Bagaimana kecerdasan buatan mendorong kampanye iklan yang lebih efektif

Kecerdasan buatan (AI) bukan lagi konsep futuristik, itu adalah pokok hari ini.

Dari asisten pribadi virtual seperti Siri dan Cortana, hingga pemindai gambar yang dibuat untuk mengidentifikasi penyakit, hingga mobil self-driving Google atau Tesla, AI menjadi bagian dari teknologi sehari-hari.

Menurut laporan MarketsandMarkets, industri kecerdasan buatan diperkirakan mencapai USD 5,05 miliar pada tahun 2020 , tumbuh pada tingkat pertumbuhan tahunan (CAGR) sebesar 53,65% antara 2015 dan 2020.

Salah satu alasan untuk pertumbuhan yang signifikan ini adalah meningkatnya penggunaan teknologi pembelajaran mesin – subkategori AI di mana komputer belajar dari data itu sendiri dalam industri periklanan dan media.

Pembelajaran Mesin memiliki dampak besar pada ekosistem periklanan. Salah satu contoh terbaik adalah Real-time Bidding (RTB), di mana ruang iklan online dapat dibeli atau dijual secara otomatis secara real time.

Algoritme belajar mandiri, biasanya digunakan untuk menjalankan kampanye online, memberi pengiklan kemampuan untuk mengidentifikasi pembeli elektronik yang paling berharga, dan kemudian menyebarkan iklan yang dipersonalisasi ke setiap pelanggan dan mendorong mereka untuk mengambil tindakan yang diinginkan.

Belum lagi robot tidak tidur, yang memungkinkan mereka untuk mengamati pasar 24/7 dan menyesuaikan aktivitas dengan setiap perubahan kecil di luar sana.

Mendalam l produktif adalah mengubah cara kita menghitung pelanggan membeli p otential

Ini semua sudah diketahui oleh e-marketer, tetapi prospek yang menarik dalam waktu dekat dari pembelajaran mesin adalah bahwa algoritma pembelajaran mendalam (cabang pembelajaran mesin berdasarkan serangkaian algoritma yang mencoba untuk memodelkan abstraksi tingkat tinggi di data dengan menggunakan grafik dalam dengan beberapa lapisan pemrosesan) pada akhirnya dapat membuat fitur yang mengenali sikap, niat, dan keadaan keseluruhan setiap pengguna yang mengunjungi situs web, bahkan pengguna yang belum mengeklik iklan. Bagaimana cara kerjanya?

Prediksi konversi adalah perkiraan probabilitas bahwa pengguna akan bertindak dengan cara yang diinginkan, dan memainkan peran penting dalam banyak aktivitas periklanan digital.

Dengan menggunakan peramalan semacam ini, algoritme dapat memutuskan orang yang mengunjungi situs web mana yang memiliki potensi terbesar untuk membeli. Akibatnya, ia mulai membangun momentum dan kepentingan bagi pengguna tertentu ini, melipatgandakan peluang untuk mencapai ROI yang lebih baik.

Ini bekerja dengan cara yang sama di ekosistem RTB, namun evaluasi harus sangat cepat (milidetik) dan pengetahuan yang luas tentang riwayat pelanggan potensial diperlukan. Berkat teknologi yang menggunakan struktur matematis yang diilhami oleh neuron biologis di otak kita (jaringan saraf berulang), dimungkinkan untuk mendapatkan deskripsi pengguna yang lebih andal, lebih kaya, dan dapat diinterpretasikan oleh mesin tentang potensi pembelian pelanggan tanpa keahlian manusia.

Biasanya, riwayat aktivitas pengguna di situs e-niaga tertentu digambarkan sebagai sejumlah fitur yang dibuat secara manual yang diyakini dapat membantu memprediksi profitabilitas konversi. Informasi tersebut dapat lebih berkelanjutan (misalnya kesenjangan waktu antara kunjungan terakhir pengguna di situs web pengiklan dan data penerbit tentang audiens), atau lebih bersifat logis, seperti jawaban atas pertanyaan: apakah pengguna telah menambahkan produk ke keranjang baru-baru ini?

