Система анализа рекламных размещений конкурентов у стримеров
Система автоматически отслеживает рекламные баннеры у стримеров, определяет бренд и продвигаемый продукт, считает охваты и собирает данные в отчеты. Внутри работает ML-пайплайн: он распознает логотипы, извлекает текст с баннеров и помогает классифицировать размещения по категориям.



О проекте
Маркетинговой команде нужно было регулярно отслеживать рекламную активность конкурентов у стримеров: кто размещается, у каких авторов, какие продукты продвигает, как долго длится размещение и какой охват оно может дать. Ручной мониторинг плохо подходил для такой задачи: нужно ежедневно проверять страницы стримеров, сохранять баннеры и ссылки, учитывать появление и удаление размещений, собирать просмотры трансляций и досмотры после завершения размещения. В ТЗ прямо зафиксирована цель — сократить время и затраты на получение и обработку статистики рекламных размещений конкурентов.
Мы предложили систему, которая автоматически собирает данные по заданным каналам, сохраняет рекламные баннеры и конечные ссылки, определяет бренд и классифицирует размещение по продуктовой категории. Для этого в систему заложили ML-пайплайн: детекцию логотипов, классификацию бренда, OCR-распознавание текста на баннере и анализ конечной URL-ссылки по справочнику ключевых слов.
На выходе маркетинг получает не набор скриншотов, а аналитический инструмент: бренд, продукт, стример, даты размещения, ссылка, баннер, просмотры, досмотры и отчеты для сравнения по периодам, брендам и авторам. Администратор может корректировать бренд, категорию и ключевые слова, чтобы система оставалась актуальной при появлении новых продуктов и рекламных механик.
до 80%
Базовая инфраструктура и доступы
Реализовали авторизацию, регистрацию, ролевую модель пользователей, подключение прокси и метод добавления стримеров в системуСбор данных со стриминговой площадки
Разработали парсер, механизм получения баннеров и ссылок, ежедневную проверку страниц стримеров и сохранение данных в БДСерверная логика обработки
Настроили RabbitMQ и backend-логику, чтобы передавать сохранённые баннеры в ML-пайплайн и связывать результат распознавания со статистикой размещенийML-пайплайн анализа баннеров
Собрали обработку креативов: детекцию логотипов, OCR-распознавание текста, классификацию бренда и объединение признаков для определения категории размещенияИнтерфейс, отчёты и эксплуатационная готовность
Разработали интерфейс аналитики, методы отображения данных, работу с отчётами, мониторинг, итоговое тестирование и отладку решенияИнтересный факт
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыВызовы и решения
Нестабильный сбор данных с внешней площадки
Статистика трансляций собиралась через API, данные по подписчикам — через внешний сервис, а баннеры и ссылки нужно было получать через имитацию браузерного открытия страниц стримеровОтдельный слой сбора и нормализации данных
Мы заложили парсинг страниц, получение статистики через API, работу с прокси, сохранение баннеров и конечных ссылок в хранилище и БД для дальнейшей обработкиБаннер не всегда напрямую показывает продукт
На баннере может быть только логотип, короткая ссылка, редирект или креатив без явного названия продуктаОбъединение ML, OCR и анализа ссылок
Система определяет бренд по логотипу, извлекает текст с баннера, раскрывает конечную URL-ссылку и классифицирует размещение по справочнику ключевых словОхват рекламы не заканчивается в день удаления баннера
Если считать только период активного баннера, аналитика недооценивает эффект: трансляции продолжают досматриваться после удаления размещенияУчет "хвоста" просмотров после удаления баннера
Система фиксирует дату появления и удаления баннера, а затем учитывает досмотры трансляций в течение 14 дней после завершения размещения5
брендов в базовом наборе для распознавания и сравнения
14
дней - учёт досмотров после завершения размещения
100
пользователей - поддержка одновременной работы в системе
Команда, которая внедрила проект
Константин Порошкин
ML-инженер
Алексей Цибульников
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер
Дмитрий Палий
Frontend-разработчик
Никита Болдырев
ML-инженер
Бесплатный разбор вашей задачи
На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.
Рассмотрим технические ограничения и возможный первый этап проекта.
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.











