Comment l'intelligence artificielle génère des campagnes publicitaires plus efficaces

L'intelligence artificielle (IA) n'est plus un concept futuriste, c'est un incontournable d'aujourd'hui.

Des assistants personnels virtuels tels que Siri et Cortana aux scanners d'images conçus pour identifier les maladies, en passant par les voitures autonomes de Google ou de Tesla, l'IA fait de plus en plus partie de la technologie de tous les jours.

Selon un rapport de MarketsandMarkets, le secteur de l'intelligence artificielle devrait atteindre 5,05 milliards de dollars d'ici 2020 , avec une croissance annuelle (TCAC) de 53,65 % entre 2015 et 2020.

L'une des raisons de cette croissance significative est l'utilisation accrue de la technologie d'apprentissage automatique - une sous-catégorie de l'IA où les ordinateurs apprennent eux-mêmes à partir des données dans l'industrie de la publicité et des médias.

L'apprentissage automatique a déjà un impact énorme sur l'écosystème publicitaire. L'un des meilleurs exemples est le Real-time Bidding (RTB), où l'espace publicitaire en ligne peut être acheté ou vendu automatiquement en temps réel.

Les algorithmes d'auto-apprentissage, généralement utilisés pour exécuter des campagnes en ligne, offrent aux annonceurs la possibilité d'identifier les acheteurs en ligne les plus intéressants, puis de déployer des publicités personnalisées pour chaque client et de les encourager à prendre l'action souhaitée.

Sans même mentionner que les robots ne dorment pas, ce qui leur permet d'observer le marché 24h/24 et 7j/7 et d'ajuster les activités à chaque petit changement.

Gain Deep l est en train de changer la façon dont nous calculons l' achat p des clients POTENTIELS

Tout cela est déjà bien connu de l'e-marketeur, mais une perspective passionnante dans un avenir proche de l'apprentissage automatique est que les algorithmes d'apprentissage en profondeur (une branche de l'apprentissage automatique basée sur un ensemble d'algorithmes qui tentent de modéliser des abstractions de haut niveau dans données en utilisant un graphique détaillé avec plusieurs couches de traitement) peut éventuellement être en mesure de créer des fonctionnalités qui reconnaissent l'attitude, l'intention et l'état général de chaque utilisateur visitant un site Web, même les utilisateurs qui n'ont pas encore cliqué sur une annonce. Comment ça marche?

La prédiction de conversion est la probabilité estimée qu'un utilisateur agisse de la manière souhaitée et joue un rôle crucial dans de nombreuses activités de publicité numérique.

En utilisant ce type de prévision, les algorithmes peuvent décider quelles personnes ayant visité un site Web ont le plus grand potentiel d'achat. Par conséquent, il commence à prendre de l'élan et de l'importance pour ces utilisateurs particuliers, multipliant les chances d'obtenir un meilleur retour sur investissement.

Cela fonctionne de la même manière dans l'écosystème RTB, mais l'évaluation doit être incroyablement rapide (millisecondes) et une vaste connaissance de l'historique des clients potentiels est nécessaire. Grâce à la technologie qui utilise des structures mathématiques inspirées des neurones biologiques de notre cerveau (réseaux de neurones récurrents), il est possible d'obtenir des descriptions utilisateur plus fiables, plus riches et interprétables par la machine du potentiel d'achat du client sans aucune expertise humaine.

En règle générale, l'historique des activités des utilisateurs sur un site de commerce électronique donné est décrit comme un nombre fixe de fonctionnalités conçues manuellement qui sont censées aider à prédire la rentabilité de la conversion. Ces informations peuvent être plus continues (par exemple, intervalle de temps entre la dernière visite de l'utilisateur sur le site de l'annonceur et les données de l'éditeur sur l'audience), ou plus logiques, comme une réponse à la question : l'utilisateur a-t-il ajouté un produit au panier récemment ?

