Arthur Khachuyan is een bekende Russische specialist in big data-verwerking, oprichter van het bedrijf Social Data Hub (nu Tazeros Global). Partner van de National Research University Higher School of Economics. Samen met de National Research University Higher School of Economics een wetsvoorstel over Big Data voorbereid en gepresenteerd in de Federatieraad. Hij sprak op het Curie Instituut in Parijs, de St. Petersburg State University, de Federale Universiteit onder de regering van de Russische Federatie, bij Red Apple, Internationale OpenDataDay, RIW 2016, AlfaFuturePeople.
De lezing werd opgenomen op het openluchtfestival “Geek Picnic” in Moskou in 2019.
Arthur Khachuyan (hierna – AH): – Als je uit een groot aantal industrieën - uit de geneeskunde, uit de bouw, uit iets, iets, degene kiest waar de technologie van big data, machine learning en deep learning het vaakst wordt gebruikt, dan is dit waarschijnlijk marketing. Omdat de afgelopen drie jaar alles wat ons omringt in een of andere vorm van reclamecommunicatie nu precies verbonden is met data-analyse en precies met wat we kunstmatige intelligentie kunnen noemen. Daarom zal ik je vandaag hierover vertellen vanuit zo'n verre geschiedenis...
Als je je kunstmatige intelligentie voorstelt en hoe het eruit ziet, is het waarschijnlijk zoiets. De vreemde foto is een van de neurale netwerken die ik een jaar geleden schreef om de afhankelijkheid te vinden van wat mijn hond doet: hoe vaak moet ze groot of klein worden, en hoe hangt het in het algemeen af van hoeveel ze eet of niet? Dit is een grap over hoe kunstmatige intelligentie zich zou kunnen voorstellen.
Maar laten we toch eens nadenken over hoe het allemaal werkt in reclamecommunicatie. Er zijn drie manieren waarop moderne algoritmen in reclame en marketing met ons kunnen communiceren. Het is duidelijk dat het eerste verhaal gericht is op het verkrijgen en extraheren van aanvullende kennis over jou en mij, en het vervolgens gebruiken ervan voor een aantal goede en minder goede doeleinden; personaliseer de aanpak voor elke specifieke persoon; Creëer daarna uiteraard een bepaalde vraag om de hoofddoelactie uit te voeren en een bepaalde verkoop uit te voeren.
Met behulp van technologie proberen ze het probleem van effectieve communicatie op te lossen
Als ik je zeg dat je moet nadenken over wat Pornhub en M. Video”, wat denk je ervan?
Commentaar uit het publiek (hierna C genoemd): - Televisie, publiek.
OH: – Mijn concept is dat dit twee plaatsen zijn waar mensen komen voor een bepaald soort dienst, of laten we het een bepaald soort goederen noemen. En dit publiek is anders omdat het de verkoper niets wil vertellen. Ze wil binnenkomen en krijgen wat haar interesseert, in een expliciete of impliciete vorm. Natuurlijk komt er niemand naar M. Video” wil met geen enkele verkoper communiceren, wil het niet begrijpen, wil geen van hun vragen beantwoorden.
Daarom volgt uit dit alles het eerste verhaal.
Toen technologieën voor het verkrijgen van aanvullende kennis verschenen om op de een of andere manier communicatie met een persoon te vermijden. We vinden het allemaal leuk als we de bank bellen en de bank zegt: “Hallo. Alexey, jij bent onze VIP-klant. Nu zal een supermanager met je praten. Je komt naar deze bank en er is echt een unieke manager die met je kan praten. Helaas of gelukkig heeft nog geen enkel bedrijf ontdekt hoe je duizend persoonlijke managers voor duizend klanten kunt inhuren; en aangezien de meeste van deze mensen nu online zijn, is het de taak om te begrijpen wat voor soort persoon dit is en hoe je correct met hem kunt communiceren voordat hij naar een of andere advertentiebron komt. En daarom zijn er in feite technologieën verschenen die dit probleem proberen op te lossen.
Data-extractie is de nieuwe olie
Laten we ons voorstellen dat u de eigenaar bent van een bloemenstalletje. Er komen drie mensen naar je toe. De eerste blijft heel lang staan, aarzelt, probeert met je te praten, pakt een soort boeket - je gaat het inpakken, gaat erop uit om daar iets te doen; hij rent met dit boeket weg van de kraam - je bent je drieduizend roebel kwijt. Waarom gebeurde het? U weet niets over deze persoon: u kent zijn geschiedenis van arrestaties bij het ministerie van Binnenlandse Zaken niet, u weet niet dat hij kleptomaan is en is geregistreerd in een psychiatrische apotheek. Waarom? Omdat je het voor het eerst zag, en je geen gedragsanalist bent.
Er komt nog iemand... Vitaly. Vitaly doet er ook erg lang over om erachter te komen, hij zegt: "Nou, ik heb dit en dat nodig." En jij zegt tegen hem: 'Bloemen voor mama, toch?' En je verkoopt hem een boeket.
Het concept hier is om voldoende gegevens te verzamelen om te begrijpen wat de persoon werkelijk nodig heeft. Iedereen dacht meteen aan een soort advertentienetwerken enzovoort...
Iedereen heeft waarschijnlijk wel vaker de stomme zin gehoord dat ‘data de nieuwe olie is’? Zeker, iedereen heeft het gehoord. In feite hebben mensen al heel lang geleden geleerd gegevens te verzamelen, maar het extraheren van gegevens uit deze gegevens is de taak die kunstmatige intelligentie in marketing, of een soort statistische algoritmen, nu probeert op te lossen. Waarom? Want als je met iemand praat, kan hij je een goed, fout of op de een of andere manier gekleurd antwoord geven. De grap die ik mijn studenten vertel, is hoe enquêtes verschillen van statistieken. Ik zal je dit als anekdote vertellen:
Dit betekent dat ze in twee dorpen besloten een onderzoek te doen naar de gemiddelde lengte van de mannelijkheid. Dit betekent dat in het eerste dorp, Villaribo, de gemiddelde lengte 15 centimeter is, in het dorp Villabaggio - 25. Weet jij waarom? Omdat er in het eerste dorp metingen zijn gedaan en in het tweede een onderzoek is uitgevoerd.
De porno-industrie is het vlaggenschip van aanbevelingssystemen
Dit is de reden waarom de moderne aanpak is om alle mensen zonder uitzondering te analyseren, ook al zijn ze iets minder dan 100%. Maar dit zijn de mensen die je niet hoeft te vragen, je hoeft niet naar ze te kijken. Het volstaat om te analyseren wat nu een digitale voetafdruk wordt genoemd om te begrijpen wat deze persoon nodig heeft, hoe je op de juiste manier met hem kunt praten, hoe je op de juiste manier vraag om hem heen kunt creëren. Aan de ene kant is dit een hersenloze machine (maar jij en ik weten dit heel goed); we willen niet communiceren met mensen van M. Video”, en nog meer: als we naar bronnen als Pornhub gaan, willen we precies krijgen wat we nodig hebben.
