数据科学家如何改进社交媒体广告

数据科学正在爆炸式增长——这是很自然的，因为我们不断变化的文化和学习我们快速移动的手指所掌握的任何东西的能力。

例如，在未来一年左右的时间里，互联网用户将达到第 50 亿。 与此同时，人们每年将执行约 1.2 万亿次 Google 搜索以访问互联网上超过 10 亿个网站。

每次谷歌搜索（以及其他此类互联网活动）都会创建一个数据足迹，其中充满了有关用户兴趣、行为和人口统计的信息。 这意味着世界在数据中畅游。 因此，包括 Strike Social 在内的许多营销技术公司必须依靠数据科学家的智慧来梳理哪些信息有用，哪些信息应该丢弃。

用数据科学重新思考不可能

数据科学家通常是提出看似无法回答的重大问题的人。 他们的好奇心也使他们能够在技术前沿开发新模型。 他们通过结构化实验实现这一目标，例如重组参数或组合不同的数据集。

因此，许多数据科学家来自学术背景，在生物学或物理学等领域拥有高级学位也就不足为奇了。

^{Strike 的数据科学家 Bing Bu、Dmitry Bandurin 和 Jeongku Lim 在公司位于芝加哥的总部工作。}

后者正是Strike Social 的三位数据科学家——Dmitry Bandurin、Bing Bu 和 Jeongku Lim——的情况，他们都拥有实验物理学或初等物理学的博士学位（即研究物质的基本组成部分及其组成相互作用）。 在加入 Strike 之前，Bandurin、Bu 和 Lim 是研究科学家，他们专注于粉碎大型对撞机内的基本粒子以理解宇宙。

现在，他们正在承担付费社交的世界。

作为 Strike 的高级数据科学家，Bandurin 认为他的研究背景能够重新思考大数据的可能性。 而且他习惯于使用真实的实验数据来产生新的结果。

“它永远不一样，而且总是在变化，”他说。

Bandurin、Bu 和 Lim 都同意，数据科学家需要强大的数学和分析技能以及编程能力，才能成功利用 AI 的力量进行付费社交。

那么他们的平均一天到底是什么样的呢？ Bandurin 估计会议约占他 25-30% 的时间，另外 10% 用于与开发人员合作或与数据科学团队讨论新发现。 其余时间，这些数据科学家专注于测试和开发模型，然后在原型代码中实现它们。

Bu 说他还喜欢总结每天的工作，并计划第二天、一周甚至一个月的日程安排，以备长期项目的到来。

数据科学家如何改善付费社交

通过复杂建模创建的集群帮助数据科学家测试他们在托管广告活动中的结果。 Strike 的数据科学家和媒体团队合作开发微型活动，支持对数据组合进行离散测试。 当组合执行或达到关键绩效指标时，广告支出将从表现不佳的广告组重新分配到目标更准确的广告组。

然后，活动结果被反馈到数据组合中，Strike 的科学家在其中不断完善统计模型，以不断改进性能。

查询、建模和测试的连续过程在数据分析的世界中永远不会停止——也不会停止，因为数据是不断变化的。 当人们长大后，他们会获得兴趣并摒弃旧习惯。 文化也在发展，改进的通信方法就是明证。

随着技术的发展，多年来完善的技术现在在几个月内就黯然失色，例如人工智能可以加快学习速度。

“鉴于智能手机、智能电视和其他先进电子产品的使用呈指数级增长，收集个性化信息是可以实现的，这将使个性化广告的投放成为可能，”Bu 说。 “未来，网络会更便宜，使用范围会更广，因此视频广告的受众会快速增长。”

没有 Strike 数据科学家的好奇心——以及他们对数据实验的无畏承诺——人工智能的技术进步是不可能的。

以下是他们的工作如何改变社交媒体广告。

^{Strike 的数据科学家 Jeongku Lim、Dmitry Bandurin 和 Bing Bu 都拥有实验物理学或基础物理学的博士学位。}

用于更好的受众管理的数据科学

由于每秒都会产生大量数据，营销人员必须控制因固有偏见、不完整的数据集或太小的样本而导致的错误结果。

数据科学家明白，受众并非完全基于人口统计数据，而是由具有不同行为、痛点和兴趣的人组成的。

质量数据分析结合了来自 cookie、网络分析、用户生成的内容和其他大数据源的行为线索。 为了建立详细和有用的受众，数据科学家融合大型数据集，让大数据形成细分，提供对客户行为的真正洞察。

优质受众通过广告活动中的测试进行验证，并且取决于数据的新近度、频率和深度。

请记住，受众创建始于基于已知变量和目标的假设。 例如，保险公司的初始假设可能是：寻求在线汽车保险的个人，年龄在 18-50 岁之间，至少拥有一辆汽车。 一个精心制定的假设足以缩小您的分析范围，同时产生足够的结果来发现行为和动机见解。

用于正确归因建模的数据科学

正确的营销归因，或确定是什么信息推动了购买的科学，依赖于来自转化者和非转化者的数据。 由于此数据可能非常大，因此需要高级建模来正确识别和归因于导致用户转换的事件。

由于人工智能等技术的改进，品牌现在可以更好地了解消费者的购买途径。 有了足够的数据，科学家们就可以跨营销渠道和设备来改善接触点并增强消息传递。

用于更好的实时出价的数据科学

受众细分的进步和对转化事件的更深入理解导致了 RTB 的实践，这是一种买卖广告的方法。 RTB 允许在用户访问网站的同时购买单个广告印象。

如果您曾经在网站上查看过产品，然后转到查看您的社交媒体提要，却只看到同一产品的广告，那么您可能已经通过定向广告体验过 RTB。

或者，假设您买了第一套房子，并且厌倦了用塑料盘子吃饭。 您决定在线访问 Macy's 以寻找新的餐具。 还没有准备好购买，您决定访问 Facebook 看看您的家人和朋友发生了什么。 在滚动浏览您的提要时，您发现了一则广告，其中包含您刚刚查看的餐盘的图片。

RTB 扩大了购买流程并实现了直接针对个人用户。 要参与该过程，数据科学家必须能够访问大量数据并拥有正确的专业知识来整理和检索有用的信息以获得可操作的见解。

数据科学的发展方向

有时，数据科学领域的扩张速度与 Bandurin、Bu 和 Lim 多年来探索的宇宙一样快。

“数据科学将继续帮助不同的企业解决问题，使事情更加自动化，”Bandurin 说。 “自动驾驶汽车的发展就是一个例子——其他车辆的自动化，包括飞机、下棋、帮助残疾人和人类生活各个领域的真正机器人也是如此。”

结果将是一个我们所知的全新世界。