In che modo l'intelligenza artificiale guida campagne pubblicitarie più efficaci

L'intelligenza artificiale (AI) non è più un concetto futuristico, è un punto fermo di oggi.

Dagli assistenti personali virtuali come Siri e Cortana, agli scanner di immagini costruiti per identificare le malattie, alle auto a guida autonoma di Google o Tesla, l'intelligenza artificiale sta diventando parte della tecnologia quotidiana.

Secondo un rapporto di MarketsandMarkets, si stima che l'industria dell'intelligenza artificiale raggiungerà i 5,05 miliardi di dollari entro il 2020 , crescendo a un tasso di crescita annuale (CAGR) del 53,65% tra il 2015 e il 2020.

Uno dei motivi di questa crescita significativa è l'aumento dell'uso della tecnologia di apprendimento automatico, una sottocategoria dell'intelligenza artificiale in cui i computer imparano dai dati stessi nel settore della pubblicità e dei media.

Il machine learning ha già un enorme impatto sull'ecosistema pubblicitario. Uno dei migliori esempi è l'offerta in tempo reale (RTB), in cui lo spazio pubblicitario online può essere acquistato o venduto automaticamente in tempo reale.

Gli algoritmi di autoapprendimento, in genere utilizzati per l'esecuzione di campagne online, offrono agli inserzionisti la capacità di identificare gli acquirenti online di maggior valore e quindi distribuire annunci personalizzati a ciascun cliente e incoraggiarli a intraprendere l'azione desiderata.

Per non parlare del fatto che i robot non dormono, il che consente loro di osservare il mercato 24 ore su 24, 7 giorni su 7 e adattare le attività a ogni piccolo cambiamento.

Profondo l guadagno sta cambiando il modo in cui si calcola clienti acquisto p otential

Tutto questo è già noto all'e-marketer, ma una prospettiva entusiasmante nel prossimo futuro del machine learning è che gli algoritmi di deep learning (un ramo dell'apprendimento automatico basato su un insieme di algoritmi che tentano di modellare astrazioni di alto livello in dati utilizzando un grafico profondo con più livelli di elaborazione) potrebbe eventualmente essere in grado di creare funzionalità che riconoscano l'atteggiamento, l'intenzione e lo stato generale di ogni utente che visita un sito Web, anche gli utenti che non hanno ancora fatto clic su un annuncio. Come funziona?

La previsione delle conversioni è la probabilità stimata che un utente agirà nel modo desiderato e svolge un ruolo cruciale in molte attività di pubblicità digitale.

Utilizzando questo tipo di previsione, gli algoritmi possono decidere quali persone che hanno visitato un sito Web hanno il maggior potenziale di acquisto. Di conseguenza, inizia a guadagnare slancio e importanza per questi particolari utenti, moltiplicando le possibilità di ottenere un ROI migliore.

Funziona allo stesso modo nell'ecosistema RTB, tuttavia la valutazione deve essere incredibilmente veloce (millisecondi) ed è necessaria una vasta conoscenza della cronologia dei potenziali clienti. Grazie alla tecnologia che utilizza strutture matematiche ispirate ai neuroni biologici del nostro cervello (reti neurali ricorrenti) è possibile ottenere descrizioni utente più affidabili, più ricche e interpretabili dalle macchine del potenziale di acquisto del cliente senza alcuna competenza umana.

In genere, la cronologia delle attività degli utenti in un determinato sito di e-commerce è descritta come un numero fisso di funzionalità create manualmente che si ritiene aiutino a prevedere la redditività della conversione. Tali informazioni possono essere più continue (es. intervallo di tempo tra l'ultima visita dell'utente al sito web dell'inserzionista e i dati dell'editore sull'audience), o più di carattere logico, come una risposta alla domanda: l'utente ha aggiunto un prodotto al carrello di recente?

La conoscenza degli utenti e della loro probabilità di conversione è, come previsto, fondamentale per pianificare le attività pubblicitarie. Sfortunatamente, la creazione manuale di ognuno richiede una notevole quantità di lavoro di esperti umani.

L'usabilità dei dati può dipendere dalle caratteristiche dell'inserzionista e una serie di funzionalità non sempre sarà adatta per ogni campagna di retargeting, quindi per farlo funzionare un esperto dovrebbe rivedere e riesaminare parzialmente le informazioni per ogni nuovo inserzionista.

Inoltre, le funzionalità sono istantanee al momento dell'impressione, quindi i modelli tipici ignorano i dati degli utenti che non hanno mai visto alcun annuncio. Ciò significa che le informazioni sono offuscate, perché la stragrande maggioranza degli utenti non converte dopo aver fatto clic su un annuncio. Qui è dove entra in gioco il deep learning.

Trovare modelli nel processo decisionale di un utente

Ogni utente compie centinaia di piccoli passi quando visita il sito web dell'inserzionista e gli algoritmi analizzano ogni evento originato dalle attività dell'utente.

Grazie ad algoritmi autoappresi, possiamo identificare ognuna di queste impronte e trovare modelli nel processo decisionale di un utente vedendo un pool di dati più ampio, non solo quelli legati alle impressioni cliccate, ma anche alla navigazione di offerte particolari, categorie di interesse , comportamento del canestro, tattiche di ricerca, ecc.

Utilizzando il deep learning, possiamo fare un forte tentativo di rispondere alle domande: qual è il prossimo evento previsto? Questo potrebbe essere visitare la home page, sfogliare gli elenchi dei prodotti, visualizzare i dettagli del prodotto o aggiungere il prodotto al carrello. Qual è l'intervallo di tempo dalla prossima conversione o dalla categoria del prossimo prodotto visualizzato?

Di conseguenza, la considerazione del potenziale di acquisto per ogni singolo utente si basa quasi interamente su conoscenze scientifiche e calcoli verificati piuttosto che sull'intuizione umana. Ciò costituisce una parte significativa di un problema persistente in un approccio in cui vengono utilizzati modelli statistici tipici o algoritmi di apprendimento automatico più semplici.

Gli algoritmi di autoapprendimento aiutano ad analizzare i comportamenti resistenti alla pubblicità

La conoscenza è potere, così dice il proverbio. Le informazioni che gli inserzionisti hanno sono solo una parte della storia senza un approccio innovativo: conoscono solo coloro che convertono. Ma il deep learning ci consente di conoscere non solo gli acquirenti, ma anche coloro che non hanno acquistato.

In che modo gli algoritmi ottengono le informazioni pertinenti sulla probabilità di conversione per gli utenti che non hanno mostrato alcun interesse per l'annuncio loro offerto?

Algoritmi tipici costruiti secondo le linee guida classiche possono imparare da dati limitati e appositamente preparati. Questi metodi di valutazione del tasso di conversione istantanee dati basati sull'utente al momento di un'impressione, ma significa che di solito quando si pensa al tasso di conversione prendiamo in considerazione solo quegli utenti che hanno visto e cliccato sull'annuncio.

L'analisi completa dei dati, che viene fornita con l'apprendimento approfondito, può rivelare una comprensione molto più ampia delle intenzioni dei visitatori del nostro sito Web e favorire la nostra prospettiva su quali gruppi di persone sarà meglio indirizzare in una situazione particolare. Inoltre, sapremo dove trovarli, quali sono i loro interessi e i loro canali di interazione preferiti.

L'applicazione del deep learning alla previsione delle conversioni utilizzata nelle attività RTB personalizzate si traduce in campagne più potenti. Avendo a disposizione una soluzione più ricca di informazioni, in tempo reale e sensibile al contesto, gli inserzionisti possono allocare le risorse al massimo dell'ottimizzazione.