Wie künstliche Intelligenz effektivere Werbekampagnen vorantreibt

Künstliche Intelligenz (KI) ist kein futuristisches Konzept mehr, sondern aus der heutigen Zeit nicht mehr wegzudenken.

Von virtuellen persönlichen Assistenten wie Siri und Cortana über Bildscanner zur Erkennung von Krankheiten bis hin zu den selbstfahrenden Autos von Google oder Tesla wird KI zu einem Teil der alltäglichen Technologie.

Laut einem MarketsandMarkets-Bericht wird die Branche für künstliche Intelligenz bis 2020 auf 5,05 Mrd. USD geschätzt und wächst zwischen 2015 und 2020 mit einer jährlichen Wachstumsrate (CAGR) von 53,65%.

Ein Grund für dieses deutliche Wachstum ist der verstärkte Einsatz von Machine-Learning-Technologien – einer Unterkategorie der KI, bei der Computer in der Werbe- und Medienbranche selbst aus Daten lernen.

Maschinelles Lernen hat bereits einen großen Einfluss auf das Werbeökosystem. Eines der besten Beispiele ist Real-Time Bidding (RTB), bei dem Online-Werbeflächen automatisch in Echtzeit gekauft oder verkauft werden können.

Selbstlernende Algorithmen, die normalerweise für die Durchführung von Online-Kampagnen verwendet werden, bieten Werbetreibenden die Möglichkeit, die wertvollsten E-Shopper zu identifizieren und dann jedem Kunden personalisierte Anzeigen bereitzustellen und ihn zu einer gewünschten Aktion zu ermutigen.

Ganz zu schweigen davon, dass Roboter nicht schlafen, was es ihnen ermöglicht, den Markt rund um die Uhr zu beobachten und die Aktivitäten an jede kleine Veränderung anzupassen.

Tief l verdienen verändert die Art , wie wir Kunden den Kauf p berechnen otential

Dies ist dem E-Marketer bereits bekannt, aber eine aufregende Aussicht in naher Zukunft des maschinellen Lernens besteht darin, dass Deep-Learning-Algorithmen (ein Zweig des maschinellen Lernens, der auf einer Reihe von Algorithmen basiert, die versuchen, Abstraktionen auf hoher Ebene in Daten mithilfe eines tiefen Graphen mit mehreren Verarbeitungsebenen) können schließlich in der Lage sein, Funktionen zu erstellen, die die Einstellung, Absicht und den Gesamtzustand jedes Benutzers, der eine Website besucht, erkennen, sogar Benutzer, die noch nicht auf eine Anzeige geklickt haben. Wie funktioniert es?

Die Conversion-Vorhersage ist die geschätzte Wahrscheinlichkeit, dass ein Nutzer auf die gewünschte Weise handelt und spielt bei vielen digitalen Werbeaktivitäten eine entscheidende Rolle.

Durch diese Art der Prognose können Algorithmen entscheiden, welche Personen, die eine Website besucht haben, das größte Kaufpotenzial haben. Folglich gewinnt es an Dynamik und Bedeutung für diese speziellen Benutzer und vervielfacht die Chance, einen besseren ROI zu erzielen.

Im RTB-Ökosystem funktioniert es genauso, jedoch muss die Auswertung unglaublich schnell (Millisekunden) sein und ein umfassendes Wissen über die potenzielle Kundenhistorie ist erforderlich. Dank der Technologie, die mathematische Strukturen verwendet, die von den biologischen Neuronen in unserem Gehirn inspiriert sind (rekurrente neuronale Netze), ist es möglich, ohne menschliches Fachwissen zuverlässigere, reichhaltigere und maschinell interpretierbare Benutzerbeschreibungen des Kaufpotenzials der Kunden zu erhalten.

Typischerweise wird der Verlauf der Benutzeraktivitäten auf einer bestimmten E-Commerce-Site als eine feste Anzahl von manuell erstellten Funktionen beschrieben, von denen angenommen wird, dass sie dazu beitragen, die Rentabilität der Konversion vorherzusagen. Solche Informationen können kontinuierlicher sein (z. B. Zeitabstand zwischen dem letzten Besuch des Benutzers auf der Website des Werbetreibenden und den Daten des Publishers über die Zielgruppe) oder eher logischer Art sein, wie eine Antwort auf die Frage: Hat der Benutzer kürzlich ein Produkt in den Warenkorb gelegt?

