Graph Neural Networks: буст ROI и новые аудитории

Алгоритмы Facebook*, TikTok или Google Ads давно умеют находить целевую аудиторию по заданным параметрам. Но обратная сторона этого — конкуренция за очевидную аудиторию растет, что увеличивает и стоимость клика. Поэтому так важно уметь находить серые зоны в аудитории.

Для этого нужно копать глубже и не просто думать о параметрах, а анализировать цифровые следы юзеров, раскапывать неочевидные связи между ними — и отсюда находить новые микросегменты аудитории. Это можно делать ручками, но зачем? Вы можете разделить эту работу с Graph Neural Networks (GNN). О них сегодня и расскажем.

Что такое GNN простыми словами

Аудитория в соцсетях — это не просто список пользователей, а разветвленная сеть связей. Причем под связями можно понимать очень многое: не только общие подписки и сообщества, но и лайки и реакции на одни и те же посты или бренды.

Обычно маркетологи делят людей по классическим стандартам:

• возраст,

• пол,

• ГЕО,

• хобби и увлечения,

• интересы на основе статы из рекламного кабинета.

Однако этот подход часто игнорирует важную вещь — поведение пользователей в интернете.

Нейронные сети типа Graph Neural Networks, или просто графовые, позволяют взглянуть по-другому на поиск аудитории и улучшить таргет. Такие нейронки анализируют не только характеристики каждого пользователя, но и то, как он связан с другими. То есть алгоритм «понимает» взаимосвязь между людьми: кто на кого подписан, какие сообщества объединяют людей, как формируются мини-группы по поведению и т. д. Они работают не с обычными таблицами или картинками, а с графами, которые как раз состоят из пользователей (узлы/ноды) и их связей (edges/ребра).

Если упростить, обычные нейронки обрабатывают, например, картинку, как совокупность пикселей — GNN же станет учитывать связи между этими пикселями. Хотя как раз с визуальными объектами такие нейронки обычно не работают, они любят цифровые и текстовые данные.

Именно в связях часто скрываются самые ценные инсайты, ведь вы можете думать, что между 25-летним парнем из Москвы и 45-летней женщиной из Новосибирска нет никакой связи. Но они могут быть подписаны на один и тот же бренд одежды или читать одних и тех же авторов, что объединяет их в одну группу интересов, на которую можно заливать.

Как GNN помогают в рекламе

Подобные нейронки позволяют более точно формировать аудиторию, особенно если стандартные параметры уже не так эффективны.

Поиск скрытых сегментов аудитории

Анализ и сегментация аудитории по демографии, интересам, хобби или даже популярным запросам ограничен, ведь этот подход игнорирует связи между людьми. GNN, напротив, нацелен на поиск взаимодействий и ищет закономерности в поступках пользователей. В итоге формируются группы людей, не имеющих явных общих интересов, но связанных другими вещами.

Например, чтобы запустить таргет на любителей фитнеса, GNN ищет тех, кто активно общается в сообществах про ЗОЖ и подписан на блогеров с лайфхаками по организации здоровой жизни. У таких людей нет пометки «спорт» в хобби, но они неравнодушны к фитнес-продуктам.

Косвенные связи

Традиционные look-alike-модели ищут «похожих» пользователей по традиционным и привычным признакам. Нейронки на базе GNN идут дальше: они анализируют и находят тех, кто связан с вашей целевой аудиторией через косвенные связи.

Благодаря этому можно охватывать серые зоны, построить новые аудитории для рекламы, которые еще не перегреты. Более того, с помощью GNN вы можете найти потенциально заинтересованных в вашем продукте до того, как этот сегмент вычислят алгоритмы рекламной платформы. Это особенно полезно для новых продуктов и узких ниш.

Предсказание поведения

Если внутри какого-то кластера 70% пользователей купили продукт или совершили целевое действие, то GNN отметит оставшиеся 30% как сегмент с хорошим потенциалом. Потому что покупательское поведение юзеров обычно соотносится с их взаимодействием в интернете.

То же самое мы видим в жизни. Если ваш друг совершил покупку, а вы любите одно и то же, то, вероятно, и вы скоро купите эту же вещь. Любопытно, что нейронка будет учитывать не только прямые связи, но и многоуровневые, то есть, например, друзья друзей, сын подруги моей мамы и т. д.

Благодаря этому вы можете формировать прогнозный ретаргетинг, целью которого будут те, кто еще не купил продукт, но при этом они уже вовлечены в тему. Кроме того, вы можете выявлять лидеров мнений внутри серых сегментов и вычислить, какие темы и форматы контента лучше заходят не отдельным пользователям, а целым группам.

Сначала GNN создает векторные представления узлов, а затем на основе этих представлений классифицирует узлы, предсказывает связи между ними или находит новые группы. Уже с этой информацией GNN может классифицировать весь граф целиком или сгенерировать совершенно новые графы.

