كيف يقود الذكاء الاصطناعي حملات إعلانية أكثر فعالية

لم يعد الذكاء الاصطناعي (AI) مفهومًا مستقبليًا ، إنه عنصر أساسي اليوم.

من المساعدين الشخصيين الافتراضيين مثل Siri و Cortana ، إلى الماسحات الضوئية للصور المصممة لتحديد الأمراض ، إلى سيارات Google أو Tesla ذاتية القيادة ، أصبح الذكاء الاصطناعي جزءًا من التكنولوجيا اليومية.

وفقًا لتقرير MarketsandMarkets ، من المقدر أن تصل صناعة الذكاء الاصطناعي إلى 5.05 مليار دولار أمريكي بحلول عام 2020 ، بمعدل نمو سنوي (CAGR) يبلغ 53.65٪ بين عامي 2015 و 2020.

أحد أسباب هذا النمو الكبير هو الاستخدام المتزايد لتكنولوجيا التعلم الآلي - فئة فرعية من الذكاء الاصطناعي حيث تتعلم أجهزة الكمبيوتر من البيانات نفسها في صناعة الإعلان والوسائط.

التعلم الآلي له تأثير كبير على نظام الإعلانات بالفعل. أحد أفضل الأمثلة هو المزايدة في الوقت الفعلي (RTB) ، حيث يمكن شراء أو بيع مساحة إعلانية عبر الإنترنت تلقائيًا في الوقت الفعلي.

توفر خوارزميات التعلم الذاتي ، التي تُستخدم عادةً لتشغيل الحملات عبر الإنترنت ، للمعلنين القدرة على تحديد المتسوقين الإلكترونيين الأكثر قيمة ، ثم نشر الإعلانات المخصصة لكل عميل وتشجيعهم على اتخاذ الإجراء المطلوب.

ناهيك عن أن الروبوتات لا تنام ، مما يسمح لها بمراقبة السوق على مدار الساعة طوال أيام الأسبوع وتعديل الأنشطة مع كل تغيير صغير هناك.

عميق ل الكسب هو تغيير الطريقة نحسب العملاء شراء ص otential

كل هذا معروف جيدًا للمسوقين الإلكترونيين بالفعل ، ولكن الاحتمال المثير في المستقبل القريب للتعلم الآلي هو خوارزميات التعلم العميق (فرع من التعلم الآلي يعتمد على مجموعة من الخوارزميات التي تحاول نمذجة التجريدات عالية المستوى في البيانات باستخدام رسم بياني عميق مع طبقات معالجة متعددة) قد تكون قادرة في النهاية على صياغة ميزات تتعرف على الموقف والنية والحالة العامة لكل مستخدم يزور موقعًا إلكترونيًا ، حتى المستخدمين الذين لم ينقروا على إعلان حتى الآن. كيف يعمل؟

توقع التحويل هو الاحتمال المقدر أن يتصرف المستخدم بالطريقة المرغوبة ، ويلعب دورًا مهمًا في العديد من أنشطة الإعلان الرقمي.

باستخدام هذا النوع من التنبؤ ، يمكن للخوارزميات أن تحدد الأشخاص الذين زاروا موقعًا إلكترونيًا لديهم أكبر احتمالية للشراء. وبالتالي ، فإنها تبدأ في بناء الزخم والأهمية لهؤلاء المستخدمين المحددين ، مما يضاعف فرصة تحقيق عائد استثمار أفضل.

إنه يعمل بنفس الطريقة في نظام RTB البيئي ، ولكن يجب أن يكون التقييم سريعًا بشكل لا يصدق (مللي ثانية) وهناك حاجة إلى معرفة واسعة حول تاريخ العملاء المحتملين. بفضل التكنولوجيا التي تستخدم الهياكل الرياضية المستوحاة من الخلايا العصبية البيولوجية في أدمغتنا (الشبكات العصبية المتكررة) ، من الممكن الحصول على أوصاف مستخدم أكثر موثوقية وأكثر ثراءً وقابلة للتفسير الآلي لإمكانية شراء العميل دون أي خبرة بشرية.

عادةً ما يتم وصف تاريخ أنشطة المستخدم في موقع تجارة إلكترونية معين على أنه عدد ثابت من الميزات المصنوعة يدويًا والتي يُعتقد أنها تساعد في توقع ربحية التحويل. يمكن أن تكون هذه المعلومات أكثر استمرارية (مثل الفجوة الزمنية بين آخر زيارة للمستخدم على موقع المعلن وبيانات الناشر حول الجمهور) ، أو أكثر منطقية ، مثل إجابة السؤال: هل أضاف المستخدم أي منتج إلى السلة مؤخرًا؟

تعتبر المعرفة حول المستخدمين واحتمالية تحويلهم ، كما هو متوقع ، أمرًا بالغ الأهمية لتخطيط الأنشطة الإعلانية. لسوء الحظ ، تتطلب صياغة كل واحدة يدويًا كميات كبيرة من عمل الخبراء البشري.