Waarom praat ik altijd over Pornhub? Omdat de volwassen industrie de eerste is die tot de analyse van dergelijke technologieën komt, tot de implementatie van dergelijke technologieën, tot data-analyse. Als je de drie populairste bibliotheken op dit gebied neemt (bijvoorbeeld TensorFlow of Pandas voor Python, voor het verwerken van CSV-bestanden, enzovoort), als je deze opent op Github, zul je met een korte Google van al deze namen een een paar mensen die bij het bedrijf Pornhub werkten of momenteel werken, en de eersten waren die daar aanbevelingssystemen implementeerden. Over het algemeen is dit verhaal zeer geavanceerd en laat het zien hoeveel dit publiek, hoeveel dit bedrijf vooruit is gegaan.
Drie niveaus van identificatie
Er is een enorme hoeveelheid gegevens rond een persoon die kan worden geïdentificeerd. Meestal verdeel ik dit formeel in drie niveaus, die dieper en dieper gaan. Uiteraard beschikt het bedrijf over zijn eigen gegevens.
Als we het bijvoorbeeld hebben over het bouwen van een aanbevelingssysteem, dan zijn het eerste niveau de gegevens die zich in de winkel zelf bevinden (aankoopgeschiedenis, allerlei soorten transacties, hoe een persoon met de interface omging).
Vervolgens is er een niveau (relatief het grootste) - dit wordt open bronnen genoemd. Denk niet dat ik je aanmoedig om sociale netwerken te schrappen, maar in feite opent wat beschikbaar is in open bronnen een enorme reeks gegevens die je bijvoorbeeld over een persoon kunt leren.
En het derde grote deel is de omgeving van deze persoon zelf. Ja, er is een mening dat als een persoon niet op sociale netwerken zit, er daar geen gegevens over hem zijn (je weet waarschijnlijk al dat dit niet waar is), maar het belangrijkste is dat de gegevens op iemands profiel staan (of in sommige toepassingen) is slechts 40% van de kennis die erover kan worden verkregen. De rest van de informatie haalt hij uit zijn omgeving. De zinsnede “vertel me wie je vriend is en ik zal je vertellen wie je bent” krijgt in de XNUMXe eeuw een nieuwe betekenis omdat er een enorme hoeveelheid gegevens over die persoon kan worden verkregen.
Als we het over reclamecommunicatie hebben, dan is het ontvangen van reclamecommunicatie, niet via advertenties, maar van een vriend, kennis of op een of andere manier geverifieerde persoon, een erg coole functie die veel marketeers gebruiken. Wanneer een applicatie je plotseling een gratis promotiecode geeft, maak je daar een bericht over en trek je daarmee een nieuw publiek aan. In feite is deze promotiecode voor de voorwaardelijke "Yandex.Taxi" niet willekeurig gekozen, maar hiervoor werd een enorme hoeveelheid gegevens geanalyseerd over uw potentieel om een nieuw publiek aan te trekken en op de een of andere manier met hen te communiceren.
Ze analyseren zelfs het gedrag van personages uit tv-series
Ik zal je drie foto's laten zien, en jij vertelt me wat het verschil ertussen is.
Deze:
Deze:
En deze:
Wat is het verschil tussen hen? Alles is hier eenvoudig. Net als in de kwantummechanica werd deze creativiteit in dit geval gevormd door de waarnemer. Dat wil zeggen, het verschil in dezelfde reclamecampagne, tegelijkertijd uitgevoerd door hetzelfde merk, zit alleen in wie deze advertentie heeft bekeken. Persoonlijk, als ik naar Amediateka ga, laten ze nog steeds Khal Drogo zien. Ik weet niet wat Amediateka van mijn voorkeuren vindt, maar om de een of andere reden gebeurt dit.
Wat nu gepersonaliseerde communicatie wordt genoemd, is het populairste verhaal over het aantrekken van een publiek en de juiste interactie ermee. Als we in de eerste fase mensen hebben geïdentificeerd met behulp van onze eigen merkgegevens, open source-gegevens en bijvoorbeeld gegevens uit de omgeving van deze persoon, kunnen we, na hem te hebben geanalyseerd, begrijpen wie hij is, hoe we correct met hem kunnen praten en, belangrijker nog, , welke taal hij spreekt, praat met hem.
Hier is de technologie zo ver gegaan dat de personages in tv-series waar mensen naar kijken nu worden geanalyseerd. Dat wil zeggen, je houdt van tv-series - ze worden bekeken, ze kijken naar met wie je daar contact hebt gehad, om te begrijpen met wat voor soort persoon geschikt zou zijn om mee te communiceren. Het klinkt als complete onzin, maar probeer het gewoon voor de lol op een van de bronnen - verschillende mensen zien verschillende creatieven (om er correct mee te kunnen communiceren).
Geen enkel modern medium of welke videobron dan ook laat je alleen maar wat nieuws zien. Ga naar de media - er wordt een groot aantal algoritmen geladen die u identificeren, al uw eerdere activiteiten begrijpen, een beroep doen op het wiskundige model en u vervolgens iets laten zien. In dit geval is er zo'n vreemd verhaal.
Hoe worden behoeften bepaald? Psychometrie. Fysionomie
Er zijn veel (echte) benaderingen om de werkelijke behoeften van een persoon te bepalen en om op de juiste manier met hem of haar te communiceren. Er zijn veel benaderingen, alles wordt anders opgelost, het is onmogelijk om te zeggen welke goed en welke slecht is. De belangrijkste lijken alles te weten.
Psychometrie. Na het verhaal met Cambridge Analytics kwam er naar mijn mening een schokkende wending, omdat elk tweede politieke bedrijf nu komt en zegt: “Oh, kun je me net als Trump maken? Ik wil ook winnen, enzovoort.” In feite is dit natuurlijk onzin voor onze realiteit, bijvoorbeeld politieke verkiezingen. Maar om psychotypen te bepalen worden drie modellen gebruikt:
- de eerste is gebaseerd op de inhoud die u consumeert: de woorden die u schrijft, bepaalde informatie die u leuk vindt, video's, enz.;
- de tweede houdt verband met hoe je omgaat met de webinterface, hoe je typt, op welke knoppen je drukt - er zijn inderdaad hele bedrijven die, op basis van hun toetsenbordhandschrift, vrij betrouwbaar kunnen bepalen wat nu psychotypen worden genoemd.
