인공 지능이 더 효과적인 광고 캠페인을 주도하는 방법

인공 지능(AI)은 더 이상 미래 지향적인 개념이 아니라 오늘날의 필수 요소입니다.

Siri 및 Cortana와 같은 가상 개인 비서에서 질병 식별을 위해 구축된 이미지 스캐너, Google 또는 Tesla의 자율 주행 자동차에 이르기까지 AI는 일상 기술의 일부가 되고 있습니다.

MarketsandMarkets 보고서에 따르면 인공 지능 산업은 2015년에서 2020년 사이에 53.65%의 연평균 성장률(CAGR)로 성장 하여 2020년까지 50억 5천만 달러에 이를 것으로 추정됩니다 .

이러한 상당한 성장의 한 가지 이유는 광고 및 미디어 산업에서 컴퓨터가 스스로 데이터로부터 학습하는 AI의 하위 범주인 기계 학습 기술의 사용이 증가했기 때문입니다.

머신 러닝은 이미 광고 생태계에 막대한 영향을 미치고 있습니다. 가장 좋은 예 중 하나는 온라인 광고 공간을 실시간으로 자동으로 사고 팔 수 있는 실시간 입찰(RTB)입니다.

일반적으로 온라인 캠페인을 실행하는 데 사용되는 자가 학습 알고리즘은 광고주에게 가장 가치 있는 전자 쇼핑객을 식별한 다음 각 고객에게 개인화된 광고를 배포하고 원하는 조치를 취하도록 권장하는 기능을 제공합니다.

로봇은 잠을 자지 않기 때문에 24시간 연중무휴로 시장을 관찰하고 모든 작은 변화에 맞춰 활동을 조정할 수 있습니다.

깊은 리터의 수입은 우리가 고객의 구매 p는 otential 계산하는 방식을 변화

이것은 이미 e-마케터에게 잘 알려져 있지만 가까운 미래에 머신 러닝의 흥미로운 전망은 딥 러닝 알고리즘(고수준 추상화를 모델링하려고 시도하는 알고리즘 집합을 기반으로 하는 머신 러닝의 한 분야)이라는 것입니다. 여러 처리 레이어가 있는 심층 그래프를 사용하여 데이터)는 결국 아직 광고를 클릭하지 않은 사용자를 포함하여 웹사이트를 방문하는 모든 사용자의 태도, 의도 및 전반적인 상태를 인식하는 기능을 만들 수 있습니다. 어떻게 작동합니까?

전환 예측은 사용자가 원하는 방식으로 행동할 것으로 예상되는 확률이며 많은 디지털 광고 활동에서 중요한 역할을 합니다.

이러한 종류의 예측을 사용하여 알고리즘은 웹사이트를 방문한 사람들이 구매할 가능성이 가장 큰 사람을 결정할 수 있습니다. 결과적으로 이러한 특정 사용자에 대한 추진력과 중요성을 구축하기 시작하여 더 나은 ROI를 달성할 수 있는 기회를 배가시킵니다.

RTB 생태계에서 동일한 방식으로 작동하지만 평가는 엄청나게 빨라야 하고(밀리초) 잠재적인 고객 기록에 대한 방대한 지식이 필요합니다. 우리 뇌의 생물학적 뉴런에서 영감을 받은 수학적 구조(반복 신경망)를 사용하는 기술 덕분에 인간의 전문 지식 없이도 고객의 구매 가능성에 대해 더 안정적이고 풍부하며 기계 해석 가능한 사용자 설명을 얻을 수 있습니다.

일반적으로 특정 전자 상거래 사이트의 사용자 활동 기록은 전환의 수익성을 예측하는 데 도움이 되는 고정된 수의 수동 제작 기능으로 설명됩니다. 이러한 정보는 더 연속적일 수 있거나(예: 광고주 웹사이트에 대한 사용자의 마지막 방문과 청중에 대한 게시자의 데이터 사이의 시간 간격) 더 논리적인 성격(예: 사용자가 최근 장바구니에 제품을 추가했습니까?)에 대한 답변일 수 있습니다.