قد تعتمد قابلية استخدام البيانات على خاصية المعلن ولن تكون مجموعة الميزات المحددة مسبقًا مناسبة دائمًا لكل حملة إعادة استهداف ، لذا يجب على الخبير مراجعة المعلومات وإعادة استكشافها جزئيًا لكل معلن جديد حتى تنجح.

علاوة على ذلك ، يتم التقاط الميزات في وقت الظهور ، لذلك تتجاهل النماذج النموذجية بيانات المستخدمين الذين لم يشاهدوا أي إعلان من قبل. هذا يعني أن المعلومات غامضة ، لأن الغالبية العظمى من المستخدمين لا يقومون بالتحويل بعد النقر فوق الإعلان. هنا حيث خطوات التعلم العميق.

إيجاد الأنماط في صنع القرار للمستخدم

يتخذ كل مستخدم مئات الخطوات الصغيرة عند زيارة موقع الويب الخاص بالمعلن وتحلل الخوارزميات كل حدث ناشئ عن أنشطة المستخدم.

بفضل الخوارزميات ذاتية التعلم ، يمكننا تحديد كل واحدة من هذه البصمات والعثور على أنماط في عملية صنع القرار للمستخدم من خلال رؤية مجموعة أكبر من البيانات ، ليس فقط تلك المرتبطة بعدد مرات الظهور التي تم النقر عليها ، ولكن أيضًا بتصفح عروض معينة وفئات الاهتمام وسلوك السلة وتكتيكات البحث وما إلى ذلك.

باستخدام التعلم العميق ، يمكننا القيام بمحاولة قوية للإجابة على الأسئلة: ما هو الحدث التالي المتوقع؟ قد يكون هذا هو زيارة الصفحة الرئيسية ، أو تصفح قوائم المنتجات ، أو عرض تفاصيل المنتج ، أو إضافة منتج إلى السلة. ما هي الفجوة الزمنية للتحويل التالي أو فئة المنتج التالي التي تم عرضها؟

وبالتالي ، فإن النظر في إمكانية الشراء لكل مستخدم يعتمد بالكامل تقريبًا على المعرفة العلمية والحسابات المثبتة بدلاً من الحدس البشري. يشكل هذا جزءًا مهمًا من مشكلة مستمرة في نهج يتم فيه استخدام النماذج الإحصائية النموذجية أو خوارزميات التعلم الآلي الأبسط.

تساعد خوارزميات التعلم الذاتي في تحليل السلوكيات المقاومة للإعلان

المعرفة قوة ، هكذا يقول المثل. المعلومات التي يمتلكها المعلنون ليست سوى جزء من القصة بدون نهج مبتكر - فهم يعرفون فقط أولئك الذين يتحولون. لكن التعلم العميق يسمح لنا بالتعلم ليس فقط عن المشترين ، ولكن أولئك الذين لم يشتروا أيضًا.

كيف تحصل الخوارزميات على المعلومات ذات الصلة حول احتمالية التحويل للمستخدمين الذين لم يُظهروا أي اهتمام بالإعلان المعروض عليهم؟

يمكن أن تتعلم الخوارزميات النموذجية التي تم إنشاؤها وفقًا للإرشادات الكلاسيكية من البيانات المحدودة المعدة خصيصًا. هذه الأساليب لتقييم لقطة معدل التحويل تعتمد على البيانات المستندة إلى المستخدم في لحظة الظهور ، ولكن هذا يعني أنه عادةً عند التفكير في معدل التحويل ، نأخذ في الاعتبار فقط المستخدمين الذين شاهدوا الإعلان ونقروا عليه.

يمكن أن يكشف تحليل البيانات الشامل ، الذي يأتي مع التعلم العميق ، عن فهم موسع لنوايا زوار موقعنا ، ويعزز منظورنا حول مجموعات الأشخاص التي سيكون من الأفضل استهدافها في موقف معين. بالإضافة إلى ذلك ، سنعرف مكان العثور عليهم ، وما هي اهتماماتهم ، وقنوات التفاعل المفضلة لديهم.

يؤدي تطبيق التعلم العميق على التنبؤ بالتحويل المستخدم في أنشطة RTB المخصصة إلى حملات أكثر قوة. من خلال الحصول على حل أكثر وفرة بالمعلومات وفي الوقت الفعلي وذكيًا ومراعيًا للسياق ، يمكن للمعلنين تخصيص الموارد في ذروة التحسين.