hyperad

Программное решение для определения заданных сегментов аудитории в мобильной среде по косвенным данным

Разработанное data science AdTech решение является дополнением платформы Hyper Tech. ❗️В условиях ограничений политики конфиденциальности и передачи данных («cookie less» и «post idfa») мобильных операционных систем решение на основе моделей ML позволяет решать следующие задачи:
✅ Классифицировать пользователей на заданные сегменты
✅ Определять интересы пользователей и атрибуты их поведения
✅ Формировать новые уникальные аудиторные сегменты
✅ Оценивать охват по предложенным сегментам

Стек решения: приложение: python, aiohttp, grpc, vue.js, elasticsearch, docker; ds/ml часть: python3, catboost, sklearn, и тд.

Уникальность: кроме основного заявленного функционала решение позволяет 🔝создавать доработанную сегментацию для маркетинговых кампаний, 🔝строить дашборды и аналитику по выделенным сегментам, 🔝осуществлять мониторинг деградации и дообучение ML моделей. 

Сроки разработки: 3 месяца (разработка пилотной версии) ➕ 6-12 месяцев (пилотные испытания и доработка) ➕ 3-6 месяцев (промышленной внедрение)

Стоимость разработки: 0,5 млн руб (разработка пилотной версии) ➕ 2 млн руб (пилотные испытания и доработка) ➕ 1 млн руб (промышленной внедрение)

Демо: Демо приложения доступно по адресу: https://hyperad.waico.ru/

ML часть

Задача 1

Подготовка данных:

• Очистка данных
• Генерация признаков
  Код для предобработки данных находится здесь.

Построение моделей классификации:

• CatboostClassifier 5 Folds
  Код для обучения моделей находится здесь.

Задача 2

Подготовка данных:

• Очистка данных
• Генерация признаков
• Добавление результатов классификации
• Категоризация
• Подвыборка данных

Возможные подходы:

• Иерархическая
• ROCK
• K-Modes
• Latent Class Analysis
• Нейронные сети (Автоэнкодеры) -> классические алгоритмы кластеризации
• Расчет мер близости (MCA, Gower) -> классические алгоритмы кластеризации

Более подробно в этом ноутбуке.

Приложение

Запуск решения в Docker

Для запуска решения с помощью Docker (необходим Docker Compose) достаточно ввести следующие команды:

git clone https://github.com/waico/hyperad.git
cd ./hyperad
docker-compose up -d --build

Решение будет доступно по адресу http://127.0.0.1:8010/

Запуск решения локально

Решение разворачивается на любой OS, однако разработка и отладка проводилась на OS Windows 10.

Необходимое ПО для разработки и запуска решения.

1. Python 3.8.5 https://www.python.org/ftp/python/3.8.5/python-3.8.5-amd64.exe

Выполните следующие команды для запуска решения:

git clone https://github.com/waico/hyperad.git
cd ./hyperad/src
python -m venv venv
.\venv\Scripts\activate
pip install -r .\requirements.txt
python .\app.py --host 127.0.0.1 --port 8010

Решение будет доступно по адресу http://127.0.0.1:8010/