Новые рекомендации и индивидуальные прогнозы в Яндекс Директе

17 ноября 2022

#контекст

Поделиться

Илья Туманов

менеджер по контекстной рекламе

Команда Директа сообщила об обновлении рекомендаций и добавлении индивидуальных прогнозов. Последнее означает, что система будет подсказывать, как изменение некоторых настроек повлияет на эффективность кампании.

Исправить некорректный URL в ссылках объявлений. Директ остановит объявление, если в нем не работает ссылка, а вы увидите рекомендацию к исправлению. Если ссылка заработает или будет исправлена, то Директ возобновит объявление.

Изменить настройки, чтобы получать больше конверсий и кликов. Система проанализирует кампанию и предложит некоторые изменения в настройках, которые принесут ей больше эффективности. Директ покажет индивидуальные прогнозы по результатам обновления настроек.

Скорректировать ограничения бюджета на общем счете. Директ подскажет об остановке кампаний из-за лимитов общего счета.

Подключить автотаргетинг. Директ рекомендует подключать автотаргетинг для расширения аудитории в тех кампаниях, где инструмент доступен.

Рекомендации выделяются разными цветами по важности. Красный – в настройках наблюдаются критические ошибки, желтый – кампания работает с ограничениями, синий – просто совет Директа, который поможет улучшить показатели.

Рекомендации отображаются в нескольких местах:

• раздел рекомендаций доступен в левом меню;
• рекомендации для кампаний отображаются в списке кампаний (значком молнии), в статистике, редактировании настроек и на странице кампании;
• рекомендации для всего аккаунта отображаются в уведомлениях в шапке Директа.

Понравилась статья?

20 июня

Штрафы за нарушение требований по маркировке интернет-рекламы

#маркетинг

17 мая

Список полезных нейросетей для бизнеса, маркетинга и не только

#маркетинг

17 мая

Нейросети заменят SMM-специалиста?

11 мая

VIPRO и нейросети

#маркетинг

29 марта

Аудит рекламных аккаунтов полезен, но для кого?

#аудит

#контекст

29 марта

Как мы проводим юзабилити-аудит вашего сайта

#аудит

#production

Читайте где

удобно

Подписаться

Подписаться

28 марта

SEO-аудит глазами специалиста

#аудит

#seo

30 января

Подборка рекламных роликов к гендерным праздникам

#маркетинг

27 января

Зачем адаптировать к праздникам контент на вашем сайте

#маркетинг

#production

#aso

#smm

#аудит

#маркетинг

#production

#контекст

#конверсия

#seo

#tilda

#сми

А ещё наши публикации можно читать, не отрываясь от работы

Всего-то нужно подписать свой рабочий почтовый ящик на рассылку.

строго без спама

27 января

Мужчины VS Женщины или запуск рекламы в гендерные праздники…

#контекст

27 января

Как люди готовятся к гендерным праздникам

#маркетинг

21 декабря

Подготовка рекламы к новогодним праздникам

#контекст

21 декабря

Какие товары пользуются спросом в сезон новогодних распродаж

#маркетинг

21 декабря

Самые популярные запросы в поиске за 2022 год

#маркетинг

#контекст

#seo

Загрузить ещё

Поделиться

Новые рекомендации и индивидуальные прогнозы в Яндекс Директе

• vkontakte

• email

• telegram

Сертифицированное
агентство Яндекс.Директ

Сертифицированный
партнер Google AdWords

Сертифицированный
партнер myTarget

Член агентского клуба Ruward

Прямой прогноз X Рекурсивный прогноз

[Эта статья была впервые опубликована на R — инсайте R и любезно предоставлена ​​R-блогерами]. (Вы можете сообщить о проблеме с содержанием на этой странице здесь)

---

Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

Габриэль Васконселос

При работе с моделями прогнозирования возникает много путаницы, а именно разница между прямым и рекурсивным прогнозами. Я считаю, что большинство людей больше привыкли к рекурсивным прогнозам, потому что они первыми изучаются при изучении моделей ARIMA.