- Ik ben niet echt een psycholoog, ik begrijp niet echt hoe het werkt, maar vanuit het oogpunt van reclamecommunicatie werkt een publiek dat in deze segmenten is verdeeld heel goed, omdat iemand een rood scherm met een blauw scherm te zien moet krijgen vrouw, iemand moet een donkere schermblauwe achtergrond te zien krijgen met een soort abstractie, en het werkt erg cool. Op sommige lage niveaus – zozeer zelfs dat iemand er niet eens over nadenkt. Wat is nu het grootste probleem op de advertentiemarkt? Iedereen is een inlichtingenagent, iedereen verstopt zich, iedereen heeft een miljoenduizend browserrechten geïnstalleerd, om op geen enkele manier geïdentificeerd te worden - je hebt waarschijnlijk "Adblocks", "Gostrey" en allerlei applicaties die tracking blokkeren. Hierdoor is het erg moeilijk om iets over een persoon te begrijpen. En de technologie is verder gegaan - u moet niet alleen weten dat deze persoon voor de 125e keer naar uw site is teruggekeerd, maar dat hij ook zo'n en zo vreemd persoon is.
Fysiognomie is een zeer controversiële wetenschap. Het wordt niet eens als wetenschap beschouwd. Dit is een groep mensen die leugendetectoren programmeerden voor een ministerie van Binnenlandse Zaken, en zich nu bezighouden met wat de personificatie van creativiteit wordt genoemd. De aanpak hier is heel eenvoudig: verschillende van uw openbare foto's zijn afkomstig van bepaalde sociale netwerken en er wordt driedimensionale geometrie uit opgebouwd. En als u advocaat bent, zegt u nu dat dit een persoon en persoonsgegevens zijn; maar ik zal je vertellen dat dit 300 punten in de ruimte zijn, en dit is geen persoon en geen persoonlijke gegevens. Dit is wat iedereen meestal zegt als Roskomnadzor naar hen toe komt.
Maar serieus, uw gezicht afzonderlijk, als uw voor- en achternaam daar niet zijn ondertekend, zijn niet uw persoonlijke gegevens. Het punt is dat de jongens verschillende gelaatstrekken markeren die van invloed zijn op hoe iemand beslissingen neemt en hoe hij correct met hem omgaat. In sommige gebieden werkt dit slecht, in sommige advertentiesegmenten; in welke segmenten werkt het heel goed. Uiteindelijk blijkt dat wanneer je naar een bepaalde bron gaat, je niet slechts één banner ziet die aan iedereen wordt getoond, maar bijvoorbeeld... nu is het normaal om 16 of 20 opties te maken voor verschillende doelgroepen - en het werkt heel cool. Ja, vanuit het perspectief van de consument is dit zelfs nog treuriger, omdat mensen steeds meer gemanipuleerd worden. Maar toch werkt het vanuit zakelijk oogpunt heel goed.
De zwarte doos van machinaal leren
Dit geeft aanleiding tot het volgende probleem met dergelijke technologieën: voor de meeste ontwikkelaars is wat nu deep learning wordt genoemd nu immers een “black box”. Als je ooit in dit verhaal bent verdiept en met de ontwikkelaars hebt gesproken, zeggen ze altijd: “Oh, luister, nou, we hebben daar iets zo onbegrijpelijks gecodeerd, en we weten niet hoe het werkt.” Misschien heeft iemand dit wel eens meegemaakt.
Dit is eigenlijk verre van waar. Wat nu machine learning wordt genoemd, is verre van een ‘black box’. Er zijn een groot aantal benaderingen om de invoer- en uitvoergegevens te beschrijven, en uiteindelijk kan het bedrijf grondig begrijpen op basis van welke signalen de machine heeft besloten u deze pornografische video of een andere te laten zien. De vraag is dat geen van de bedrijven dit ooit openbaar maakt, omdat: ten eerste het een bedrijfsgeheim is; ten tweede zal er een enorme hoeveelheid gegevens zijn waarvan u niet eens op de hoogte was.
Hiervoor bespraken we bijvoorbeeld in een discussie over ethiek hoe sociale netwerken persoonlijke berichten analyseren om mensen te taggen in een soort reclameverhalen. Als je iemand iets schrijft, ontvang je op basis hiervan een specifieke tag voor feitelijk een soort reclame-uiting. En je zult het nooit bewijzen, en het heeft waarschijnlijk geen zin om het te bewijzen. Als soortgelijke patronen echter zouden worden onthuld, zouden ze bestaan. Het blijkt dat de markt voor het bouwen van dergelijke aanbevelingssystemen doet alsof ze niet weet waarom dit is gebeurd.
Mensen willen niet weten wat mensen over hen weten
En het tweede verhaal is dat de klant nooit wil weten waarom hij deze specifieke advertentie, dit specifieke product, heeft ontvangen. Ik zal je dit verhaal vertellen. Mijn eerste ervaring met de commerciële implementatie van aanbevelingssystemen op basis van vergelijkbare algoritmen, juist voor onderzoek, was in 2015 in een zeer groot netwerk van seksshops (ja, ook geen bijzonder onaangenaam verhaal).
Klanten kregen het volgende aangeboden: ze komen binnen, loggen in met hun sociale netwerk en ontvangen na ongeveer 5 seconden een volledig gepersonaliseerde winkel voor hen, dat wil zeggen dat alle producten zijn veranderd - ze vallen in een bepaalde categorie, enzovoort . Weet u hoeveel de conversieratio van deze winkel is gestegen? In geen geval! Mensen kwamen binnen en renden er meteen van weg. Ze kwamen binnen en beseften dat ze precies datgene kregen aangeboden waar ze aan dachten...
Het probleem met deze test was dat onder elk product stond waarom je dat specifieke product kreeg aangeboden (“omdat je lid bent van de verborgen groep “Machtige vrouw zoekt een man die een deurmat is”). Daarom tonen moderne aanbevelingssystemen nooit de gegevens op basis waarvan de ‘voorspelling’ is gedaan.
Een heel populair verhaal zijn de media, omdat ze allemaal vergelijkbare aanbevelingssystemen gebruiken. Voorheen waren de algoritmen heel eenvoudig: kijk naar de categorie ‘Politiek’ – en ze tonen je nieuws uit de categorie ‘Politiek’. Nu is alles zo ingewikkeld dat ze de plaatsen analyseren waar u de muis hebt gestopt, op welke woorden u zich hebt geconcentreerd, wat u hebt gekopieerd, hoe u in het algemeen met deze pagina omging. Vervolgens analyseert hij de woordenschat van de berichten zelf: ja, je leest niet alleen nieuws over Poetin, maar op een bepaalde manier, met een bepaalde emotionele inkleuring. En als iemand nieuws ontvangt, denkt hij niet eens na over hoe hij hier terecht is gekomen. Niettemin heeft hij vervolgens interactie met deze inhoud.
