. آیا ممکن است (یا به طور ناگهانی وجود داشته باشند) یک شخصیت تصادفی شرطی که در همه چیز با خود تناقض داشته باشد: ابتدا «بهترین سالنهای ورزشی» را جستجو میکند و سپس «10 راه برای انجام هیچ کاری» را جستجو میکند؟ و در همه چیز همینطور است. آیا هدف گیری می تواند چیزی را که با خودش در تضاد است ردیابی کند؟
اوه: – تنها سوالی که در اینجا وجود دارد این است: اگر 2 سال است که از گوگل استفاده می کنید، هر چیزی را که می توانید در مورد خودتان به آن بگویید، و اکنون یک افزونه برای خود نصب کنید که پرس و جوهای تصادفی مشابهی را می نویسد، سپس، البته، از روی آمار می توانید قادر به درک باشید - کاری که اکنون انجام می دهید یک آمار پرت است، و همه اینها یک موضوع غربالگری است. در صورت تمایل اکانت جدید ثبت کنید اما حجم تبلیغات تغییر نمی کند. او فقط عجیب و غریب خواهد شد. اگرچه او هنوز عجیب است.
چند تبلیغ 🙂
از اینکه با ما ماندید متشکرم آیا مقالات ما را دوست دارید؟ آیا می خواهید مطالب جالب تری ببینید؟ با ثبت سفارش یا معرفی به دوستان از ما حمایت کنید
Dell R730xd 2 برابر ارزان تر در مرکز داده Equinix Tier IV در آمستردام؟ فقط اینجا
منبع: www.habr.com