數據科學家如何改善社交媒體廣告

數據科學正在爆炸式增長——這是很自然的，因為我們不斷變化的文化和學習我們快速移動的手指所掌握的任何東西的能力。

例如，在未來一年左右的時間裡，互聯網用戶將達到第 50 億。 與此同時，人們每年將執行約 1.2 萬億次 Google 搜索以訪問互聯網上超過 10 億個網站。

每次谷歌搜索（以及其他此類互聯網活動）都會創建一個數據足跡，其中充滿了有關用戶興趣、行為和人口統計的信息。 這意味著世界在數據中暢遊。 因此，包括 Strike Social 在內的許多營銷技術公司必須依靠數據科學家的智慧來梳理哪些信息有用，哪些信息應該丟棄。

用數據科學重新思考不可能

數據科學家通常是提出看似無法回答的重大問題的人。 他們的好奇心也使他們能夠在技術前沿開發新模型。 他們通過結構化實驗實現這一目標，例如重組參數或組合不同的數據集。

因此，許多數據科學家來自學術背景，在生物學或物理學等領域擁有高級學位也就不足為奇了。

^{Strike 的數據科學家 Bing Bu、Dmitry Bandurin 和 Jeongku Lim 在公司位於芝加哥的總部工作。}

後者正是Strike Social 的三位數據科學家——Dmitry Bandurin、Bing Bu 和 Jeongku Lim——的情況，他們都擁有實驗物理學或初等物理學的博士學位（即研究物質的基本組成部分及其組成相互作用）。 在加入 Strike 之前，Bandurin、Bu 和 Lim 是研究科學家，他們專注於粉碎大型對撞機內的基本粒子以理解宇宙。

現在，他們正在承擔付費社交的世界。

作為 Strike 的高級數據科學家，Bandurin 認為他的研究背景能夠重新思考大數據的可能性。 而且他習慣於使用真實的實驗數據來產生新的結果。

“它永遠不一樣，而且總是在變化，”他說。

Bandurin、Bu 和 Lim 都同意，數據科學家需要強大的數學和分析技能以及編程能力，才能成功利用 AI 的力量進行付費社交。

那麼他們的平均一天到底是什麼樣的呢？ Bandurin 估計會議約佔他 25-30% 的時間，另外 10% 用於與開發人員合作或與數據科學團隊討論新發現。 其餘時間，這些數據科學家專注於測試和開發模型，然後在原型代碼中實現它們。

Bu 說他還喜歡總結每天的工作，併計劃第二天、一周甚至一個月的日程安排，以備長期項目的到來。

數據科學家如何改善付費社交

通過複雜建模創建的集群幫助數據科學家測試他們在託管廣告活動中的結果。 Strike 的數據科學家和媒體團隊合作開發微型活動，支持對數據組合進行離散測試。 當組合執行或達到關鍵績效指標時，廣告支出將從表現不佳的廣告組重新分配到目標更準確的廣告組。

然後，活動結果被反饋到數據組合中，Strike 的科學家在其中不斷完善統計模型，以不斷改進性能。

查詢、建模和測試的連續過程在數據分析的世界中永遠不會停止——也不會停止，因為數據是不斷變化的。 當人們長大後，他們會獲得興趣並摒棄舊習慣。 文化也在發展，改進的通信方法就是明證。

隨著技術的發展，多年來完善的技術現在在幾個月內就黯然失色，例如人工智能可以加快學習速度。

“鑑於智能手機、智能電視和其他先進電子產品的使用呈指數級增長，收集個性化信息是可以實現的，這將使個性化廣告的投放成為可能，”Bu 說。 “未來，網絡會更便宜，使用範圍會更廣，因此視頻廣告的受眾會快速增長。”

沒有 Strike 數據科學家的好奇心——以及他們對數據實驗的無畏承諾——人工智能的技術進步是不可能的。

以下是他們的工作如何改變社交媒體廣告。

^{Strike 的數據科學家 Jeongku Lim、Dmitry Bandurin 和 Bing Bu 都擁有實驗物理學或基礎物理學的博士學位。}

用於更好的受眾管理的數據科學

由於每秒都會產生大量數據，營銷人員必須控制因固有偏見、不完整的數據集或太小的樣本而導致的錯誤結果。

數據科學家明白，受眾並非完全基於人口統計數據，而是由具有不同行為、痛點和興趣的人組成的。

質量數據分析結合了來自 cookie、網絡分析、用戶生成的內容和其他大數據源的行為線索。 為了建立詳細和有用的受眾，數據科學家融合大型數據集，讓大數據形成細分，提供對客戶行為的真正洞察。

優質受眾通過廣告活動中的測試進行驗證，並且取決於數據的新近度、頻率和深度。

請記住，受眾創建始於基於已知變量和目標的假設。 例如，保險公司的初始假設可能是：尋求在線汽車保險的個人，年齡在 18-50 歲之間，至少擁有一輛汽車。 一個精心製定的假設足以縮小您的分析範圍，同時產生足夠的結果來發現行為和動機見解。

用於正確歸因建模的數據科學

正確的營銷歸因，或確定是什麼信息推動了購買的科學，依賴於來自轉化者和非轉化者的數據。 由於此數據可能非常大，因此需要高級建模來正確識別和歸因於導致用戶轉換的事件。

由於人工智能等技術的改進，品牌現在可以更好地了解消費者的購買途徑。 有了足夠的數據，科學家們就可以跨營銷渠道和設備來改善接觸點並增強消息傳遞。

用於更好的實時出價的數據科學

受眾細分的進步和對轉化事件的更深入理解導致了 RTB 的實踐，這是一種買賣廣告的方法。 RTB 允許在用戶訪問網站的同時購買單個廣告印象。

如果您曾經在網站上查看過產品，然後轉到查看您的社交媒體提要，卻只看到同一產品的廣告，那麼您可能已經通過定向廣告體驗過 RTB。

或者，假設您買了第一套房子，並且厭倦了用塑料盤子吃飯。 您決定在線訪問 Macy's 以尋找新的餐具。 還沒有準備好購買，您決定訪問 Facebook 看看您的家人和朋友發生了什麼。 在滾動瀏覽您的提要時，您發現了一則廣告，其中包含您剛剛查看的餐盤的圖片。

RTB 擴大了購買流程並實現了直接針對個人用戶。 要參與該過程，數據科學家必須能夠訪問大量數據並擁有正確的專業知識來整理和檢索有用的信息以獲得可操作的見解。

數據科學的發展方向

有時，數據科學領域的擴張速度與 Bandurin、Bu 和 Lim 多年來探索的宇宙一樣快。

“數據科學將繼續幫助不同的企業解決問題，使事情更加自動化，”Bandurin 說。 “自動駕駛汽車的發展就是一個例子——其他車輛的自動化，包括飛機、下棋、幫助殘疾人和人類生活各個領域的真正機器人也是如此。”

結果將是一個我們所知的全新世界。