Размышления о будущем

Как "собрать" Клиента?!

Kаким образом реклама достигает конечного потребителя? Современный клиент, активно погруженный в Digital мир, постоянно переключается между устройствами - смартфоны, планшеты, ноутбуки. По статистике в 2014 году в каждом домохозяйстве в США как минимум 5-7 подключенных к интернет устройств, между которыми постоянно переключаются пользователи. Как же узнать одного клиента в его "путешествии" между устройствами?

Существует несколько подходов для решения этой задачи.
Предположим, что у типичного клиента есть смарфтон, планшет и ноутбук. Или для более точного разделения - привычный интернет-клиент и мобильный клиент.
Для отслеживания поведения пользователя в интернет-браузере долгое время использовался и продолжает использоваться механизм cookie. Веб-сервер устанавливает некий ID для клиента зашедшего на его сайт, который сохраняется на компьютере пользователя и передается на сайт при каждом последующем http-запросе.
Данный механизм активно используется в RTB (Real-Time Bidding) рекламе, позволяющий устанавливать клиенту ID, идентифицировать его между различными web-ресурсами и, тем самым, по истории поведения пользователя в интернете определять профиль его интересов и намерений для формирования персональных рекламных сообщений.
Но с ростом числа мобильных устройств и перемещением типичного потребителя со стационарного компьютера и ноутбука на планшет и смартфон, мы все чаще слышим о том, что механизм cookie умер и больше не способен поддерживать растущие потребности рынка. Кроме этого многие пользователи, зная, что их данные активно применяются для рекламы, все еще слабо персонифицированной и чаще раздражающей (да еще и кто-то успешно на этом зарабатывает), блокирует cookie и старательно защищают себя от рекламы.
Возникает две задачи:
  1. Идентификация пользователя на устройстве - User Session Tracking
  2. Идентификация пользователя между устройствами - Cross-Device User Tracking

Для решения первой задачи появляются все новые и новые механизмы. Всевозможные cookie, которые невозможно удалить, которые восстанавливаются и прописывают себя снова и снова на устройствах пользователя. Например, evercookie прописывают себя как минимум в 8 местах (для примера javascript от Samy Kamkar) и доставляют много мороки по их вычищению.
Сейчас активно используется механизм Canvas Fingerprinting, представляющий из себя уникальный "слепок" устройства (браузер рисует 2D картинку, которая переводится в digital идентификатор и практически уникальна, так как учитывает версию браузера, операционную систему, драйверы и многие другие параметры устройства).
Весьма неплохой обзор существующих и пополняемых техник можно найти здесь.
Но ключевой проблемой все еще остается возможность идентификации пользователя "путешествующего" между своими устройствами. В данном случае мы должны сделать выбор между точными (Deterministic) и вероятностными (Probabilistic) подходами.

Deterministic

Мы уже привыкли к тому, что на каждом новом устройстве Facebook, Twitter, Google и другие предлагают нам ввести логин и пароль и идентифицировать себя. Множество сервисов в интернете предлагают нам использовать логин и пароль из соц сетей. Так они узнают обо всех наших устройствах, которые мы используем, и собирают максимально точную информацию о наших интересах и предпочтениях. И активно выходят на рынок рекламы.
Например, Facebook запустил Atlas и ввел новый тренд в маркетинге - People-Based Marketing.
Но и телеком игроки не отстают. Показателен пример Verizon с их PrecisionID, который прописывается в HTTP заголовок на уровне работы сети оператора и однозначно идентифицирует клиента.

Probabilistic

Существует множество компаний, которые используя различные статистические подходы, машинное обучение и аналитику больших данных, пытаются решить эту задачу.
Например, один из сильнейших игроков на этом рынке Tapad позволяет "узнать" клиента при переходе с одного устройства на другое с точностью 91,2%, благодаря анализу более 250 миллиардов таких переходов в месяц.
Компания Drawbridge, еще один лидер на рынке Cross-Device User Tracking, обладает данными об 1,1 миллиарде пользователей и их 3 миллиардах устройств. Используя механизмы машинного обучения, паттерны поведения и гео-позиционирование с высокой точностью определяет соответствие между устройствами и активно участвует в экосистеме интернет-рекламы.
Развитие аналитики больших данных и технологий реализации алгоритмов машинного обучения позволяют с высокой точностью решать задачи идентификации клиента и позволяют "собрать" самый интересный puzzle - Клиента. А объединение Deterministic и Probabilistic подходов позволяют достичь еще более точных результатов.
Поэтому с оптимизмом смотрим вперед в надежде "видеть только ту рекламу, которая нам действительно нужна".