Pengetahuan tentang pengguna dan kemungkinan mereka untuk berkonversi, seperti yang diharapkan, sangat penting untuk merencanakan aktivitas periklanan. Sayangnya, membuat masing-masing secara manual membutuhkan sejumlah besar pekerjaan ahli manusia.

Kegunaan data mungkin bergantung pada karakteristik pengiklan dan fitur yang telah ditetapkan sebelumnya tidak akan selalu cocok untuk setiap kampanye penargetan ulang, jadi untuk membuatnya berhasil, seorang ahli harus merevisi dan menjelajahi sebagian informasi untuk setiap pengiklan baru.

Selain itu, fitur adalah snapshot pada saat tayangan, sehingga model tipikal mengabaikan data pengguna yang belum pernah melihat iklan apa pun. Ini berarti informasi dikaburkan, karena sebagian besar pengguna tidak melakukan konversi setelah mengklik iklan. Di sinilah langkah pembelajaran yang mendalam.

Menemukan pola dalam pengambilan keputusan pengguna

Setiap pengguna melakukan ratusan langkah kecil saat mengunjungi situs web pengiklan dan algoritme menganalisis setiap peristiwa yang berasal dari aktivitas pengguna.

Berkat algoritme yang dipelajari sendiri, kami dapat mengidentifikasi setiap jejak ini dan menemukan pola dalam pengambilan keputusan pengguna dengan melihat kumpulan data yang lebih besar, tidak hanya yang terkait dengan tayangan yang diklik, tetapi juga dengan menjelajahi penawaran tertentu, kategori minat , perilaku keranjang, taktik pencarian, dll.

Dengan menggunakan deep learning, kita dapat berusaha keras untuk menjawab pertanyaan-pertanyaan: Apa prediksi peristiwa selanjutnya? Ini bisa berupa mengunjungi halaman beranda, menelusuri daftar produk, melihat detail produk, atau menambahkan produk ke keranjang. Berapa selisih waktu untuk konversi berikutnya atau kategori produk berikutnya yang dilihat?

Akibatnya, pertimbangan potensi pembelian untuk setiap pengguna hampir seluruhnya didasarkan pada pengetahuan ilmiah dan perhitungan terbukti daripada intuisi manusia. Ini membentuk bagian penting dari masalah yang bertahan dalam pendekatan di mana model statistik tipikal atau algoritma pembelajaran mesin yang lebih sederhana digunakan.

Algoritme belajar mandiri membantu menganalisis perilaku tahan iklan

Pengetahuan adalah kekuatan, begitu kata pepatah. Informasi yang dimiliki pengiklan hanyalah sebagian dari cerita tanpa pendekatan inovatif – mereka hanya tahu tentang mereka yang berkonversi. Tetapi pembelajaran mendalam memungkinkan kita untuk belajar tidak hanya tentang pembeli, tetapi juga mereka yang belum membeli.

Bagaimana algoritme mendapatkan informasi yang relevan tentang probabilitas konversi untuk pengguna yang belum menunjukkan minat pada iklan yang ditayangkan kepada mereka?

Algoritme tipikal yang dibangun sesuai dengan pedoman klasik dapat belajar dari data yang terbatas dan disiapkan secara khusus. Metode-metode untuk mengevaluasi data berbasis pengguna snapshot rasio konversi pada saat tayangan, tetapi itu berarti bahwa biasanya ketika memikirkan tentang Rasio Konversi, kami hanya mempertimbangkan pengguna yang melihat dan mengklik iklan.

Analisis data yang komprehensif, yang disertai dengan pembelajaran mendalam, dapat mengungkapkan pemahaman yang jauh lebih luas tentang niat pengunjung situs web kami, dan lebih jauh lagi perspektif kami tentang kelompok orang mana yang akan menjadi target terbaik dalam situasi tertentu. Selain itu, kita akan tahu di mana menemukan mereka, apa minat mereka, dan saluran interaksi pilihan mereka.

Menerapkan pembelajaran mendalam pada prediksi konversi yang digunakan dalam aktivitas RTB yang dipersonalisasi menghasilkan kampanye yang lebih hebat. Dengan memiliki solusi konteks-sadar yang lebih banyak informasi, real-time, dan cerdas, pengiklan dapat mengalokasikan sumber daya pada pengoptimalan puncak.