Предположим, вы хотите спрогнозировать переменную на несколько шагов вперед, используя только прошлую информацию, и рассмотрите два приведенных ниже уравнения: модель непосредственно к горизонту прогнозирования, который мы хотим. Теперь давайте посмотрим, каким будет прогноз на один шаг вперед для каждой модели. В первом уравнении у нас было бы и во втором уравнении мы должны сделать, чтобы получить тот же результат.

На два шага вперед все начинает меняться. В первом уравнении мы имеем:

, а во втором:

Обратите внимание, что в коэффициентах уравнения выше есть дополнительный индекс 2. Это указывает на то, что и то, и другое будет зависеть от выбора . Теперь мы можем обобщить оба случая на любой, чтобы иметь:

Первый случай называется рекурсивным прогнозом, а второй — прямым прогнозом. В рекурсивном прогнозе нам нужно только оценить одну модель и использовать ее коэффициенты для итерации по горизонту прогнозирования, пока мы не получим желаемый горизонт. В прямом прогнозе нам нужно оценить одну другую модель для каждого горизонта прогнозирования, но нам не нужно повторять прогноз. Первый вневыборочный прогноз прямого прогноза будет уже на желаемом горизонте.

Многомерные задачи

Теперь предположим, что мы хотим спрогнозировать, используя прошлую информацию и . Рекурсивная модель будет:

Прогноз на один шаг вперед будет:

Прогноз на два шага вперед:

Теперь у нас есть проблема. В прогнозе на два шага вперед мы можем просто заменить его уравнением на один шаг вперед, как мы это делали в случае с одномерной переменной. Однако у нас нет способа получить . Фактически, если мы используем другие переменные в рекурсивных прогнозах, мы также должны прогнозировать эти переменные, например, в рамках векторной авторегрессии (VAR). В прямом случае ничего не меняется: можно было просто оценить уравнение для on и .

Пример

В этом примере мы собираемся спрогнозировать инфляцию в Бразилии, используя прошлую информацию об инфляции, промышленном производстве и уровне безработицы. Рекурсивная модель будет VAR(3), а прямая модель будет простой регрессией с тремя лагами для каждой переменной.

 #инструменты для разработки библиотеки
#install_github(gabrielrvsc/HDeconometrics)
библиотека (HDEconometrics)
библиотека (изменить форму2)
библиотека (ggplot2)
# = Загрузить данные = #
данные("BRinf")
данные = BRinf[ c(1, 12, 14)]
имена столбцов (данные) = c ("INF", "IP", "U")
 

Рекурсивный прогноз

Сначала мы собираемся оценить рекурсивный прогноз на 1-24 шага (месяца) вперед. VAR будет прогнозировать все переменные, но нас интересует только инфляция. График ниже показывает, что прогноз очень быстро сходится к желтой линии, которая является безусловным средним значением инфляции в обучающей выборке. Рекурсивные прогнозы с использованием AR или VAR на стационарных и стабильных данных всегда будут сходиться к безусловному среднему, если мы не включим в модель больше функций, таких как экзогенные переменные.

 # = 24 вневыборочных (тестовых) наблюдения = #
поезд = данные[1:132, ]
тест = данные[-c(1:132),]
# = Оценка модели и вычисление прогнозов = #
VAR = HDvar(поезд, p = 3)
рекурсивный = предсказать(VAR, 24)
df = data.frame(date = as.Date(имена строк(данные)),
    ИНФ = данные["ИНФ"],
    приспособлено = c (реп (NA, 3), приспособлено (VAR) [ 1], rep (NA, 24)),
    прогноз = c(rep(NA,132), рекурсивный[ 1]))
# = Сюжет = #
dfm = расплав (df, id.vars = «дата»)
ggplot (данные = dfm) + geom_line (aes (x = дата, y = значение, цвет = переменная)) +
  geom_hline (yintercept = среднее (поезд [ 1]), тип линии = 2, цвет = «желтый»)
 

Прямой прогноз

В прямых прогнозах нам потребуется оценить 24 модели инфляции, чтобы получить 24 прогноза.

Мы должны правильно расположить данные, чтобы модель могла оценить регрессию на правильных лагах. Здесь большинство людей путаются. Давайте рассмотрим одномерный пример с использованием функции , встраивающей , для упорядочивания данных (нажмите здесь, чтобы узнать больше о функции). Я создал переменную, которая представляет собой просто последовательность от 1 до 10. Функция встраивания использовалась для генерации матрицы с ее первыми тремя лагами (мы потеряли три наблюдения из-за лагов). Модель для представляет собой регрессию столбца по остальным столбцам.

