Jak sztuczna inteligencja napędza skuteczniejsze kampanie reklamowe

Sztuczna inteligencja (AI) nie jest już futurystyczną koncepcją, to podstawa dnia dzisiejszego.

Od wirtualnych asystentów osobistych, takich jak Siri i Cortana, przez skanery obrazu zbudowane w celu identyfikacji chorób, po samojezdne samochody Google lub Tesli, sztuczna inteligencja staje się częścią codziennej technologii.

Według raportu MarketsandMarkets szacuje się , że branża sztucznej inteligencji osiągnie 5,05 mld USD do 2020 r. , rosnąc w tempie rocznym (CAGR) wynoszącym 53,65% w latach 2015–2020.

Jednym z powodów tego znaczącego wzrostu jest zwiększone wykorzystanie technologii uczenia maszynowego – podkategorii sztucznej inteligencji, w której komputery same uczą się na podstawie danych w branży reklamowej i medialnej.

Machine Learning już teraz ma ogromny wpływ na ekosystem reklamowy. Jednym z najlepszych przykładów jest Real-time Bidding (RTB), gdzie powierzchnia reklamowa online może być kupowana lub sprzedawana automatycznie w czasie rzeczywistym.

Algorytmy samouczące się, zwykle używane do prowadzenia kampanii online, zapewniają reklamodawcom możliwość zidentyfikowania najbardziej wartościowych e-kupujących, a następnie wdrożenia spersonalizowanych reklam dla każdego klienta i zachęcenia ich do podjęcia pożądanego działania.

Nie mówiąc już o tym, że roboty nie śpią, co pozwala im obserwować rynek 24/7 i dostosowywać działania do każdej drobnej zmiany.

Głębokie l zarobki zmienia sposób możemy obliczyć klientów kupujących p otential

To wszystko jest już dobrze znane e-marketerom, ale ekscytującą perspektywą w niedalekiej przyszłości uczenia maszynowego jest to, że algorytmy głębokiego uczenia (gałąź uczenia maszynowego opartego na zestawie algorytmów, które próbują modelować abstrakcje wysokiego poziomu w dane za pomocą głębokiego wykresu z wieloma warstwami przetwarzania) mogą ostatecznie być w stanie stworzyć funkcje, które rozpoznają nastawienie, intencję i ogólny stan każdego użytkownika odwiedzającego witrynę, nawet tych, którzy jeszcze nie kliknęli reklamy. Jak to działa?

Przewidywanie konwersji to szacowane prawdopodobieństwo, że użytkownik zachowa się w pożądany sposób i odgrywa kluczową rolę w wielu działaniach reklamy cyfrowej.

Korzystając z tego rodzaju prognozowania, algorytmy mogą zdecydować, które osoby, które odwiedziły witrynę, mają największy potencjał do zakupu. W konsekwencji zaczyna nabierać rozmachu i znaczenia dla tych konkretnych użytkowników, zwiększając szansę na osiągnięcie lepszego zwrotu z inwestycji.

Działa to w ten sam sposób w ekosystemie RTB, jednak ocena musi być niesamowicie szybka (milisekundy) i potrzebna jest ogromna wiedza na temat historii potencjalnego klienta. Dzięki technologii wykorzystującej struktury matematyczne inspirowane biologicznymi neuronami w naszych mózgach (rekurencyjne sieci neuronowe) możliwe jest uzyskanie bardziej wiarygodnych, bogatszych, możliwych do interpretacji maszynowej opisów potencjału zakupowego klienta bez jakiejkolwiek wiedzy człowieka.

Zazwyczaj historia działań użytkowników w danej witrynie e-commerce jest opisana jako stała liczba ręcznie stworzonych funkcji, które, jak się uważa, pomagają przewidzieć opłacalność konwersji. Takie informacje mogą mieć charakter bardziej ciągły (np. odstęp czasowy między ostatnią wizytą użytkownika na stronie reklamodawcy a danymi wydawcy o odbiorcach), albo bardziej logiczny, jak odpowiedź na pytanie: czy użytkownik dodał ostatnio jakiś produkt do koszyka?

