Платформа подбора блогеров и целевой аудитории для рекламных кампаний
Система автоматизирует поиск и ранжирование блогеров под задачи бренда, объединяя аналитику, скоринг и ML-подбор для более точного медиапланирования.
NDA
Заказчик Агентство инфлюенс-маркетинга полного цикла, работающее с брендами и блогерами в рамках рекламных кампаний различного масштаба.
Задача Создать платформу, которая на основе данных и ML-скоринга позволяет быстро находить релевантных блогеров под задачи бренда, снижая долю ручной аналитики и повышая качество медиапланирования.
Срок 2023-2025
О проекте
Платформа объединяет сбор и анализ данных из социальных сетей в единую систему подбора и оценки блогеров для рекламных кампаний. В основе — автоматический парсинг, скоринг и ML-модели, которые позволяют сравнивать блогеров, анализировать аудиторию и прогнозировать параметры размещений. Для бизнеса это означает быстрые и обоснованные решения при планировании РК без ручной аналитики и разрозненных источников данных.
NDA
Заказчик Агентство инфлюенс-маркетинга полного цикла, работающее с брендами и блогерами в рамках рекламных кампаний различного масштаба.
Задача Создать платформу, которая на основе данных и ML-скоринга позволяет быстро находить релевантных блогеров под задачи бренда, снижая долю ручной аналитики и повышая качество медиапланирования.
Срок 2023-2025
х10
1
Формализация критериев и метрик подбора
Зафиксировали бизнес-критерии выбора блогеров и аудитории: тематики, форматы контента, метрики вовлечённости, рекламные сигналы и ограничения кампаний, чтобы перевести экспертный опыт агентства в формализованные правила и признаки.
2
Система парсинга данных из соцсетей
Построили систему парсинга каналов, постов, реакций, комментариев и медиа-контента с учётом ограничений платформ и защиты от блокировок, приведя данные к единой структуре для анализа.
3
Data- и ML-обработка
Реализовали ML-модули для классификации рекламного контента, анализа тональности, выделения сущностей, OCR рекламы в изображениях и скоринговой оценки блогеров и их аудитории.
4
Ранжирование и принятие решений
Собрали механизм сравнения и ранжирования блогеров по заданным параметрам кампании, включая прогнозные оценки и фильтрацию, чтобы сократить ручную аналитику и ускорить медиапланирование.
5
Продуктовая интеграция и эксплуатация
Интегрировали платформу в рабочие процессы агентства, обеспечив интерфейсы для поиска, фильтрации и анализа, а также возможность масштабирования на новые источники и сценарии использования.Интересный факт
≈500 ГБ данных каждый день
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управления
Backend
Логика обработки и базовые компоненты системы
ML
Модели и фреймворки для обучения
Вызовы и решения
Неформализованный процесс подбора блогеров
Подбор блогеров и оценка их аудитории опирались на экспертное мнение и разрозненные данные, что делало процесс трудномасштабируемым, зависимым от конкретных специалистов и слабо воспроизводимым от кампании к кампании.РЕШЕНИЕ
Формализовали критерии подбора и оценки блогеров
Перевели экспертную логику агентства в набор измеримых параметров и правил, применимых для автоматического поиска, сравнения и ранжирования.Протоколы защиты от парсинга
Социальные платформы регулярно изменяют механизмы защиты от автоматического сбора данных, что создаёт риск нестабильной работы парсеров и потери актуальности данных для аналитики и подбора блогеров.РЕШЕНИЕ
Адаптировали механизм сбора данных
Разработали адаптивные механизмы сбора данных, учитывающие ограничения платформ и позволяющие оперативно перестраивать логику парсинга без остановки работы системы. Это обеспечило стабильное обновление данных и предсказуемую эксплуатацию платформы в долгосрочной перспективе.Рост объёма данных без потери управляемости
Платформа обрабатывает большие массивы данных по блогерам, контенту и аудитории, и без продуманной архитектуры это приводило бы к деградации производительности и усложнению анализа.РЕШЕНИЕ
Построили масштабируемую data-архитектуру
Это позволило работать с большими объёмами данных и сохранять стабильную скорость аналитики и отклика системы.≈500 ГБ в день
обрабатываемых данных из соцсетей
Все в одной системе
блогеры, контент и аудитория
1 интерфейс
для подбора и анализа блогеров
Команда, которая внедрила проект
Константин Порошкин
ML-инженер
Алексей Цибульников
Python backend-разработчик
Роман Фёдоров
Бизнес-аналитик
Михаил Моисеев
CV-инженер
Марк Яговкин
Руководитель разметки данных
Дмитрий Соркин
DevOps-инженер
Планы на будущее:
Масштабирование платформы под CPA-кампании и новые сценарии медиапланирования.
Готовые проекты
Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.
Разработка крупной системы
AI-контроль электробусов при заезде в парк
Разработка крупной системы
ИИ-контроль качества печатных плат
Разработка крупной системы
AI-контроль качества мороженого на линии
Разработка крупной системы
Автоматический подсчет рыбы в сложной производственной среде
Разработка крупной системы
3D-инспекция кузова фур
Разработка крупной системы
Компьютерное зрение в метрологии