 г=1:10
лаги = встроить (у, 4)
имена столбцов (лаги) = c ("yt", "yt-1", "yt-2", "yt-3")
отстает

## yt yt-1 yt-2 yt-3
## [1,] 4 3 2 1
## [2,] 5 4 3 2
## [3,] 6 5 4 3
## [4,] 7 6 5 4
## [5,] 8 7 6 5
## [6,] 9 8 7 6
## [7,] 10 9 8 7
 

Если мы хотим запустить модель на два шага вперед, мы должны удалить первое наблюдение в столбце и последнее наблюдение в отстающих столбцах:

 lags = cbind(lags[-1, 1], lags[-nrow( лагает), -1])
colnames(lags) = c("yt", "yt-2", "yt-3", "yt-4")
отстает

## yt yt-2 yt-3 yt-4
## [1,] 5 3 2 1
## [2,] 6 4 3 2
## [3,] 7 5 4 3
## [4,] 8 6 5 4
## [5,] 97 6 5
## [6,] 10 8 7 6
 

Теперь мы просто запускаем регрессию столбцов по другим столбцам. Ибо мы должны проделать ту же процедуру еще раз, и для общего мы должны удалить первые наблюдения первого столбца и последние наблюдения остальных столбцов.

Функция внедрения также работает для матриц с несколькими столбцами. Я буду использовать его для данных, чтобы подготовить их для модели. В приведенном ниже коде выполняется прямой прогноз для горизонтов прогнозирования с 1 по 24. На графике нет подобранной линии, поскольку для каждого горизонта имеется одна подобранная модель. Вы можете видеть, что прямое прогнозирование значительно отличается от рекурсивного случая. Не сходится к безусловному среднему.

 # = Создать матрицу с лагами = #
X = встроить (данные, 4)
поезд = X[1:129, ]
тест = X[-c(1:129),]
ytrain = поезд[ ,1]
# = Xtest одинаков для всех горизонтов = #
# = Последние три наблюдения (запаздывания) поезда для каждой переменной = #
Xtest = поезд[nряд(поезд), 1:9]
# = Удалить первые три столбца поезда = #
# = Это три переменные в t = #
Xtrain = поезд[ ,-c(1:3)]
yтест = тест [ 1]
# = запустить 24 модели и прогнозы = #
прямой = с()
для (я в 1:24) {
  model = lm(ytrain ~ Xtrain) # = Выполнить регрессию = #
  direct[i] = c(1, Xtest) %*% coef(model) # = Расчет прогноза = #
  ytrain = ytrain[-1] # = Удалить первое наблюдение yt = #
  Xtrain = Xtrain[-nrow(Xtrain), ] # = Удалить последнее наблюдение других переменных = #
}
# = сюжет = #
df = data.
  frame(data=as.Date(имена строк(данные)),
                INF = данные["INF"],
                прогноз = c (rep (NA, 132), прямой))
dfm = расплав (df, id.vars = «данные»)
ggplot (данные = dfm) +
  geom_line (aes (x = данные, y = значение, цвет = переменная)) +
  geom_hline (yintercept = среднее (поезд [ 1]), тип линии = 2, цвет = "желтый")
 

Как упоминалось ранее, прогноз на один шаг вперед одинаков в обоих случаях:

 print(direct[1])

## [1] 0,7843985

печать (рекурсивная [1])

## [1] 0,7843985
 

Заключение

• Рекурсивный прогноз:
  • Одинарная модель для всех горизонтов,
  • должен повторять прогноз с использованием коэффициентов для горизонтов, отличных от единицы,
  • Прогнозы сходятся к безусловному среднему для длинных горизонтов.
• Прямой прогноз:
  • Одна модель для каждого горизонта,
  • Нет необходимости в итерации,
  • Прогнозы не сходятся к безусловному среднему,
  • Необходимо быть внимательным при размещении данных.

 

К оставьте комментарий для автора, пройдите по ссылке и прокомментируйте в их блоге: R – озарение R.