Dit alles is uiteraard bedoeld om de arme, ongelukkige kleine man, die al gek wordt, weg te houden van de enorme hoeveelheid informatie die om hem heen is. Hier moet gezegd worden dat het leuk zou zijn om dergelijke systemen te gebruiken om het advertentiemateriaal om je heen te personaliseren en wat informatie te verzamelen, maar dergelijke diensten bestaan helaas nog niet.
Kunstmatige intelligentie haalt de klant in de lucht en creëert vraag
En hier rijst een zeer interessante filosofische vraag, die gaat van het creëren van een aanbevelingssysteem naar het creëren van vraag. Zelden denkt iemand erover na, maar als je de zogenaamde Instagram probeert te vragen: “Waarom verzamelen jullie gegevens? Waarom laat je me niet absoluut willekeurige advertenties zien?” - Instagram zal je vertellen: “Vriend, dit wordt allemaal gedaan om je precies te laten zien wat voor jou interessant is.” Wij willen u bijvoorbeeld zo precies leren kennen, dat wij u precies kunnen laten zien waar u naar op zoek bent.
Maar de technologie heeft deze verschrikkelijke drempel al lang overschreden, en soortgelijke technologieën voorspellen niet langer wat je nodig hebt. Ze (let op!) creëren vraag. Dit is waarschijnlijk het engste wat bij dergelijke communicatie om kunstmatige intelligentie draait. Het enge is dat het de afgelopen 3-5 jaar bijna overal is gebruikt - van Google-zoekresultaten tot Yandex-zoekresultaten, tot sommige systemen... Oké, ik zal niets slechts zeggen over Yandex; en lekker.
Wat is het punt? Het is lang geleden dat dergelijke reclame-uitingen zich hebben afgewend van de strategie waarbij je schrijft: ‘Ik wil een kinderzitje kopen’ en honderd miljard publicaties ziet. Ze gingen verder met het volgende: zodra de vrouw een foto plaatste met een nauwelijks zichtbare buik, werd haar man onmiddellijk gevolgd door berichten: “Man, de bevalling komt eraan. Koop een kinderzitje."
Je zou je hier redelijkerwijs kunnen afvragen: waarom zien we, met zulke gigantische technologische vooruitgang, nog steeds zulke slechte advertenties op sociale netwerken? Het probleem is dat in deze markt alles nog steeds door geld wordt bepaald, dus op een mooi moment kan een adverteerder als Coca-Cola komen zeggen: "Hier is 20 miljoen voor jou - laat mijn waardeloze banners aan het hele internet zien." En dat zullen ze ook echt doen.
Maar als je een soort schoon account maakt en test hoe nauwkeurig dergelijke algoritmen je raden: ze proberen je eerst te raden, en dan beginnen ze van tevoren iets met je te doen. En het menselijk brein werkt zo dat het bij het ontvangen van informatie die voor hem betrouwbaar is, niet eens het moment verwerkt waarop het deze informatie heeft ontvangen. De eerste regel om vast te stellen dat je in een droom zit, is begrijpen hoe je hier bent gekomen. Een mens herinnert zich nooit het moment dat hij in een bepaalde kamer belandde. Het is hier hetzelfde.
Google begint mogelijk uw wereldbeeld vorm te geven
Dergelijke onderzoeken zijn uitgevoerd door verschillende buitenlandse bedrijven die zich bezighouden met i-tracking. Op speciale computers installeerden ze apparaten die registreren waar de ogen van de proefpersoon naar kijken. Ik nam vijf- tot zevenduizend vrijwilligers die simpelweg door de feed scrolden, interactie hadden met sociale netwerken, met advertenties, en zij registreerden informatie over de delen van de banners en creatieven waar deze mensen hun aandacht op richtten.
En het blijkt dat wanneer mensen zulke hypergepersonaliseerde advertenties ontvangen, ze er niet eens over nadenken - ze gaan er onmiddellijk mee verder en beginnen ermee te communiceren. Vanuit zakelijk oogpunt is dit goed, maar vanuit het oogpunt van ons, als gebruikers, is dit niet erg cool, want - waar zijn ze bang voor? – Dat op een mooi moment de voorwaardelijke ‘Google’ zijn eigen wereldbeeld begint te vormen (of natuurlijk niet begint). Morgen kan hij bijvoorbeeld mensen het nieuws laten zien dat de aarde plat is.
Grapje, maar ze zijn zo vaak betrapt dat ze tijdens verkiezingen bepaalde informatie aan bepaalde mensen gaan geven. We zijn er allemaal aan gewend dat de zoekmachine alles eerlijk krijgt. Maar zoals ik altijd zeg: als je echt wilt weten hoe de wereld werkt, schrijf dan je eigen zoekmachine, zonder filters, zonder aandacht te besteden aan auteursrechten, zonder een aantal van je vrienden in de zoekresultaten te rangschikken. De weergave van echte gegevens op internet verschilt over het algemeen van wat wordt weergegeven door Google, Yandex, Bing, enzovoort. Sommige materialen zijn verborgen omdat vrienden, collega's, vijanden of iemand anders (of een voormalige geliefde met wie je hebt geslapen) - het maakt niet uit.
Hoe Trump heeft gewonnen
Toen er de laatste verkiezingen in de Verenigde Staten waren, werd een heel eenvoudig onderzoek uitgevoerd. Ze ontvingen dezelfde verzoeken op verschillende plaatsen, van verschillende IP-adressen, van verschillende steden, verschillende mensen Googleden hetzelfde. Conventioneel was het verzoek in de stijl van: wie gaat de verkiezingen winnen? En verbazingwekkend genoeg waren de resultaten zo geconstrueerd dat in die staten waar het grootste aantal mensen probeerde op de verkeerde kandidaat te stemmen, ze goed nieuws kregen over de kandidaat die Google promootte. Welke? Welnu, het is duidelijk welke – degene die president werd. Dit is een absoluut onbewijsbaar verhaal, en al deze onderzoeken zijn een vinger in het water. Google kan zeggen: “Jongens, dit alles wordt gedaan zodat we de meest relevante inhoud voor jullie laten zien.”
Vanaf nu moet je weten dat wat maximaal relevant wordt genoemd, absoluut niet het geval is. Het bedrijf noemt iets relevant dat om een goede of slechte reden aan u moet worden verkocht.
Degenen die nu geen geld hebben, worden al voorbereid op toekomstige aankopen
Er is nog een interessant punt waarover ik u zal vertellen. Een groot aantal actieve doelgroepen op sociale netwerken en in apps bestaat nu uit jongeren. Laten we het zo noemen: insolvente jongeren: kinderen van 8-9 jaar die idiote spelletjes spelen, dit zijn 12-13-14 jaar die zich gewoon registreren op sociale netwerken. Waarom zouden grote bedrijven enorme budgetten en middelen besteden aan het maken van applicaties voor een niet-betalend publiek dat nooit inkomsten genereert? Op het moment dat dit publiek solvabel wordt, zullen er voldoende gegevens over zijn om zijn gedrag zeer goed te voorspellen.
