В рамках текущего R&D-проекта осуществляется разработка интеллектуального модуля анализа влияния настроек рекламной кампании на ее эффективность на основе машинного обучения и его интеграция в платформу собственной разработки AdSensor, предназначенной для контроля за рекламными кампаниями клиентов.
Инновационной частью данной работы является построение алгоритма S-Learner, а также реализация подхода Causal Learning в задаче оценки влияния найденных ошибок в рекламной кампании на ее эффективность.
Целевыми метриками для моделей являются:
- Метрика MAPE (Mean Absolute Percentage Error) для модели регрессии S-learner – менее 0,1.
- Метрика R2 score для модели регрессии S-learner – более 0,5.
- Метрика MAPE для оценки полученных значений ATE оценок их влияниях исчисляемой в бюджете – менее 0,2.
- Метрика MAPE для оценки полученных значений CATE оценок их влияниях исчисляемой в бюджете – менее 0,15.
- Метрика Recall для оценки модели поиска аномалий – не менее 0,8.
Достижение заявленных параметров моделей позволят вывести на рынок принципиально новое решение, способное давать следующие оценки:
- Оценка ATE средних потерь, измеряемых в бюджете и/или целевой бизнес-метрике по каждой из ошибок, находимых платформой AdSensor.
- Оценка CATE потерь, измеряемых в бюджете и/или целевой бизнес-метрике по каждой из ошибок, находимых платформой AdSensor в конкретный временной период и для конкретного клиента.
- Бинарная оценка наличия аномалий в работе рекламной кампании на данный момент времени.
Научную деятельность курирует кандидат технических наук Липатов Антон Юрьевич.