---

R-bloggers.com предлагает ежедневных обновления по электронной почте о новостях R и руководствах по изучению R и многим другим темам. Нажмите здесь, если вы хотите опубликовать или найти работу R/data-science.

---

Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

Прямой подкаст прогнозов | Школа менеджмента Андерсона Калифорнийского университета в Лос-Анджелесе

ПОДКАСТ

 

Мы повторно представили нашу ежемесячную серию Forecast Direct в виде подкаста/видео. Каждый месяц мы приглашаем приглашенных докладчиков, которые делятся своими уникальными взглядами на темы, влияющие на экономику США и Калифорнии.

Эпизоды

2023

 

Иммиграция и предоставление общественных благ

Июнь 2023
с Лео Фелером и Mine Senses

Прочитать стенограмму 900 06

Продовольственные пустыни и неравенство в питании

Апрель 2023 г.
с Лео Фелером и Ребеккой Даймонд

Прочитать стенограмму

Китайский шок

Март 2023
с Лео Фелером и Дэвидом Дорном

Прочитать стенограмму

Путешествие человечества

Январь 2023
с Лео Фелером и Одедом Галором

Прочитать расшифровку

Эпизоды

2022

 

Сгорбившись в сторону Утопии

9 0002 Декабрь 2022
с Джерри Никельсбургом и Брэдом Делонгом

Прочитать расшифровку

Эффект напряжения: как сделать хорошие идеи великими и масштаб великих идей

Октябрь 2022
с Лео Фелером и Джоном Листом

Прочитать стенограмму

Рынки нефти и цены на бензин

август 2022 г.
с Лео Фелером и Северином Боренштейном

Прочитать стенограмму

Цепочки поставок, морские перевозки и риски рецессии

апрель/май 2022 г.
с Джерри Никельсбург и Винсом Якопеллой

Прочитать стенограмму

База данных Решения о воспитании детей , Закрытие школ и многое другое

Январь 2022
с Джерри Никельсбург и Эмили Остер

Прочитать стенограмму

Эпизоды

2021

 

Зоны предпринимательства и возможностей

Декабрь 2021 г.
с Лео Фелером и Кенаном Фикри

Прочитать стенограмму

Будущее городов 9000 4

ноябрь 2021 г.
с Лео Фелером и Верноном Хендерсоном

Прочитать стенограмму

Поиск работы, размещение вакансий и страхование от безработицы во время кризиса COVID-19

Сентябрь 2021 г.
с Лео Фелером и Иоаной Маринеску

Прочитать стенограмму

Как изменение климата и погода напрямую влияют на предложение рабочей силы

Август 2021
с Лео Фелером, Лейлой Бенгали, Норой Панкратц и Джисон Пак

Прочитать стенограмму

Инфляция Экономика и управление водными ресурсами

Июль 2021 г.
с Лео Фелером, Лейлой Бенгали, Фионой Бурлиг, Луи Преонасом и Мэттом Вурманом

Прочитать стенограмму

Золотые улицы

Июнь 2021 г.
с Лео Фелером и Лией Бустан

Прочитать стенограмму

Закрывать или не закрывать: меры общественного здравоохранения и экономика

Май 2021
с Джерри Никельсбург и Эмилем Вернером

Прочитать стенограмму

90 003 Неравенство доходов, подработка и социальное страхование

Апрель 2021 г.
с Лео Фелером и профессором Кэтрин Эдвардс

Прочитать стенограмму

Различное влияние пандемического спада на занятость и роли женщин и мужчин с Джейн Олмстед-Рамси и Титаном Алоном

март 2021 г.
с Джерри Никельсбургом, Джейн Олмстед-Рамси и Титаном Алоном 016 с Лео Фелером и профессором Робертом Гордоном

Читать Стенограмма

Уроки 1920-х годов для грядущего десятилетия

Январь 2021
с Лео Фелером и профессором Мартой Олни

Прочитать стенограмму

Эпизоды

2020

 

Неравномерное восстановление экономики

Ноябрь/декабрь 2020
с Лео Фелером и доктором Гбенгой Аджилоре

Прочитать стенограмму 9 0006

Изменение климата и рынки жилья

Октябрь/ноябрь 2020 г.