Cómo la inteligencia artificial impulsa campañas publicitarias más efectivas

La inteligencia artificial (IA) ya no es un concepto futurista, es un elemento básico de hoy.

Desde asistentes personales virtuales como Siri y Cortana, hasta escáneres de imágenes diseñados para identificar enfermedades, hasta los autos autónomos de Google o Tesla, la IA se está convirtiendo en parte de la tecnología cotidiana.

Según un informe de MarketsandMarkets, se estima que la industria de la inteligencia artificial alcanzará los USD 5.050 millones en 2020 , creciendo a una tasa de crecimiento anual (CAGR) del 53,65% entre 2015 y 2020.

Una de las razones de este crecimiento significativo es el mayor uso de la tecnología de aprendizaje automático, una subcategoría de la IA en la que las computadoras aprenden de los datos en la industria de la publicidad y los medios.

El aprendizaje automático ya tiene un gran impacto en el ecosistema publicitario. Uno de los mejores ejemplos es la oferta en tiempo real (RTB), donde el espacio publicitario en línea se puede comprar o vender automáticamente en tiempo real.

Los algoritmos de autoaprendizaje, que generalmente se utilizan para ejecutar campañas en línea, brindan a los anunciantes la capacidad de identificar a los compradores electrónicos más valiosos y luego implementar anuncios personalizados para cada cliente y alentarlos a realizar la acción deseada.

Ni siquiera mencionar que los robots no duermen, lo que les permite observar el mercado las 24 horas del día, los 7 días de la semana y ajustar las actividades a cada pequeño cambio que se produzca.

L profunda ganancia está cambiando la forma en que calculamos los clientes compra p OTENCIAL

El e-marketer ya sabe todo esto, pero una perspectiva emocionante en el futuro cercano del aprendizaje automático es que los algoritmos de aprendizaje profundo (una rama del aprendizaje automático basada en un conjunto de algoritmos que intentan modelar abstracciones de alto nivel en datos mediante el uso de un gráfico profundo con múltiples capas de procesamiento) pueden eventualmente crear características que reconozcan la actitud, la intención y el estado general de cada usuario que visita un sitio web, incluso los usuarios que aún no han hecho clic en un anuncio. ¿Como funciona?

La predicción de conversión es la probabilidad estimada de que un usuario actúe de la manera deseada y juega un papel crucial en muchas actividades de publicidad digital.

Al utilizar este tipo de pronóstico, los algoritmos pueden decidir qué personas que visitaron un sitio web tienen el mayor potencial de compra. En consecuencia, comienza a ganar impulso e importancia para estos usuarios en particular, multiplicando las posibilidades de lograr un mejor ROI.

Funciona de la misma manera en el ecosistema de RTB, sin embargo, la evaluación debe ser increíblemente rápida (milisegundos) y se necesita un vasto conocimiento sobre el historial de clientes potenciales. Gracias a la tecnología que utiliza estructuras matemáticas inspiradas en las neuronas biológicas de nuestro cerebro (redes neuronales recurrentes), es posible obtener descripciones de usuario más confiables, ricas e interpretables por máquina del potencial de compra del cliente sin ninguna experiencia humana.

Por lo general, el historial de actividades de los usuarios en un sitio de comercio electrónico determinado se describe como un número fijo de funciones creadas manualmente que se cree que ayudan a predecir la rentabilidad de la conversión. Dicha información puede ser más continua (por ejemplo, intervalo de tiempo entre la última visita del usuario al sitio web del anunciante y los datos del editor sobre la audiencia), o más de carácter lógico, como una respuesta a la pregunta: ¿ha añadido el usuario algún producto a la cesta recientemente?

El conocimiento sobre los usuarios y su probabilidad de conversión es, como se esperaba, fundamental para planificar las actividades publicitarias. Desafortunadamente, la elaboración manual de cada uno requiere cantidades sustanciales de trabajo experto humano.

La usabilidad de los datos puede depender de las características del anunciante y un preajuste de características no siempre será adecuado para todas las campañas de retargeting, por lo que para que funcione, un experto debe revisar y volver a explorar parcialmente la información de cada nuevo anunciante.

Además, las características son instantáneas en el momento de la impresión, por lo que los modelos típicos ignoran los datos de los usuarios que nunca han visto ningún anuncio. Esto significa que la información está ofuscada, porque la gran mayoría de los usuarios no convierten después de hacer clic en un anuncio. Aquí es donde entra el aprendizaje profundo.

Encontrar patrones en la toma de decisiones de un usuario

Cada usuario realiza cientos de pequeños pasos cuando visita el sitio web del anunciante y los algoritmos analizan cada evento que se origina en las actividades del usuario.

Gracias a los algoritmos de autoaprendizaje, podemos identificar cada una de estas huellas y encontrar patrones en la toma de decisiones de un usuario al ver un conjunto más grande de datos, no solo aquellos relacionados con las impresiones clicadas, sino también con la navegación de ofertas particulares, categorías de interés. , comportamiento de la cesta, tácticas de búsqueda, etc.

Al utilizar el aprendizaje profundo, podemos hacer un fuerte intento de responder las preguntas: ¿Cuál es el próximo evento previsto? Esto podría ser visitar la página de inicio, navegar por listados de productos, ver detalles de productos o agregar productos a la cesta. ¿Cuál es el intervalo de tiempo hasta la siguiente conversión o la categoría del siguiente producto visto?

En consecuencia, la consideración del potencial de compra de todos y cada uno de los usuarios se basa casi en su totalidad en el conocimiento científico y cálculos comprobados más que en la intuición humana. Esto forma una parte importante de un problema persistente en un enfoque en el que se utilizan modelos estadísticos típicos o algoritmos de aprendizaje automático más simples.

Los algoritmos de autoaprendizaje ayudan a analizar comportamientos resistentes a los anuncios.

El conocimiento es poder, dice el refrán. La información que tienen los anunciantes es solo una parte de la historia sin un enfoque innovador: solo conocen a quienes se convierten. Pero el aprendizaje profundo nos permite aprender no solo sobre los compradores, sino también sobre aquellos que no han comprado.

¿Cómo obtienen los algoritmos la información relevante sobre la probabilidad de conversión para los usuarios que no han mostrado ningún interés en el anuncio que se les ofrece?

Los algoritmos típicos construidos de acuerdo con las pautas clásicas pueden aprender de datos limitados y específicamente preparados. Esos métodos para evaluar la tasa de conversión capturan datos instantáneos basados ​​en el usuario en el momento de una impresión, pero significa que, por lo general, cuando pensamos en la tasa de conversión, solo tenemos en cuenta a los usuarios que vieron el anuncio e hicieron clic en él.

El análisis integral de datos, que viene con el aprendizaje profundo, puede revelar una comprensión mucho más amplia de las intenciones de los visitantes de nuestro sitio web y ampliar nuestra perspectiva sobre qué grupos de personas será mejor apuntar en la situación particular. Además, sabremos dónde encontrarlos, cuáles son sus intereses y sus canales de interacción preferidos.

La aplicación del aprendizaje profundo a la predicción de conversiones utilizada en actividades personalizadas de RTB da como resultado campañas más potentes. Al disponer de una solución inteligente, sensible al contexto, más abundante en información, en tiempo real, los anunciantes pueden asignar recursos con la máxima optimización.