Wiedza o użytkownikach i ich prawdopodobieństwie konwersji jest, zgodnie z oczekiwaniami, kluczowa w planowaniu działań reklamowych. Niestety, ręczne wykonanie każdego z nich wymaga znacznej ilości pracy ekspertów ludzkich.

Użyteczność danych może zależeć od cech reklamodawcy, a zestaw funkcji nie zawsze będzie odpowiedni dla każdej kampanii retargetingowej, więc aby to zadziałało, ekspert powinien zweryfikować i częściowo ponownie zbadać informacje dla każdego nowego reklamodawcy.

Co więcej, funkcje są migawkowe w momencie wyświetlenia, więc typowe modele ignorują dane użytkowników, którzy nigdy nie widzieli żadnej reklamy. Oznacza to, że informacje są niejasne, ponieważ zdecydowana większość użytkowników nie dokonuje konwersji po kliknięciu reklamy. Oto, gdzie wkracza głębokie uczenie.

Znajdowanie wzorców w podejmowaniu decyzji przez użytkownika

Każdy użytkownik podczas wizyty na stronie reklamodawcy wykonuje setki małych kroków, a algorytmy analizują każde zdarzenie pochodzące z działań użytkownika.

Dzięki samouczącym się algorytmom możemy zidentyfikować każdy z tych śladów i znaleźć wzorce w podejmowaniu decyzji przez użytkownika, widząc większą pulę danych, nie tylko tych związanych z kliknięciami, ale także z przeglądaniem poszczególnych ofert, kategorii zainteresowań , zachowanie koszyka, taktyka wyszukiwania itp.

Wykorzystując głębokie uczenie, możemy podjąć silną próbę odpowiedzi na pytania: Jakie jest przewidywane następne wydarzenie? Może to być odwiedzenie strony głównej, przeglądanie list produktów, przeglądanie szczegółów produktu lub dodanie produktu do koszyka. Jaka jest przerwa czasowa do kolejnej konwersji lub kategorii kolejnego oglądanego produktu?

W związku z tym rozważanie potencjału zakupowego każdego użytkownika opiera się prawie wyłącznie na wiedzy naukowej i sprawdzonych obliczeniach, a nie na ludzkiej intuicji. Stanowi to istotną część utrzymującego się problemu w podejściu, w którym stosuje się typowe modele statystyczne lub prostsze algorytmy uczenia maszynowego.

Samouczący pomocy algorytmów do analizy ad-odporny b ehaviours

Wiedza to potęga, tak mówi przysłowie. Informacje, które mają reklamodawcy, to tylko część historii bez innowacyjnego podejścia – wiedzą tylko o tych, którzy konwertują. Ale głębokie uczenie pozwala nam poznać nie tylko kupujących, ale także tych, którzy nie kupili.

W jaki sposób algorytmy uzyskują istotne informacje o prawdopodobieństwie konwersji dla użytkowników, którzy nie wykazali zainteresowania wyświetlaną im reklamą?

Typowe algorytmy budowane według klasycznych wytycznych mogą uczyć się z ograniczonych, specjalnie przygotowanych danych. Są to metody oceny migawkowych danych współczynnika konwersji na podstawie danych użytkowników w momencie wyświetlenia, ale oznacza to, że zazwyczaj myśląc o współczynniku konwersji bierzemy pod uwagę tylko tych użytkowników, którzy zobaczyli i kliknęli w reklamę.

Kompleksowa analiza danych, która towarzyszy głębokiemu uczeniu się, może ujawnić znacznie poszerzone zrozumienie intencji odwiedzających naszą stronę internetową i poszerzyć naszą perspektywę na to, do jakich grup osób najlepiej będzie się kierować w danej sytuacji. Ponadto będziemy wiedzieć, gdzie ich szukać, jakie są ich zainteresowania i preferowane kanały interakcji.

Zastosowanie głębokiego uczenia do przewidywania konwersji w spersonalizowanych działaniach RTB skutkuje silniejszymi kampaniami. Mając więcej informacji, inteligentne i kontekstowe rozwiązanie działające w czasie rzeczywistym, reklamodawcy mogą alokować zasoby przy maksymalnej optymalizacji.