Антифрод и фильтрация ботов

Нейронки на основе GNN способны обнаруживать и вычислять фейковые аккаунты и ботов, что превращает их в разновидность антифрод-системы. А все потому, что у ботов редко бывает разветвленная сеть естественных связей. Также у фейковых аккаунтов обычно есть повторяющиеся паттерны в поведении, например отсутствие активной вовлеченности — просто холодная подписка.

Благодаря всем этим функциям GNN помогает сделать таргетинг умнее, вам будет проще предсказывать поведение аудитории и находить «своих». А значит, ваш ROI будет расти.

Используем на практике

Представим, что вы продвигаете инвест-продукт и анализируете группу из 500 человек, которые не особо интересуются инвестициями, судя по анкетным данным. ЦА как будто мимо: нет реальных финансистов, мужчин за 50 с состоянием или людей с экономическим образованием. Однако все они:

• Читают одни и те же паблики.

• Активно реагируют на посты о финансовых лайфхаках.

• У них есть пересечения в интернете с теми, кто приобрел ваш продукт из сферы финансов.

То есть у них явно есть косвенные точки пересечения с нужной темой, а значит, можно понять закономерность «общения» внутри этого сегмента и выделить группы пользователей, которые ведут себя похожим образом. В итоге мы поймем, кто с кем взаимодействует, на какие посты реагирует, какие офферы вызывают интерес.

Можно предположить, что среди этих 500 человек есть группа «тихих» лидов, которые еще не сконвертили, но их поведение полностью повторяет поведение вашей горячей ЦА. Именно здесь подключается нейронка на базе GNN. Она выделит сегменты, где люди:

• Часто пересекаются в одних и тех же сообществах.

• Делятся похожим контентом.

• Реагируют на одни и те же офферы, даже если их демографические данные сильно различаются.

Получив такие данные, нам надо:

• Создать ретаргетинг на этот сегмент.

• Добавить персонализированные крео, основанные на интересах сегмента.

• Затестить дополнительные офферы, подходящие под их обычное поведение.

В результате вы не будете тратить бюджет на раздутый таргетинг, из которого можете получить крохи, а повысите свой профит, начав работать с горячим, но скрытым сегментом аудитории.

Суммируем: что GNN дает арбитражникам

Какие преимущества дают нейронки на базе Graph Neural Networks?

• Возможность находить скрытые аудитории, которые еще не стали мишенью конкурентов.

• Снижение стоимости лида за счет поиска смежных сегментов (ведь чем выше конкуренция за сегмент, тем дороже трафик).

• Более точные и глубокие look-alike-аудитории, чем у стандартных инструментов рекламных платформ.

• Глубокий анализ цифровых следов, который помогает строить долгосрочную стратегию продвижения.

В итоге ваша рекламная кампания становится не просто реактивной, а проактивной, то есть работает на опережение, предсказывает тренды и интересы аудитории, полезные вам.

Разные GNN-инструменты

Есть разные инструменты, работающие на основе GNN и помогающие собирать информацию и вычислять серые сегменты аудитории.

PyTorch Geometric (PyG)

Один из самых популярных фреймворков для построения и обучения GNN. Он требует определенных навыков программирования, зато позволяет кастомизировать инструмент конкретно под ваш бизнес и задачи.

Deep Graph Library (DGL)

Альтернативный вариант PyG, тоже требующий базовых знаний в кодировании. У этого фреймворка высокая скорость оптимизации, и его удобно использовать при работе с большим количеством связей. Благодаря интеграции с облачными сервисами он подходит для масштабирования рекламной стратегии.

Neo4j + GNN

Neo4j — это база данных на GNN, которая подходит для хранения данных по сложным сетям связей. Также инструмент позволяет отслеживать поведение в интернете в реальном времени. Основная сложность — здесь требуются знания программирования.

Сервисы без навыков программирования

Если вы не хотите писать код или у вас нет подходящих навыков, есть уже готовые решения на основе GNN.

Например, платформы GraphAware, RelationalAI и TigerGraph Cloud. Они позволяют:

• Загружать CSV-файлы с данными (подписчики, взаимодействия).

• Выстраивать сети взаимодействий пользователей.

• Запускать анализ для выявления неочевидных сегментов аудитории.

Эти платформы подойдут, если у вас нет команды разработчиков, а очень хочется попробовать что-то новое в формировании ЦА. Также сервисы помогут протестировать саму технологию GNN, чтобы убедиться, что она вам реально нужна.

Вывод

Нейронки Graph Neural Networks — это инструмент следующего уровня для анализа аудитории. У тех, кто освоит GNN, есть шанс получить серьезное преимущество: видеть не только кто есть кто, но и кто с кем связан и что это значит для таргетинга. Если вам удастся найти тот самый серый сегмент аудитории, то вы сможете хорошо на этом заработать, и все будут довольны.

* Meta признана экстремистской и запрещена на территории РФ.