사용자에 대한 지식과 전환 가능성은 예상대로 광고 활동을 계획하는 데 중요합니다. 불행히도, 각각을 수동으로 제작하려면 상당한 양의 인간 전문가 작업이 필요합니다.

데이터의 유용성은 광고주의 특성에 따라 달라질 수 있으며 기능 사전 설정이 모든 리타게팅 캠페인에 항상 적합한 것은 아니므로 전문가는 모든 신규 광고주에 대한 정보를 수정하고 부분적으로 다시 탐색해야 합니다.

또한 기능은 노출 시점의 스냅샷이므로 일반 모델은 광고를 본 적이 없는 사용자의 데이터를 무시합니다. 이는 대다수의 사용자가 광고를 클릭한 후 전환하지 않기 때문에 정보가 난독화되었음을 의미합니다. 여기에서 딥 러닝이 시작됩니다.

사용자의 의사 결정에서 패턴 찾기

모든 사용자는 광고주의 웹사이트를 방문할 때 수백 개의 작은 단계를 수행하고 알고리즘은 사용자의 활동에서 발생하는 모든 이벤트를 분석합니다.

자체 학습 알고리즘 덕분에 클릭된 노출과 연결된 데이터 풀뿐만 아니라 특정 제안, 관심 카테고리 탐색과 관련된 더 큰 데이터 풀을 확인하여 이러한 발자국을 모두 식별하고 사용자의 의사 결정에서 패턴을 찾을 수 있습니다. , 장바구니 행동, 검색 전술 등

딥 러닝을 사용하여 다음 질문에 답하기 위해 강력한 시도를 할 수 있습니다. 예측된 다음 이벤트는 무엇입니까? 홈 페이지 방문, 제품 목록 검색, 제품 세부 정보 보기 또는 장바구니에 제품 추가가 포함될 수 있습니다. 다음 전환 또는 조회한 다음 제품의 카테고리까지의 시간 차이는 무엇입니까?

결과적으로 모든 사용자의 구매 가능성에 대한 고려는 거의 전적으로 인간의 직관보다는 과학적 지식과 입증된 계산에 기반합니다. 이것은 일반적인 통계 모델이나 더 간단한 기계 학습 알고리즘이 사용되는 접근 방식에서 지속되는 문제의 중요한 부분을 형성합니다.

자가 학습 알고리즘은 광고 방지 행동 을 분석하는 데 도움이 됩니다.

아는 것이 힘입니다. 광고주가 가지고 있는 정보는 혁신적인 접근 방식이 없는 이야기의 일부일 뿐입니다. 광고주는 전환한 사람에 대해서만 압니다. 그러나 딥 러닝을 통해 구매자뿐만 아니라 구매하지 않은 사람들에 대해서도 알 수 있습니다.

알고리즘은 제공된 광고에 관심을 보이지 않은 사용자의 전환 확률에 대한 관련 정보를 어떻게 얻습니까?

기존 지침에 따라 구축된 일반적인 알고리즘은 특별히 준비된 제한된 데이터에서 학습할 수 있습니다. 전환율을 평가하는 방법은 노출 순간의 사용자 기반 데이터 스냅샷이지만 일반적으로 전환율을 생각할 때 광고를 보고 클릭한 사용자만 고려한다는 것을 의미합니다.

딥 러닝과 함께 제공되는 포괄적인 데이터 분석은 웹 사이트 방문자의 의도에 대한 훨씬 더 확장된 이해를 드러낼 수 있으며 특정 상황에서 어떤 그룹의 사람들이 가장 잘 타겟팅할 수 있는지에 대한 관점을 더욱 확장할 수 있습니다. 또한, 우리는 그들을 어디에서 찾을 수 있는지, 그들의 관심사가 무엇인지, 선호하는 상호 작용 채널을 알게 될 것입니다.

개인화된 RTB 활동에 사용되는 전환 예측에 딥 러닝을 적용하면 캠페인이 더욱 강력해집니다. 보다 풍부한 정보의 실시간 지능형 컨텍스트 인식 솔루션을 통해 광고주는 최대 최적화 시 리소스를 할당할 수 있습니다.