Vraag nu aan een targetoloog: wat is het moeilijkste publiek? Ze zullen zeggen: zeer winstgevend. Omdat het verkopen van bijvoorbeeld een appartement ter waarde van 150 miljoen roebel via sociale netwerken bijna onmogelijk is. Er zijn geïsoleerde gevallen waarin je reclame maakt voor 10 mensen, één koopt dit appartement - de klant is een succes... Maar één op de tienduizend is, vanuit statistisch oogpunt gezien, complete onzin. Waarom is het dan zo moeilijk om een doelgroep met een hoog inkomen te identificeren? Omdat de mensen die nu lid zijn van een zeer winstgevend publiek, zijn geboren toen het internet nog erg klein was, toen niemand Artemy Lebedev nog kende en er geen informatie over hen bestaat. Het is onmogelijk om hun gedragspatroon te voorspellen, het is onmogelijk om te begrijpen wie hun opinieleiders zijn en van welke inhoudsbronnen zij afkomstig zijn.
Dus als jullie over 25 jaar allemaal miljardair worden, en de bedrijven die jullie iets gaan verkopen, zullen over een enorme hoeveelheid gegevens beschikken. Daarom hebben we nu in Europa een prachtige AVG die het verzamelen van gegevens van minderjarigen verhindert.
In de praktijk werkt dit uiteraard helemaal niet, aangezien alle kinderen nog steeds op de accounts van hun moeder en vader spelen - zo wordt informatie verzameld. Denk hier eens over na de volgende keer dat u uw kind een tablet geeft.
Absoluut niet een enge, dystopische toekomst, waarin iedereen zal sterven in een oorlog met machines – nu een absoluut echt verhaal. Er zijn een groot aantal bedrijven die algoritmen maken voor het psychoprofileren van mensen op basis van de manier waarop ze games spelen. Een zeer interessante sector. Op basis van dit alles worden mensen vervolgens gesegmenteerd om op de een of andere manier met hen te communiceren.
Voorspellingen van het gedrag van deze mensen zullen over tien tot vijftien jaar beschikbaar zijn – precies op het moment dat ze een solvabel publiek worden. Het belangrijkste is dat deze mensen vooraf al toestemming hebben gegeven om hun persoonlijke gegevens te verwerken, aan derden over te dragen, en dit alles is geluk, enzovoort.
Wie zal zijn baan verliezen?
En mijn laatste verhaal is dat iedereen altijd vraagt wat er over vijftig jaar zal gebeuren: we zullen allemaal sterven, er zal werkloosheid zijn voor marketeers... Er zijn hier marketeers die zich zorgen maken over de werkloosheid, toch? Over het algemeen hoeft u zich geen zorgen te maken, omdat elke hooggekwalificeerde persoon zijn baan niet zal verliezen.
Welke algoritmen er ook worden gemaakt, hoe dicht de machine ook in de buurt komt van wat we hier hebben (wijst naar zijn hoofd), als de machine zich snel genoeg ontwikkelt, zullen zulke mensen nooit stil blijven zitten, omdat iemand deze creatieve dingen zal moeten creëren. Doen. Ja, er zijn allerlei soorten ‘gans’ die afbeeldingen maken die op mensen lijken en muziek maken, maar het is nog steeds onwaarschijnlijk dat mensen in dit gebied ooit hun baan zullen verliezen.
Ik heb alles met het verhaal, dus als je meer hebt, kun je vragen stellen. Bedankt.
leidend: – Vrienden, we gaan nu verder met het blok “Vraag en Antwoord”. U steekt uw hand op - ik kom naar u toe.
Vraag uit het publiek (XNUMX): – Vraag over de “black box”. Ze zeiden dat het mogelijk was om specifiek te begrijpen waarom dit en dat resultaat voor die en die gebruiker werd verkregen. Zijn dit een soort algoritmen, of moet het elke keer voor elk model ad hoc worden geanalyseerd (noot van de auteur: "speciaal hiervoor" - een Latijnse fraseologische eenheid)? Of zijn er kant-en-klare oplossingen voor een soort neuraal netwerk dat, grofweg gesproken, zakelijk zinvol kan zijn?
OH: – Hier moet je het volgende begrijpen: er zijn een groot aantal taken in machine learning. Er is bijvoorbeeld een taakregressie. Voor regressie zijn helemaal geen neurale netwerken nodig. Alles is eenvoudig: je hebt verschillende indicatoren, je moet het volgende berekenen. Er zijn taken waarbij het nodig is om gebruik te maken van zoiets als deep learning. Bij deep learning is het inderdaad moeilijk om op betrouwbare wijze te begrijpen welke gewichten aan welke neuronen zijn toegekend, maar juridisch gezien hoef je alleen maar te begrijpen welke gegevens aan de invoer waren en hoe deze zich aan de uitvoer hebben afgespeeld. Dit is juridisch genoeg om een dergelijke beslissing te patenteren en het is voldoende om te begrijpen op welke basis het verhaal is gemaakt.
Het is niet zo dat je naar de site bent gegaan en een banner te zien hebt gekregen omdat je twee maanden geleden een foto met rood haar op Instagram hebt gemaakt. Als de ontwikkelaar het verzamelen van deze gegevens en het markeren van de haarkleur niet in dit model opneemt, zal het niet uit het niets komen.
Hoe kunnen de resultaten van machine learning-systemen worden verkocht?
Z: – Het is gewoon de vraag wat: hoe precies uit te leggen, hoe te verkopen aan iemand die machine learning niet begrijpt. Ik wil zeggen: mijn model leidt duidelijk van haarkleur naar... nou ja, haarkleur verandert... Is dit mogelijk of niet?
OH: - Misschien wel. Maar vanuit verkoopoogpunt werkt het enige schema: je hebt een reclamecampagne, we vervangen het publiek door het publiek dat door de machine wordt gegenereerd - en je ziet alleen het resultaat. Dit is helaas de enige manier om de klant op betrouwbare wijze te overtuigen dat zo’n verhaal werkt, omdat er veel oplossingen op de markt zijn die ooit zijn geïmplementeerd en niet hebben gewerkt.
Over het creëren van een virtuele persoonlijkheid
Z: - Hallo. Bedankt voor de lezing. De vraag is: welke kans heeft een persoon, die om de een of andere reden niet het voorbeeld van machinaal leren wil volgen, om voor zichzelf een virtuele persoonlijkheid te creëren die radicaal verschilt van zijn eigen persoonlijkheid, door interactie met de interface of om wat voor reden dan ook. andere reden?