La connaissance des utilisateurs et de leur probabilité de conversion est, comme prévu, essentielle à la planification des activités publicitaires. Malheureusement, la fabrication manuelle de chacun nécessite une quantité substantielle de travail d'expert humain.

L'utilisabilité des données peut dépendre des caractéristiques de l'annonceur et un ensemble de fonctionnalités ne conviendra pas toujours à chaque campagne de reciblage. Par conséquent, pour que cela fonctionne, un expert doit réviser et réexplorer partiellement les informations pour chaque nouvel annonceur.

De plus, les fonctionnalités sont instantanées au moment de l'impression, de sorte que les modèles typiques ignorent les données des utilisateurs qui n'ont jamais vu d'annonce. Cela signifie que les informations sont obscurcies, car la grande majorité des utilisateurs ne convertissent pas après avoir cliqué sur une annonce. C'est ici qu'intervient l'apprentissage en profondeur.

Trouver des modèles dans la prise de décision d'un utilisateur

Chaque utilisateur effectue des centaines de petites étapes lorsqu'il visite le site Web de l'annonceur et des algorithmes analysent chaque événement provenant des activités de l'utilisateur.

Grâce à des algorithmes autodidactes, nous pouvons identifier chacune de ces empreintes et trouver des modèles dans la prise de décision d'un utilisateur en voyant un plus grand pool de données, non seulement celles liées aux impressions cliquées, mais aussi à la navigation sur des offres particulières, des catégories d'intérêt , comportement du panier, tactiques de recherche, etc.

En utilisant l'apprentissage en profondeur, nous pouvons tenter de répondre aux questions : quel est le prochain événement prévu ? Il peut s'agir de visiter la page d'accueil, de parcourir les listes de produits, d'afficher les détails du produit ou d'ajouter un produit au panier. Quel est l'intervalle de temps jusqu'à la prochaine conversion ou la catégorie du prochain produit consulté ?

Par conséquent, la prise en compte du potentiel d'achat de chaque utilisateur repose presque entièrement sur des connaissances scientifiques et des calculs éprouvés plutôt que sur l'intuition humaine. Cela constitue une partie importante d'un problème persistant dans une approche où des modèles statistiques typiques ou des algorithmes d'apprentissage automatique plus simples sont utilisés.

Des algorithmes d'auto-apprentissage aident à analyser les comportements résistants aux publicités

La connaissance, c'est le pouvoir, dit le proverbe. Les informations dont disposent les annonceurs ne sont qu'une partie de l'histoire sans approche innovante - ils ne connaissent que ceux qui se convertissent. Mais l'apprentissage en profondeur nous permet d'apprendre non seulement sur les acheteurs, mais aussi sur ceux qui n'ont pas acheté.

Comment les algorithmes obtiennent-ils les informations pertinentes sur la probabilité de conversion pour les utilisateurs qui n'ont manifesté aucun intérêt pour l'annonce qui leur a été diffusée ?

Les algorithmes typiques construits selon les directives classiques peuvent apprendre à partir de données limitées et spécifiquement préparées. Ces méthodes d'évaluation des données basées sur les utilisateurs d'instantanés de taux de conversion au moment d'une impression, mais cela signifie qu'habituellement, lorsque nous réfléchissons au taux de conversion, nous ne prenons en considération que les utilisateurs qui ont vu et cliqué sur l'annonce.

Une analyse complète des données, qui s'accompagne d'un apprentissage en profondeur, peut révéler une compréhension beaucoup plus étendue des intentions des visiteurs de notre site Web et approfondir notre perspective sur les groupes de personnes qu'il est préférable de cibler dans une situation particulière. De plus, nous saurons où les trouver, quels sont leurs intérêts et leurs canaux d'interaction préférés.

L'application de l'apprentissage en profondeur à la prédiction de conversion utilisée dans les activités RTB personnalisées permet d'obtenir des campagnes plus puissantes. En disposant d'une solution contextuelle plus riche en informations, en temps réel et intelligente, les annonceurs peuvent allouer des ressources à une optimisation maximale.