Das Wissen über Nutzer und deren Konversionswahrscheinlichkeit ist erwartungsgemäß entscheidend für die Planung von Werbemaßnahmen. Leider erfordert die manuelle Herstellung jedes einzelnen erhebliche Mengen an menschlicher Expertenarbeit.

Die Verwendbarkeit von Daten kann von den Merkmalen des Werbetreibenden abhängen und eine Voreinstellung von Funktionen ist nicht immer für jede Retargeting-Kampagne geeignet. Damit dies funktioniert, sollte ein Experte die Informationen für jeden neuen Werbetreibenden überarbeiten und teilweise neu erkunden.

Darüber hinaus sind die Funktionen zum Zeitpunkt der Impression Momentaufnahmen, sodass typische Modelle die Daten von Nutzern ignorieren, die noch nie eine Anzeige gesehen haben. Dies bedeutet, dass Informationen verschleiert werden, da die überwiegende Mehrheit der Nutzer nach dem Klicken auf eine Anzeige nicht konvertiert. Hier setzt das Deep Learning an.

Finden von Mustern in der Entscheidungsfindung eines Benutzers

Jeder Benutzer macht Hunderte von kleinen Schritten, wenn er die Website des Werbetreibenden besucht, und Algorithmen analysieren jedes Ereignis, das aus den Aktivitäten des Benutzers hervorgeht.

Dank selbsterlernter Algorithmen können wir jeden dieser Fußabdrücke identifizieren und Muster in der Entscheidungsfindung eines Benutzers finden, indem wir einen größeren Datenpool sehen, nicht nur im Zusammenhang mit angeklickten Impressionen, sondern auch mit dem Durchsuchen bestimmter Angebote, Kategorien von Interesse , Warenkorbverhalten, Suchtaktiken usw.

Durch die Verwendung von Deep Learning können wir einen starken Versuch unternehmen, die Fragen zu beantworten: Was ist das vorhergesagte nächste Ereignis? Dies kann der Besuch der Homepage, das Durchsuchen von Produktlisten, das Anzeigen von Produktdetails oder das Hinzufügen eines Produkts zum Warenkorb sein. Wie groß ist der zeitliche Abstand zur nächsten Conversion oder Kategorie des nächsten angesehenen Produkts?

Folglich basiert die Betrachtung des Kaufpotenzials für jeden einzelnen Nutzer fast ausschließlich auf wissenschaftlichen Erkenntnissen und fundierten Berechnungen und nicht auf menschlicher Intuition. Dies ist ein wesentlicher Teil eines anhaltenden Problems bei einem Ansatz, bei dem typische statistische Modelle oder einfachere maschinelle Lernalgorithmen verwendet werden.

Selbstlernende Algorithmen helfen, werberesistentes Verhalten zu analysieren

Wissen ist Macht, sagt man. Die Informationen, die Werbetreibende haben, sind nur ein Teil der Geschichte ohne innovativen Ansatz – sie kennen nur diejenigen, die konvertieren. Aber Deep Learning ermöglicht es uns, nicht nur über Käufer zu lernen, sondern auch über diejenigen, die noch nicht gekauft haben.

Wie erhalten die Algorithmen relevante Informationen zur Conversion-Wahrscheinlichkeit für Nutzer, die kein Interesse an der ihnen gelieferten Anzeige gezeigt haben?

Typische nach klassischen Richtlinien aufgebaute Algorithmen können aus begrenzten, speziell aufbereiteten Daten lernen. Diese Methoden zur Auswertung von Conversion-Raten-Snapshots nutzerbasierter Daten zum Zeitpunkt einer Impression. Dies bedeutet jedoch, dass wir bei der Conversion-Rate normalerweise nur die Nutzer berücksichtigen, die die Anzeige gesehen und darauf geklickt haben.

Eine umfassende Datenanalyse, die mit Deep Learning einhergeht, kann ein viel erweitertes Verständnis der Absichten unserer Website-Besucher aufdecken und unsere Perspektive darüber erweitern, welche Personengruppen in der jeweiligen Situation am besten anzusprechen sind. Darüber hinaus wissen wir, wo sie zu finden sind, welche Interessen sie haben und welche Interaktionskanäle sie bevorzugen.

Die Anwendung von Deep Learning auf die Conversion-Vorhersage, die in personalisierten RTB-Aktivitäten verwendet wird, führt zu leistungsfähigeren Kampagnen. Durch eine informationsreichere, intelligente, kontextbezogene Echtzeitlösung können Werbetreibende Ressourcen bei Spitzenoptimierung zuweisen.