Телеком, маркетинг

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.

streamer-ad-analytics2.png
streamer-ad-analytics1.png
streamer-ad-analytics2.png
NDA
ЗаказчикКрупный телеком-оператор с задачей регулярного мониторинга рекламной активности конкурентов у стримеров.
ЗадачаГлавная задача — заменить ручной сбор конкурентной рекламы на регулярный поток данных: бренд, продукт, автор, период размещения, просмотры, досмотры и отчеты для маркетинговой команды.

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.

NDA
ЗаказчикКрупный телеком-оператор с задачей регулярного мониторинга рекламной активности конкурентов у стримеров.
ЗадачаГлавная задача — заменить ручной сбор конкурентной рекламы на регулярный поток данных: бренд, продукт, автор, период размещения, просмотры, досмотры и отчеты для маркетинговой команды.

до 80%

расчётное сокращение ручного мониторинга размещений
1
Базовая инфраструктура и доступы
Реализовали авторизацию, регистрацию, ролевую модель пользователей, подключение прокси и метод добавления стримеров в систему
2
Сбор данных со стриминговой площадки
Разработали парсер, механизм получения баннеров и ссылок, ежедневную проверку страниц стримеров и сохранение данных в БД
3
Серверная логика обработки
Настроили RabbitMQ и backend-логику, чтобы передавать сохранённые баннеры в ML-пайплайн и связывать результат распознавания со статистикой размещений
4
ML-пайплайн анализа баннеров
Собрали обработку креативов: детекцию логотипов, OCR-распознавание текста, классификацию бренда и объединение признаков для определения категории размещения
5
Интерфейс, отчёты и эксплуатационная готовность
Разработали интерфейс аналитики, методы отображения данных, работу с отчётами, мониторинг, итоговое тестирование и отладку решения

Интересный факт

Система учитывала не только просмотры во время размещения баннера, но и досмотры трансляций в течение 14 дней после его удаления — чтобы оценивать хвост рекламного охвата, а не только период публикации

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

Вызовы 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 стримеров
РЕШЕНИЕ

Отдельный 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 обработки

Баннер не всегда напрямую показывает продукт

На баннере может быть только логотип, короткая ссылка, редирект или креатив без явного названия продукта
РЕШЕНИЕ

Объединение ML, OCR и анализа ссылок

Система определяет бренд по логотипу, извлекает текст с баннера, раскрывает конечную URL-ссылку и классифицирует размещение по справочнику ключевых слов

Охват рекламы не заканчивается в день удаления баннера

Если считать только период активного баннера, аналитика недооценивает эффект: трансляции продолжают досматриваться после удаления размещения
РЕШЕНИЕ

Учет "хвоста" просмотров после удаления баннера

Система фиксирует дату появления и удаления баннера, а затем учитывает досмотры трансляций в течение 14 дней после завершения размещения

5

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.

О вашей задаче (по желанию)

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.

bracket
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
AI-Mirror
ИИ-интерактив для бренд-зоны
ai-interactive-exhibition-stand.jpg