OH: – Er zijn een aantal verschillende plug-ins die specifiek omgaan met willekeurig gedrag. Er is iets cools: Ghostery, dat je naar mijn mening bijna volledig verbergt voor een aantal verschillende trackers die deze informatie dan niet kunnen vastleggen. Maar eigenlijk heb je nu alleen maar een gesloten profiel op sociale netwerken nodig, zodat niemand, geen kwaadaardige schrapers, daar iets kan verzamelen. Het is waarschijnlijk beter om een soort extensie te installeren of zelf iets te schrijven.
Zie je, het concept hier is dat juridisch gezien bijvoorbeeld persoonlijke gegevens verwijzen naar gegevens waarmee je kunt worden geïdentificeerd, en de wet geeft als voorbeeld je woonadres, leeftijd, enzovoort. Tegenwoordig zijn er talloze gegevens waarmee je geïdentificeerd kunt worden: hetzelfde toetsenbordhandschrift, dezelfde druk op de knop, de digitale handtekening van de browser... Vroeg of laat maakt iemand een fout. Hij kan ergens in een “café” zijn met behulp van “Thor”, maar uiteindelijk zal op een mooi moment de VPN vergeten in te schakelen, of iets anders, en op dat moment kan hij worden geïdentificeerd. De eenvoudigste manier is dus om een privéaccount aan te maken en een extensie te installeren.
De markt beweegt zich richting het punt waarop u slechts één knop hoeft in te drukken om resultaten te krijgen.
Z: - Bedankt voor het verhaal. Zoals altijd, altijd erg interessant (ik volg je). De vraag is: welke vooruitgang is er geboekt als het gaat om het creëren van systemen die positief zijn voor gebruikers, aanbevelingssystemen? U zei dat u ooit werkte aan een aanbevelingssysteem voor het vinden van een seksuele partner, een vriend in het leven (of muziek die iemand mogelijk leuk zou kunnen vinden)... Hoe veelbelovend is dit allemaal, en hoe ziet u de ontwikkeling ervan vanuit vanuit het oogpunt van het creëren van systemen die mensen nodig hebben?
OH: – Over het algemeen beweegt de markt zich naar het punt waarop mensen op één knop moeten drukken en onmiddellijk moeten krijgen wat ze nodig hebben. Wat betreft mijn ervaring met het maken van datingapplicaties (we zullen deze trouwens aan het eind van het jaar opnieuw lanceren), naast het feit dat 65% getrouwde mannen waren, was het moeilijkste aanbevelingsprobleem dat iemand verschillende modellen kreeg aangeboden aan het begin van de applicatie - "Vriendschap", "Seks", "Seksvriendschap" en "Zakelijk". Mensen kozen niet wat ze nodig hadden. Mannen kwamen en kozen voor ‘Liefde’, maar in werkelijkheid gooiden ze naaktheid naar iedereen, enzovoort.
Het probleem was om iemand te identificeren die niet in een van deze modellen past, en hem op de een of andere manier soepel in de andere richting te brengen. Door de kleine hoeveelheid data is het erg lastig om te bepalen of dit een fout is in het voorspellingsalgoritme, of dat een persoon niet in zijn categorie valt. Hetzelfde geldt voor muziek: er zijn nu maar heel weinig echt waardevolle algoritmen die muziek goed kunnen ‘facasten’. Misschien "Yandex.Music". Sommige mensen denken dat het Yandex.Music-algoritme slecht is. Ik vind haar bijvoorbeeld leuk. Persoonlijk houd ik bijvoorbeeld niet van het muziekalgoritme van YouTube, enzovoort.
Er zijn natuurlijk enkele subtiliteiten: alles is gebonden aan licenties. Maar in werkelijkheid is de vraag naar dergelijke systemen vrij hoog. Ooit was het bedrijf Retail Rocket bekend, dat betrokken was bij de implementatie van aanbevelingssystemen, maar nu gaat het op de een of andere manier niet zo goed - blijkbaar omdat ze hun algoritmen lange tijd niet hebben ontwikkeld. Alles gaat hierheen - tot het punt dat we naar binnen gaan en, zonder iets te forceren, krijgen wat we nodig hebben (en volkomen dom worden, omdat ons vermogen om te kiezen volledig is verdwenen).
Invloed op marketing
Z: - Hallo. Mijn naam is Constantijn. Ik wil graag een vraag stellen over beïnvloedingsmarketing. Kent u systemen waarmee een bedrijf een geschikte blogger voor het bedrijf kan selecteren op basis van enkele statistische gegevens enzovoort? En op welke gronden gebeurt dit?
OH: – Ja, ik begin van ver en zeg meteen dat het probleem met al deze technologieën is dat al deze kunstmatige intelligentie in marketing nu als een koorddanser is: aan de linkerkant zijn er grote bedrijven die veel geld hebben, en in in ieder geval zal alles effectief voor hen zijn, omdat hun reclamecampagnes eenvoudigweg op meningen zijn gericht; aan de andere kant zijn er veel kleine bedrijven waarvoor dit niet zal werken, omdat ze over veel gegevens beschikken. Tot nu toe ligt de toepasbaarheid van deze verhalen ergens in het midden.
Als er al goede budgetten zijn, en het de taak is om deze budgetten correct te verwerken (en er in principe al behoorlijk veel gegevens zijn)… ken ik een paar diensten, zoiets als Getblogger, die algoritmen lijken te hebben. Eerlijk gezegd heb ik deze algoritmen niet bestudeerd. Ik kan je vertellen welke aanpak we gebruiken om opinieleiders te vinden als we een geschenk aan sommige moeders moeten geven.
We gebruiken een statistiek genaamd Content Distribution Time. Het werkt als volgt: je neemt een persoon wiens publiek je analyseert, en je moet systematisch (bijvoorbeeld eens in de 5 minuten) informatie verzamelen over elk bericht, wie het leuk vond, erop heeft gereageerd, enzovoort. Op deze manier kunt u begrijpen op welk tijdstip elke persoon in uw publiek interactie heeft gehad met uw inhoud. Herhaal deze handeling voor elke vertegenwoordiger van zijn publiek, en dus kan hij, met behulp van de metriek van de gemiddelde tijd van de verspreiding van inhoud, bijvoorbeeld worden ingekleurd in een grote netwerkgrafiek van deze mensen en deze metriek gebruiken om clusters te bouwen.
Dit werkt best goed als we bijvoorbeeld 15 moeders willen vinden die hun publieke mening op een of andere vrouw.ru handhaven. Maar dit is een nogal complexe technische implementatie (hoewel het puur theoretisch in Python kan worden gedaan). Het komt erop neer dat het probleem met influence marketing bij grote reclamebureaus is dat ze grote, coole, dure bloggers nodig hebben die niet voor niets werken. Nu wil een automerk een product verkopen via een opinieleider. Ze moeten als laatste redmiddel een autoblogger gebruiken, omdat hun publiek óf al een auto heeft gekocht, óf precies weet wat voor soort auto ze willen, gewoon zitten en kijkt naar coole auto's. Hier is het belangrijk om de analyse van het publiek van de persoon zelf niet te missen.
