Технологический стек

От источника до решения

Как работает технология

1. 01

   Сбор данных

   LinkSense получает данные из различных источников: CRM, рекламных систем, CPA-сетей, поисковых систем, сайтов, приложений и других маркетинговых платформ. Платформа поддерживает интеграцию более чем с 25 маркетинговыми платформами.

   В систему поступают данные о пользователях, сессиях, событиях, рекламных взаимодействиях, конверсиях и других поведенческих параметрах.

2. 02

   Объединение данных в единый User ID

   Полученные данные приводятся к единому формату и объединяются вокруг уникального User ID.

   При этом система использует три уровня данных:

   собственные данные рекламодателя;

   данные рекламных активностей — клики, результаты рекламных кампаний, социальные и поведенческие факторы;

   данные сторонних источников — платежных систем, e-mail-сервисов, DMP и других платформ.

   Это позволяет сформировать единую историю взаимодействия пользователя с различными каналами.

3. 03

   Обогащение пользовательских данных

   После объединения данные непрерывно обогащаются новыми событиями и характеристиками пользователя.

   На текущем массиве уже сформирована база более чем из 1,2 млн учетных записей, при этом ежемесячно происходит обогащение примерно 150 тыс. записей.

4. 04

   Хранение и обработка Big Data

   Для разных типов информации используются специализированные компоненты архитектуры:

   PostgreSQL — настройки системы, персональные данные и часть неперсональных данных;

   MongoDB — большие объемы неперсональных данных, включая сессии, события и cookies;

   Kafka — обмен данными между компонентами по модели Publisher/Subscriber;

   API — интеграция с внешними системами;

   сервисы обработки кампаний, чеков, файлов и коммуникаций.

   Накопленные массивы анализируются с использованием технологий Big Data и OLAP, а результаты визуализируются в BI-инструментах.

5. 05

   Скоринг и оценка качества трафика

   Для каждого пользователя система анализирует доступные характеристики и определяет его положение в модели качества.

   При поступлении нового трафика через API рекламодатель может передать известный идентификатор пользователя. Если пользователь уже присутствует в базе, система может предоставить информацию о его предыдущих обращениях, результатах взаимодействия с продуктами и другие обезличенные данные.

   На основании этих данных формируются скоринговые модели и User View (UV) — представление о вероятном поведении пользователя.

6. 06

   Машинное обучение и прогнозирование

   Накопленные данные используются для построения моделей машинного обучения.

   Система анализирует пользовательские сессии: каждая сессия содержит набор признаков, информацию об источнике трафика и целевом действии. Модель рассчитывает вероятность совершения покупки в начале и в конце сессии.

   Разница между этими вероятностями показывает, насколько конкретная сессия приблизила пользователя к целевому действию. Этот показатель используется при построении мультиканальной атрибуции.

7. 07

   Автоматическая атрибуция и распределение ценности каналов

   В результате система определяет вклад отдельных рекламных сессий и источников трафика в вероятность конверсии.

   Это позволяет получить единую картину эффективности каналов и использовать ее для оптимизации рекламного бюджета.

8. 08

   Автоматизация CPA и контроль рекламных кампаний

   Отдельный технологический контур LinkSense автоматизирует сверку заказов в CPA-кампаниях.

   Система сопоставляет данные рекламодателя и CPA-сетей, предотвращает повторную оплату уже подтвержденных заказов и позволяет избежать дублирования одного заказа между несколькими партнерскими сетями.

   Вместо браузерного трекинга используется серверная интеграция, благодаря чему снижаются потери данных, связанные с блокировкой трекинговых систем на стороне пользователя.

   Статусы заказов синхронизируются между системами, а заказы дополнительно проходят проверку на возможные нарушения. Подтвержденные заказы передаются на выплату, подозрительные могут быть заблокированы или временно удержаны до получения дополнительной информации.

9. 09

   Алгоритмическое выявление рекламного фрода

   В платформу встроены отдельные механизмы контроля качества трафика.

   Для выявления cookie-stuffing используются базовые и дополнительные фильтры, анализирующие изменения рекламных меток.

   Для обнаружения размещения контекстной рекламы на бренд используется технология эмуляции пользовательского браузера: система моделирует поиск, собирает рекламные объявления из поисковой выдачи и анализирует цепочки переходов.

Количественные показатели приведены по данным команды LinkSense.