Предсказательная модель для оценки рыночного потенциала рекламных материалов, дизайнов и упаковки “Шагал”

Оптимизация работы отделов маркетинга в плане разработки, тестирования и улучшения маркетинговых материалов таких как eCom карточки продуктов, баннеры, печатная реклама, упаковка продукта.

2024

Была создана уникальная предсказательная модель, которая позволяет с точностью до 80% предсказать насколько потребители будут готовы воспользоваться рекламным предложением, какой интерес вызовет eCom карточка продукта и сколько людей захочет купить продукт в новой упаковке. 

Да

В проекте был использован фреймворк Python, что обеспечило гибкость и удобство разработки. Для оценки эстетичности изображений применялись нейронная сеть способная достичь высокую точность в определении эстетических характеристик. Изначальная архитектура модели была адаптирована с добавлением кастомных функций и дополнительных параметров, что позволило улучшить её производительность под специфические задачи проекта. Все веса модели были полностью переобучены с использованием графических процессоров (GPU). Интерфейс реализован с фреймворком Streamlit.

В проекте не используются решения из каталога Global CIO

Степень сложности - высокая.

Модель Шагал была обучена в 2 этапа:

1 этап: Модель была обучена определять разные категории продуктов по картинке, понимать что написано на упаковке или в рекламе, что именно человек должен был сделать в результате контакта с таким предложением.

2 этап: Модель была обучена предсказывать реакцию на представленное изображение для разных групп потребителей с разным доходом, разного возраста, проживающих в разных регионах страны. Точность предсказания потенциала дизайна была доведена до 80%.  

Моделирование выбора упаковки, рекламы или eCom материалов

• модель имитирует независимую оценку (как при монадическом тестировании), далее предсказывает распределение оценок по 5-бальной шкале для показателей “привлекательность” и “готовность купить”; 

• для сопоставимости и сравнения результатов с другими методами производится расчет индекса NET для привлекательности и готовности купить; 

• отбор лучших дизайнов на основании более строгого критерия NET привлекательности и готовности купить продукт.

Модель использует в работе:

• предобученную нейронную сеть;

• имеющиеся данные предыдущих опросов;

• распознавание брендов (оценивает силу влияния брендов на респондентов);

• социо-демографические параметры целевой аудитории;

• категоризацию продуктов по 186 категориям;

• узнавание на упаковке или в рекламе более 50 ключевых атрибутов.

Города РФ