Marketingbots
Z: – Vertel eens, hoeveel invloed hebben bots op sociale netwerken op het verzamelen van informatie en de kwaliteit ervan?
OH: – Het is zo interessant met bots. Goedkope bots zijn vrij gemakkelijk te identificeren: ze hebben dezelfde inhoud, of ze zijn vrienden met elkaar, of ze bevinden zich in hetzelfde netwerk. Er zijn ook benaderingen voor het omgaan met complexe bots. Of vraag je het probleem hoe je een persoon met zijn nep kunt verbinden?
Z: – Hoe kwalitatief hoogwaardige informatie zal het resultaat zijn van al deze rommel?
OH: – Hier werkt het zo: vanwege het feit dat er een enorme hoeveelheid gegevens is (bijvoorbeeld voor een soort marketingonderzoek), kan al dit gespuis eenvoudigweg worden weggegooid. Dat wil zeggen, het is beter om wat meer echte mensen weg te gooien dan bots te vangen, omdat het voor hen nutteloos is om reclame te tonen. Maar als u statistieken verzamelt, bijvoorbeeld interacties met banners of aanbevelingssystemen, kunnen dergelijke accounts worden weggegooid.
Nu zijn er op sociale netwerken ongeveer zes procent van de virtuele karakters of eenvoudigweg verlaten pagina's of introverte mensen, die door algoritmen worden 'gematcht' als bots. Wat betreft het koppelen van een persoon aan zijn nep, ook hier hangt alles samen met het feit dat de persoon vroeg of laat een fout zal maken, en het punt is dat het gedragsmodel hetzelfde is: zowel zijn echte account als zijn nep. Vroeg of laat zullen ze dezelfde inhoud of iets anders bekijken.
Hier komt het niet allemaal neer op het foutpercentage, maar op de hoeveelheid tijd die nodig is om een persoon betrouwbaar te identificeren. Voor iemand die met zijn Instagram leeft, komt deze keer voor betrouwbare identificatie neer op vijf minuten. Voor sommigen – met zes tot acht maanden.
Aan wie en hoe gegevens verkopen?
Z: - Hallo. Ik ben geïnteresseerd om te weten hoe gegevens tussen bedrijven worden verkocht? Ik heb bijvoorbeeld een applicatie waarin je (voor de ontwikkelaar) kunt achterhalen waar iemand heen gaat, naar welke winkels hij gaat en hoeveel geld hij daar uitgeeft. En ik ben geïnteresseerd om te weten hoe ik, laten we zeggen, gegevens over mijn publiek aan deze winkels kan verkopen of mijn gegevens in één enorme database kan plaatsen en ervoor betaald kan krijgen?
OH: – Wat het rechtstreeks verkopen van gegevens aan iemand betreft, waren jij en alle anderen vóór OFD – exploitanten van fiscale gegevens, die zich op sluwe wijze tussen de overdracht van cheques en de Belastingdienst hebben ingebouwd en nu proberen gegevens aan iedereen te verkopen. Ze hebben feitelijk de hele markt voor mobiele analyses gecrasht. In feite kunt u uw applicatie insluiten, bijvoorbeeld de Facebook-pixel, het DMP-systeem; Gebruik deze doelgroep vervolgens om te verkopen. Bijvoorbeeld de pixel 'Mag targeten'. Ik weet gewoon niet wat voor soort publiek je hebt, je moet het begrijpen. Maar in ieder geval kunt u integreren in Yandex of My Target, de grootste DMP-systemen.
Dit is een behoorlijk interessant verhaal. Het enige probleem is dat je ze al het verkeer geeft, en zij, als uitwisselingen, het genereren van inkomsten uit dit verkeer op zich zullen nemen. Ze kunnen je wel of niet vertellen dat 10 mensen je publiek hebben gebruikt. Daarom bouw je óf je eigen advertentienetwerk, óf je geeft je over aan grote DMP’s.
Wie zal er winnen: de kunstenaar of de techneut?
Z: – Een vraag die enigszins afwijkt van het technische gedeelte. Er werd gezegd over de angst van marketeers over de komende massawerkloosheid. Bestaat er een soort concurrentiestrijd tussen creatieve marketing (deze jongens die kippenreclame bedachten, Volkswagen-reclame, zo lijkt het) en degenen die betrokken zijn bij Big Data (die zeggen: nu verzamelen we gewoon alle gegevens en leveren we gerichte reclame aan iedereen)? Wat is uw mening, als persoon die er direct bij betrokken is, over wie er zal winnen: een kunstenaar, een technicus, of zal er een soort synergetisch effect zijn?
OH: – Luister, ze werken samen. Ingenieurs komen niet met creativiteit. Degenen die creatief zijn, bedenken geen publiek. Er is hier sprake van een soort multidisciplinair verhaal. De echte problemen zijn nu voor degenen die zitten en op knoppen drukken, voor degenen die het ‘apenwerk’ doen en elke dag op hetzelfde drukken – dit zijn de mensen die zullen verdwijnen.
Maar degenen die de data analyseren blijven uiteraard over, maar iemand moet deze data verwerken. Iemand zal deze afbeeldingen moeten bedenken en tekenen. Een machine kan niet zo creatief zijn! Dit is complete waanzin! Of zoals bijvoorbeeld de virale reclame van Carprice, die overigens heel goed werkte. Weet je nog, er stond deze op YouTube: 'Sell it at Carprice', absoluut gek. Natuurlijk zal geen enkel neuraal netwerk zo’n verhaal genereren.
Over het algemeen ben ik een voorstander van het feit dat het niet de mensen zijn die hun baan zullen verliezen, maar dat ze wat meer vrije tijd zullen hebben, en dat ze deze vrije tijd zullen kunnen besteden aan zelfstudie.
Primitieve reclame zal uitsterven
Z: - Over het algemeen worden de advertenties die worden getoond, de banners - over het algemeen worden er zelfs geen verkoopteksten geschreven: "Je hebt ramen nodig - neem het!", "Je hebt iets anders nodig - neem het!", Dat wil zeggen: er is helemaal geen creativiteit.
OH: – Dergelijke reclame zal natuurlijk vroeg of laat uitsterven. Het zal niet zozeer uitsterven vanwege de ontwikkeling van de technologie, maar vanwege de ontwikkeling van jou en mij.
