Опубликовано: 20.08.2026 | Источник: CNews (новости)

```html

Интерактивная видеореклама в дипломе: метрики вовлеченности и ML-рекомендации

Новость от «МТС Ads Premium Video» — запуск интерактивных механик в «Онлайн ТВ» — не просто маркетинговый ход. За этим стоит смена парадигмы: реклама в трансляциях перестаёт быть пассивным баннером и превращается в управляемый пользователем опыт. Для студента ИТ-специальности это готовый полигон для ВКР: от прототипа рекомендательного сервиса до системы сбора и анализа событий вовлечённости. В статье разберу, как превратить этот кейс в защищаемую работу с понятными главами, метриками и диаграммами. Приготовьтесь: темы будут привязаны к реальному стеку Data/ML — без абстрактных «повышений эффективности».

От статьи к ВКР: три актуальных направления

Интерактивные механики в видеорекламе открывают три чёткие области для исследования. Они перекликаются с этапами создания любого data-driven продукта: сбор данных, модель, оценка. Я выбрал схему B — объединяю темы с основной частью, потому что здесь логичнее сначала показать «скелет» работы, а потом объяснить, чем его наполнить.

Как без боли встроить статью в главы 1 и 2

У большинства студентов проблема — наполнить теорию не абстрактными «современными трендами», а конкретными фактами. Статья про МТС Ads даёт идеальный крючок для главы 1. Например:

• в разделе «Актуальность» укажите, что интерактивные механики — не экзотика, а продуктовая фича крупного игрока;
• в обзоре литературы опишите, как меняется стандарт VAST по пути к интерактиву, подкрепив ссылкой на новость;
• в главе 2 во время проектирования схемы данных спроектируйте таблицы событий именно для кейса «онлайн ТВ».

Для главы 2 важна диаграмма C4. Если в вашей ВКР проектируется сервис, обязательно постройте контекстную и контейнерную диаграммы. Для темы с аналитикой это выглядит так:

[Browser/Set-top box] --WebSocket--> [API Gateway] --> [Event Handler] --> [Kafka]
                                                              |
                                                              v
[Metabase Dashboard] <--ClickHouse <-- [Stream Processing (Python)]

Не надо рисовать в ASCII в самой работе — используйте PlantUML или draw.io. Но принцип остаётся: потоки событий, промежуточные шины, хранилища.

Какие метрики по-настоящему покажут результат

Для интерактивных механик классический CTR всё ещё важен, но добавьте более честные метрики. Для работ по данным — AUC или NDCG, если делаете рекомендации. Для сервисных работ — время ответа API и пропускную способность.

В главе 3 удобно посчитать экономию от интерактива. Пример псевдокода для расчёта VTR (view-through rate) из событий:

import pandas as pd

def vtr(events: pd.DataFrame) -> float:
    """
    VTR = доля пользователей, посмотревших до конца.
    events: колонки user_id, event_type, ts, duration_watched
    """
    watched_full = events[events['event_type'] == 'impression']
    completed = events[(events['event_type'] == 'complete')]
    return len(completed) / len(watched_full) if len(watched_full) else 0.0

Такой код легко переносится в приложение к ВКР и визуально показывает уровень владения Python.

Оценка качества и оформление

Помните два стандарта: ГОСТ 7.32 — для оформления текста и ГОСТ 34 — для технического задания и архитектуры. Если используете термины «качество» и «надёжность», ссылайтесь на ISO/IEC 25010 — это добавит веса работе. На защите это особенно ценят: «Мы спроектировали систему в соответствии с требованиями ISO/IEC 25010 к сопровождаемости» звучит лучше, чем «всё работает».

Чему вы научитесь после такой ВКР

• Проектировать микросервисную архитектуру для обработки событий с временными рядами.
• Считать метрики вовлечённости и корректно интерпретировать результаты A/B-теста.
• Строить диаграммы C4/UML, понятные даже гуманитариям на кафедре.
• Оформлять ТЗ по ГОСТ 34 и защищать архитектурные решения.
• Валидировать ML-модель на исторических данных и планировать пилот.

Частые вопросы студентов

Выбрать сложную ML-тему или простой веб-сервис?

Исходите из срока и своей уверенности. Если есть данные (свои или синтетика) — берите рекомендательную систему. Если данных нет, лучше сервис с аналитикой: данные можно генерировать скриптом, а всё остальное — честная инженерия. В обоих случаях новость про МТС Ads даёт актуальную привязку.

Где взять данные для обучения модели?

Открытые датасеты: движение мыши, клики в рекламе (например, Criteo). Для событий онлайн-ТВ придётся сгенерировать синтетику. В работе это оформляется как «программная имитация поведения пользователей» — это полностью валидный подход для ВКР, если вы опишете закономерности распределения.

Как быть, если научный руководитель не верит в ML?

Покажите экономическую часть. Считайте: вместо «точность 82%» — «снижение стоимости клика на 15% при том же бюджете». Используйте простые модели (логистическая регрессия) в качестве базовой линии, а нейросети упомяните в перспективе. Это закрывает вопрос обоснованности.

Требуют ли ГОСТ диаграммы и код?

Код не обязателен в основном тексте — вынесите его в приложение с пояснениями. Диаграммы нужны: либо в главе 2, либо в отдельном разделе приложений. Обязательно проверьте ГОСТ 7.32 для нумерации таблиц и рисунков — это частая причина возврата работы на доработку.

Источник: «МТС Ads Premium Video» запустил интерактивные механики в «Онлайн ТВ» (опубликовано 2026-03-19)

```