<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>интернет-реклама &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/internet-reklama/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 22:08:26 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>интернет-реклама &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>РРС на максималках: Чему я научился, управляя контекстной рекламой с бюджетом более $100 млн</title>
		<link>https://mlgu.ru/1139/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 06 Dec 2024 18:16:26 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1139</guid>

					<description><![CDATA[Эта статья &#8212; перевод очень годного кейса, которым поделился Nicolas Garfinkel (оригинал тут). 150 миллионов долларов &#8212; это огромные деньги. За такую сумму можно многое купить в этом мире! Может быть, вы мечтаете об особняке в Бель-Эйр? А может, вы предпочитаете частный остров в Тайланде рядом со знаменитым пляжем Пхукета? На $150 млн можно купить [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование трафика и конверсий сайта с помощью Catboost</title>
		<link>https://mlgu.ru/1004/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 06 Nov 2024 21:52:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1004</guid>

					<description><![CDATA[За последние годы я реализовал множество проектов по прогнозированию метрик веб-сайтов, и могу с уверенностью сказать, что алгоритм CatBoost от Яндекса произвел настоящую революцию в этой области. В данной статье я поделюсь своим опытом использования CatBoost для создания точных прогнозов трафика и конверсий, а также расскажу о тонкостях работы с этим инструментом на реальных данных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>A/B-тестирование маркетинговых кампаний с помощью Python</title>
		<link>https://mlgu.ru/871/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 17 Oct 2024 22:18:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[plotly]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=871</guid>

					<description><![CDATA[A/B-тесты сегодня широко используются в диджитал-маркетинге для анализа эффективности рекламных и маркетинговых стратегий. Благодаря таким тестам маркетологи и аналитики могут понять, какой дизайн сайта или приложения может конвертировать больше трафика в продажи. Целью A/B-тестирования может быть не только повышение продаж, но и увеличение подписчиков или трафика, установок приложений на смартфоны или других целевых действий. A/B-тестирование [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>База данных веб-аналитики: Топ 30 основных запросов в SQL</title>
		<link>https://mlgu.ru/620/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 22 Sep 2024 18:53:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[sql]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=620</guid>

					<description><![CDATA[В этой статье я хочу поделиться опытом и рассказать о 30 наиболее важных SQL-запросах, которые позволяют извлечь максимум пользы из базы данных веб-аналитики. Многие из этих запросов являются нестандартными и редко используемыми аналитиками. И в этом их главная ценность, так как они позволяют посмотреть на ваши данные совершенно с неожиданных углов. Для удобства я разбил [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Выявление скрытых причин снижения прибыли сайта</title>
		<link>https://mlgu.ru/535/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Sep 2024 22:03:15 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=535</guid>

					<description><![CDATA[Существует множество метрик, по которым можно оценить &#171;здоровье&#187; сайта. Это трафик, количество просмотров страниц, конверсия и т. д. Но что делать, если все эти параметры хороши и стабильны, а прибыль от интернет-бизнеса, тем не менее, неуклонно снижается? Ниже я поделюсь с вами одним очень интересным кейсом, который мне довелось проанализировать. Речь идет об успешном интернет-бизнесе, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Определение лучших источников трафика сайта с помощью Python</title>
		<link>https://mlgu.ru/515/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Sep 2024 20:25:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=515</guid>

					<description><![CDATA[В современном интернет-маркетинге понимание эффективности источников трафика сайта является одним из важнейших критериев оптимизации маркетинговых стратегий и повышении конверсии. В этой статье я поделюсь своим опытом использования Python для глубокого анализа источников трафика, уделяя особое внимание UTM-меткам и их влиянию на конверсию. Почему анализ источников трафика так важен? Прежде чем мы погрузимся в технические детали, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как строить сложные воронки, свои модели атрибуции, ассоциированные конверсии с помощью Python и Pandas</title>
		<link>https://mlgu.ru/391/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Sep 2024 16:28:00 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=391</guid>

					<description><![CDATA[Традиционные методы анализа воронок продаж и моделей атрибуции часто оказываются недостаточными для современных многоканальных маркетинговых стратегий. Пользователи взаимодействуют с брендом через множество точек контакта, и их путь к конверсии может быть длинным и запутанным. Именно поэтому аналитикам и маркетологам нужны более совершенные инструменты для анализа и оптимизации маркетинговых усилий. Язык программирования Python и его основная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Трафик сайтов. Анализ воронки и клиентского поведения с помощью Python</title>
		<link>https://mlgu.ru/383/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Sep 2024 20:47:41 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=383</guid>

					<description><![CDATA[В эпоху доминирования цифровых коммуникаций сайты часто являются первой точкой контакта с потенциальными клиентами. И понимание того, как пользователи взаимодействуют с сайтом, откуда они приходят и что их интересует, может дать ценное преимущество в конкурентной борьбе. В этой статье я поделюсь своим опытом и расскажу, как использовать Python для глубокого анализа трафика сайтов и поведения [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет и анализ продуктовых метрик по данным веб-аналитики с помощью Python</title>
		<link>https://mlgu.ru/355/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Sep 2024 20:28:18 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=355</guid>

					<description><![CDATA[В современном мире данных и аналитики ключом к успеху любого онлайн-бизнеса является глубокое понимание поведения пользователей и эффективности продукта. В этой статье я поделюсь своим опытом использования Python для расчета и анализа продуктовых метрик, которые помогают принимать обоснованные решения и оптимизировать бизнес-процессы. Мы погрузимся в мир веб-аналитики, рассмотрим ключевые продуктовые метрики и научимся их вычислять [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Ad hoc анализ трафика сайтов с помощью SQL и Python</title>
		<link>https://mlgu.ru/330/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 16 Sep 2024 20:32:39 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[etl]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[sql]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=330</guid>

					<description><![CDATA[Ad hoc анализ &#8212; это метод исследования данных, который фокусируется на конкретных бизнес-вопросах или проблемах, возникающих в режиме реального времени. В контексте анализа трафика сайтов, ad hoc подход позволяет нам быстро реагировать на неожиданные тренды, аномалии или возможности, которые могут быть упущены при стандартном регулярном анализе. В этой статье я поделюсь своим опытом использования SQL [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