Het is beter om het relevante met het irrelevante te vermengen
Z: - Ik ben hier! Ik heb een vraag over het experiment waarvan u zegt dat het voor u niet heeft gewerkt (met het aanbevelingssysteem). Is het probleem volgens u wat daar is ondertekend, waarom wordt het aanbevolen, of leek alles wat de gebruiker zag relevant voor hem? Omdat ik een experiment voor moeders las, en er nog niet zoveel gegevens waren, en er niet zoveel gegevens van internet waren, waren er alleen gegevens van een supermarktketen die zwangerschap voorspelde (dat ze moeders zouden zijn). En toen ze een selectie producten voor aanstaande moeders lieten zien, waren moeders geschokt dat ze erachter kwamen voordat er iets officieels gebeurde. En het werkte niet. En om dit probleem op te lossen, hebben ze bewust relevante producten gemengd met iets volkomen irrelevants.
OH: “We hebben mensen specifiek laten zien op welke basis de aanbevelingen zijn gedaan, zodat we hun feedback konden begrijpen. Eigenlijk is hier het concept geboren dat mensen niet hoeven te worden verteld dat dit enkele superrelevante producten voor hem zijn.
Ja, er is trouwens een manier om ze te vermengen met irrelevante. Maar het tegenovergestelde is waar: soms komen mensen binnen en hebben ze interactie met dit irrelevante product. Er ontstaan willekeurige uitschieters, modellen breken en de zaken worden zelfs nog ingewikkelder. Maar dit bestaat echt. Bovendien verwarren veel bedrijven de gegevens soms opzettelijk, als ze weten dat iemand hun gegevens verwerkt (iemand zou zulke output van hen kunnen stelen), zodat ze later kunnen bewijzen dat je de gegevens niet uit het aanbevelingssysteem hebt gehaald, maar uit de zogenaamde Yandex.Market.
Advertentieblokkers en browserbeveiliging
Z: - Hallo. U noemde Ghostery en Adblock. Kunt u ons vertellen hoe effectief dergelijke trackers in het algemeen zijn (misschien op basis van statistieken)? En heb je al orders gehad van bedrijven: die zeggen: zorg ervoor dat onze advertenties niet door Adblock afgesloten kunnen worden.
OH: – We nemen geen rechtstreeks contact op met advertentieplatforms – juist om te voorkomen dat zij vragen om hun advertenties voor iedereen zichtbaar te maken. Ik gebruik persoonlijk Ghostery – ik vind het een erg coole extensie. Nu vechten alle browsers voor privacy: Mozilla heeft allerlei updates uitgebracht, Google Chrome is nu superveilig. Ze blokkeren allemaal alles wat ze kunnen. “Safari” heeft “Gyroscoop” zelfs standaard uitgeschakeld.
En deze trend is natuurlijk goed (niet voor degenen die gegevens verzamelen, hoewel ze er ook uit zijn gekomen), omdat mensen eerst cookies blokkeerden. Iedereen die eigenaar was van advertentienetwerken herinnerde zich zo'n prachtige technologie als browservingerafdrukken - dit zijn algoritmen die 60 verschillende parameters ontvangen (schermresolutie, versie, geïnstalleerde lettertypen) en op basis daarvan een unieke "ID" berekenen. Laten we hier verder mee gaan. En browsers begonnen hiermee te worstelen. Over het algemeen zal dit een eindeloze strijd tussen de titanen zijn.
De nieuwste ontwikkelaar Mozilla is behoorlijk veilig. Het bespaart vrijwel geen cookies en heeft een korte levensduur. Zeker als je ‘Incognito’ aanzet, zal niemand je vinden. De vraag is dat het lastig zal zijn om wachtwoorden in alle services in te voeren.
Waar werken psychotypering en fysionomie wel en niet?
Z: – Arthur, hartelijk dank voor de lezing. Ik volg je lezingen ook graag op YouTube. U zei dat marketeers steeds vaker hun toevlucht nemen tot psychotypering en fysionomie. Mijn vraag is: in welke merkcategorieën werkt dit? Mijn overtuiging is dat dit alleen geschikt is voor FMCG. Het kiezen van een auto is bijvoorbeeld...
OH: – Ik kan downloaden waar het precies werkt. Dit werkt in allerlei verhalen zoals “Amediateka”, tv-series, films enzovoort. Dit werkt goed bij banken en bankproducten, als het niet om het premiumsegment gaat, maar om allerlei soorten studentenkaarten, afbetalingsplannen, dat soort dingen. Dit werkt echt heel goed in FMCG en allerlei iPhones, opladers en al deze onzin. Dit werkt goed in ‘mama en pop’-producten. Hoewel ik dat weet in de visserij (er is zo'n onderwerp)... Er zijn verschillende keren gevallen met vissers geweest - ze kunnen nooit op betrouwbare wijze worden gesegmenteerd. Ik weet niet waarom. Een soort statistische fout.
Dit werkt niet goed bij automobilisten, bij sieraden of bij sommige huishoudelijke artikelen. In feite werkt het niet goed met dingen waar mensen nooit over zouden schrijven op sociale media - je kunt het op deze manier controleren. Conventioneel, bij de aankoop van een wasmachine: hoe kun je begrijpen wie een wasmachine heeft en wie niet? Het lijkt alsof iedereen het heeft. U kunt OFD-gegevens gebruiken - zien wie wat heeft gekocht met behulp van bonnen, en deze mensen matchen met behulp van bonnen. Maar in feite zijn er dingen waar je bijvoorbeeld nooit op Instagram over zou praten - het is moeilijk om met zulke dingen te werken.
Machines herkennen trucs als statistische vulling.
Z: – Ik heb een vraag over targeting. Is het mogelijk (of bestaan ze ineens) van een voorwaardelijk willekeurig personage dat zichzelf in alles tegenspreekt: eerst Googlet hij “de beste sportscholen”, en dan Googlet hij “10 manieren om niets te doen”? En zo is het in alles. Kan targeting iets bijhouden dat zichzelf tegenspreekt?
OH: – De enige vraag hier is deze: als je Google al twee jaar gebruikt, alles over jezelf hebt verteld wat je kunt, en nu een plug-in voor jezelf installeert die soortgelijke willekeurige zoekopdrachten zal schrijven, dan zul je natuurlijk uit de statistieken je kunt het begrijpen – wat je nu doet is een statistische uitschieter, en dit is allemaal een kwestie van uitzoeken. Als u wilt, registreer dan een nieuw account, maar het advertentievolume verandert niet. Ze zal gewoon raar worden. Hoewel ze nog steeds vreemd is.
Sommige advertenties 🙂
Bedankt dat je bij ons bent gebleven. Vind je onze artikelen leuk? Wil je meer interessante inhoud zien? Steun ons door een bestelling te plaatsen of door vrienden aan te bevelen, , een unieke analoog van servers op instapniveau, die door ons voor u is uitgevonden: (beschikbaar met RAID1 en RAID10, tot 24 cores en tot 40GB DDR4).
Dell R730xd 2x goedkoper in Equinix Tier IV datacenter in Amsterdam? Alleen hier in Nederland! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - vanaf $99! Lees over
Bron: www.habr.com