人工知能がより効果的な広告キャンペーンを推進する方法

人工知能（AI）はもはや未来的な概念ではなく、今日の定番となっています。

SiriやCortanaのような仮想パーソナルアシスタントから、病気を特定するために構築された画像スキャナー、GoogleやTeslaの自動運転車まで、AIは日常のテクノロジーの一部になりつつあります。

MarketsandMarketsのレポートによると、人工知能産業は2020年までに50.5億米ドルに達すると推定されており、2015年から2020年の間に53.65％の年間成長率（CAGR）で成長しています。

この大幅な成長の理由の1つは、機械学習テクノロジーの使用が増加していることです。これは、コンピューターが広告およびメディア業界のデータ自体から学習するAIのサブカテゴリです。

機械学習はすでに広告エコシステムに大きな影響を与えています。 最良の例の1つは、オンライン広告スペースをリアルタイムで自動的に売買できるリアルタイムビッダー（RTB）です。

通常、オンラインキャンペーンの実行に使用される自己学習アルゴリズムにより、広告主は最も価値のあるeショッパーを特定し、パーソナライズされた広告を各顧客に展開して、目的のアクションを実行するように促すことができます。

ロボットが眠らないことは言うまでもありません。これにより、24時間年中無休で市場を観察し、あらゆる小さな変化に合わせて活動を調整することができます。

ディープリットルの収益は、当社が顧客の購買pはotential計算方法を変えています

これはすべてeマーケターにすでによく知られていますが、機械学習の近い将来のエキサイティングな見通しは、深層学習アルゴリズム（高レベルの抽象化をモデル化しようとする一連のアルゴリズムに基づく機械学習のブランチ）です。複数の処理レイヤーを備えたディープグラフを使用したデータ）は、最終的には、広告をクリックしていないユーザーも含め、Webサイトにアクセスするすべてのユーザーの態度、意図、および全体的な状態を認識する機能を作成できる可能性があります。 それはどのように機能しますか？

コンバージョン予測は、ユーザーが希望する方法で行動する推定確率であり、多くのデジタル広告活動で重要な役割を果たします。

この種の予測を使用することにより、アルゴリズムは、Webサイトにアクセスしたどの人々が購入する可能性が最も高いかを判断できます。 その結果、これらの特定のユーザーの勢いと重要性が高まり始め、より良いROIを達成する可能性が高まります。

RTBエコシステムでも同じように機能しますが、評価は非常に高速（ミリ秒）である必要があり、潜在的な顧客履歴に関する幅広い知識が必要です。 私たちの脳の生物​​学的ニューロン（リカレントニューラルネットワーク）に触発された数学的構造を使用する技術のおかげで、人間の専門知識がなくても、顧客の購入の可能性について、より信頼性が高く、より豊かで、機械で解釈可能なユーザーの説明を得ることができます。

通常、特定のeコマースサイトでのユーザーアクティビティの履歴は、コンバージョンの収益性を予測するのに役立つと考えられる、固定数の手動で作成された機能として説明されます。 このような情報は、より継続的（たとえば、広告主のWebサイトへのユーザーの最後のアクセスとオーディエンスに関するパブリッシャーのデータとの間の時間差）、または質問への回答のような論理的な特徴（ユーザーは最近バスケットに製品を追加しましたか？）

ユーザーとそのコンバージョンの可能性に関する知識は、予想どおり、広告活動を計画する上で重要です。 残念ながら、それぞれを手動で作成するには、かなりの量の人間の専門家の作業が必要です。

データの使いやすさは広告主の特性に依存する可能性があり、機能のプリセットがすべてのリターゲティングキャンペーンに常に適しているとは限らないため、それを機能させるには、専門家がすべての新しい広告主の情報を修正して部分的に再調査する必要があります。

さらに、機能はインプレッション時のスナップショットであるため、通常のモデルでは、広告を見たことがないユーザーのデータは無視されます。 これは、大多数のユーザーが広告をクリックした後にコンバージョンを達成しないため、情報が難読化されていることを意味します。 ここで、ディープラーニングがステップインします。

ユーザーの意思決定におけるパターンの発見

すべてのユーザーは、広告主のWebサイトにアクセスするときに何百もの小さな手順を実行し、アルゴリズムがユーザーのアクティビティから発生するすべてのイベントを分析します。

自己学習アルゴリズムのおかげで、クリックされたインプレッションに関連するデータだけでなく、特定のオファーや関心のあるカテゴリを閲覧するデータのより大きなプールを確認することで、これらのフットプリントのすべてを識別し、ユーザーの意思決定のパターンを見つけることができます、バスケットの動作、検索戦術など。

ディープラーニングを使用することで、次の質問に答える強力な試みを行うことができます。予測される次のイベントは何ですか。 これは、ホームページへのアクセス、製品リストの閲覧、製品の詳細の表示、またはバスケットへの製品の追加である可能性があります。 次のコンバージョンまたは表示される次の製品のカテゴリまでの時間差はどのくらいですか？

したがって、すべてのユーザーの購入の可能性の検討は、人間の直感ではなく、ほぼ完全に科学的知識と実証済みの計算に基づいています。 これは、典型的な統計モデルまたはより単純な機械学習アルゴリズムが使用されるアプローチで、永続的な問題の重要な部分を形成します。

自己学習アルゴリズムは、広告耐性のある行動を分析するのに役立ちます

知識は力なので、ことわざは行きます。 広告主が持っている情報は、革新的なアプローチのないストーリーの一部にすぎません。広告主は、コンバージョンを達成した人についてのみ知っています。 しかし、ディープラーニングを使用すると、購入者だけでなく、購入していない人についても学ぶことができます。

アルゴリズムは、配信された広告に関心を示さなかったユーザーのコンバージョン確率に関する関連情報をどのように取得しますか？

古典的なガイドラインに従って構築された典型的なアルゴリズムは、限られた、特別に準備されたデータから学ぶことができます。 コンバージョン率を評価するこれらの方法は、インプレッションの瞬間にユーザーベースのデータをスナップショットしますが、通常、コンバージョン率について考えるときは、広告を見てクリックしたユーザーのみを考慮に入れることを意味します。

ディープラーニングを伴う包括的なデータ分析により、Webサイトの訪問者の意図についての理解が大幅に広がり、特定の状況でどのグループの人々をターゲットにするのが最適かについての視点がさらに明らかになります。 さらに、どこでそれらを見つけるか、彼らの興味は何であるか、そして彼らの好ましい相互作用のチャネルを知るでしょう。

パーソナライズされたRTBアクティビティで使用されるコンバージョン予測にディープラーニングを適用すると、より強力なキャンペーンが実現します。 より多くの情報が豊富で、リアルタイムのインテリジェントなコンテキストアウェアソリューションを使用することで、広告主はピーク時の最適化でリソースを割り当てることができます。