кейс: IT, Data Science.
Привлек 180 регистраций по 2200 ₽ на курс "Machine Learning Engineer: от разработки до внедрения моделей". Выручка составила 1 386 000 ₽.
- Бюджет: 396 000 ₽
- Выручка: 1 386 000 ₽
- Окупаемость ~250%
ЗАДАЧА
IT-университет запускал курс для разработчиков и аналитиков, желающих специализироваться на машинном обучении. Задача — донести отличие ML-инженера от Data Scientist'а через РСЯ.
ЧТО БЫЛО СДЕЛАНО
Я позиционировал ML-инженера как практика, который "оживляет" модели.
Семантика и таргетинг: Использовал запросы "machine learning engineer курсы", "pytorch tensorflow", "разработка ml моделей", "как внедрить модель машинного обучения". Таргетировался на посетителей Kaggle, Habr.
Креативы: Лучший оффер: "Data Scientist анализирует и создает модели. ML Engineer — внедряет их в реальные продукты. Станьте тем, кто превращает код в работающий AI-сервис".
Семантика и таргетинг: Использовал запросы "machine learning engineer курсы", "pytorch tensorflow", "разработка ml моделей", "как внедрить модель машинного обучения". Таргетировался на посетителей Kaggle, Habr.
Креативы: Лучший оффер: "Data Scientist анализирует и создает модели. ML Engineer — внедряет их в реальные продукты. Станьте тем, кто превращает код в работающий AI-сервис".
КЛЮЧЕВОЙ ВЫВОД
При продвижении курсов по смежным IT-профессиям ключевая задача — четкая отстройка и объяснение уникальной роли каждой. Демонстрация того, где именно в производственной цепочке находится специалист и каков его конечный продукт, позволяет привлечь максимально целевую аудиторию.
