携手Zefr改善数据洞察的质量和输出效率

12/17/2020

目前,许多品牌商提供了情境偏好,并通过澳鹏平台进行存储和放大,从而为每个Zefr的客户提供模型。

Zefr-logo-300x214.png

“我先前谈及信任在我们这一行业的重要性…….我们以前靠人工管理所有事情,因为我们不信任我们的质量流程,但现在我们信任澳鹏。因此,当模型表明其能够理解某些内容,澳鹏的审阅者也认可且评分较高时,我们即可确信模型几乎总是正确的。”


Jon Morra

Zefr 首席数据科学家

公司简介

随着数字内容领域的无限扩大和视频广告业务的增长,许多企业不再根据用户数据来定位广告,而是利用情境定位将广告与相关内容一起投放。Zefr 搭建了一座桥梁,将海量的内容输送给寻求更细致的语义定向广告解决方案的企业。 Zefr 的技术平台利用品牌偏好,从 YouTube 和 Facebook 等平台获取相关的视频广告机会。通过深入洞察视频上下文以及如何最大程度地利用品牌价值,Zefr 可以根据每个品牌的细微情境偏好实现精确且可扩展的内容定位——这是针对每个客户提供的定制化解决方案。他们积极的情境定位解决方案可以在正确的时间放大正确的信息,并帮助企业实现广告活动目标。


挑战

随着越来越多的品牌开始审视其内容并转向 Zefr, 寻求语义定向广告解决方案,Zefr 需要一种可持续的业务扩展方式。Zefr 起初实施内部众包计划审阅和分类大量视频数据,在两个月内约审阅 3 万个视频。 但这一内部计划很快就迎来了挑战——难以推广。它的质量控制措施有限、审阅者数量不足,故而无法自信地依赖数据标注结果。这导致在流程接近尾声时,需要进行大量的人工审阅工作,然后才能向客户提出建议。 为了改善数据洞察的质量并提升输出效率,以便为客户处理不断增长的数据量,Zefr 开始寻求外部帮助。


解决方案

Zefr 要找的是一种不过度设计但具有成本效益,并且可以灵活地满足其不断发展的需求的解决方案。2018 年,Zefr 携手澳鹏,借助澳鹏的众包解决方案,Zefr 瞬间就获得了大量可随时投入工作的数据标注人员。数量更多的审阅者和更有效的工作方式,使得Zefr可以快速训练机器学习模型,以输出准确的视频推荐。 最初,Zefr 与澳鹏仅在品牌安全方面进行合作(即消除对所有客户普遍不利的内容),随后,二者扩大伙伴关系,共同应对特定于客户细微偏好的挑战。 如今,Zefr 的情境 DMP(数据管理平台)可以让品牌商提供其情境偏好,然后使用澳鹏的平台进行存储和放大,从而为每个客户提供 Zefr 的模型。这个过程首先从 Zefr 板块主持团队开始,他们在视频相关内容的情境中,使用品牌偏好在澳鹏平台上创建任务。然后,版主会提供内容,围绕该内容创建测试问题,并将问题和视频分发给审阅者。机器学习模型处理经审阅数据,并输出特定于客户品牌的相关高价值视频。


成果

“真正关键的是有保障的生产量,这比什么都重要,因为这意味着我可以给客户一个确定的期限,这是我们与澳鹏合作之前无法做到的。而且我可以就质量和定量数据与他们随时沟通。” – Jon Morra, Zefr首席数据科学家

当 Zefr 在内部进行众包时,他们的团队需要每月审阅 1.5 万个视频。在澳鹏的帮助下,Zefr 每月能够处理大约 10 万个视频,相当于每月数据处理量增加 6.6 倍,使他们能够专注于自己的业务和发展。产出的数据质量和数量都有了显著的提高,这让 Zefr 团队可以放心地将解决方案传递给客户,而无需花费额外的时间重新检查机器和审阅者已经完成的工作。 我们的众包资源提供了一致、可预测的数据输出量。对于 Zefr 而言,这意味着能够在不牺牲质量的前提下,为客户提供对于定量数字更准确的周转时间。

澳鹏支持多语言的内容相关性标注,包括内容审核、结果评估、行业相关性判断等。