Como a inteligência artificial impulsiona campanhas de publicidade mais eficazes

A inteligência artificial (IA) não é mais um conceito futurista, é um grampo de hoje.

De assistentes pessoais virtuais, como Siri e Cortana, a scanners de imagem desenvolvidos para identificar doenças, a carros autônomos do Google ou da Tesla, a IA está se tornando parte da tecnologia cotidiana.

De acordo com um relatório da MarketsandMarkets, a indústria de inteligência artificial está estimada em US $ 5,05 bilhões até 2020 , crescendo a uma taxa de crescimento anual (CAGR) de 53,65% entre 2015 e 2020.

Um dos motivos para esse crescimento significativo é o aumento do uso da tecnologia de aprendizado de máquina - uma subcategoria da IA ​​em que os próprios computadores aprendem com os dados na indústria de publicidade e mídia.

O aprendizado de máquina já tem um grande impacto no ecossistema de publicidade. Um dos melhores exemplos é o lance em tempo real (RTB), em que o espaço de publicidade online pode ser comprado ou vendido automaticamente em tempo real.

Os algoritmos de autoaprendizagem, normalmente usados ​​para executar campanhas online, fornecem aos anunciantes a capacidade de identificar os e-shoppers mais valiosos e, em seguida, implantar anúncios personalizados para cada cliente e incentivá-los a realizar a ação desejada.

Sem falar que os robôs não dormem, o que lhes permite observar o mercado 24 horas por dia, sete dias por semana e ajustar as atividades a cada pequena mudança que existe.

Profunda l salário está mudando a nossa forma de calcular dos clientes de compra p otential

Tudo isso já é bem conhecido do e-marketer, mas uma perspectiva empolgante no futuro próximo do aprendizado de máquina é que algoritmos de aprendizado profundo (um ramo do aprendizado de máquina baseado em um conjunto de algoritmos que tentam modelar abstrações de alto nível em dados usando um gráfico profundo com várias camadas de processamento) pode eventualmente ser capaz de criar recursos que reconhecem a atitude, a intenção e o estado geral de cada usuário que visita um site, mesmo os usuários que ainda não clicaram em um anúncio. Como funciona?

A previsão de conversão é a probabilidade estimada de que um usuário aja da maneira desejada e desempenha um papel crucial em muitas atividades de publicidade digital.

Ao usar esse tipo de previsão, os algoritmos podem decidir quais pessoas que visitaram um site têm o maior potencial de compra. Consequentemente, ele começa a ganhar impulso e importância para esses usuários em particular, multiplicando a chance de alcançar um melhor ROI.

Funciona da mesma maneira no ecossistema RTB, no entanto a avaliação deve ser incrivelmente rápida (milissegundos) e um vasto conhecimento sobre o histórico do cliente potencial é necessário. Graças à tecnologia que usa estruturas matemáticas inspiradas nos neurônios biológicos em nossos cérebros (redes neurais recorrentes), é possível obter descrições do usuário mais confiáveis, mais ricas e interpretáveis ​​por máquinas do potencial de compra do cliente, sem qualquer conhecimento humano.

Normalmente, o histórico das atividades do usuário em um determinado site de comércio eletrônico é descrito como um número fixo de recursos criados manualmente que se acredita ajudar a prever a lucratividade da conversão. Essas informações podem ser mais contínuas (por exemplo, intervalo de tempo entre a última visita do usuário ao site do anunciante e os dados do editor sobre o público), ou mais lógicas, como uma resposta à pergunta: o usuário adicionou algum produto à cesta recentemente?

O conhecimento sobre os usuários e sua probabilidade de conversão é, como esperado, crítico para o planejamento de atividades de publicidade. Infelizmente, a confecção manual de cada um requer uma quantidade substancial de trabalho especializado humano.

A usabilidade dos dados pode depender da característica do anunciante e uma predefinição de recursos nem sempre será adequada para todas as campanhas de retargeting, portanto, para que funcione, um especialista deve revisar e reexplorar parcialmente as informações de cada novo anunciante.

Além disso, os recursos são instantâneos no momento da impressão, de modo que os modelos típicos ignoram os dados de usuários que nunca viram nenhum anúncio. Isso significa que as informações são ofuscadas, porque a grande maioria dos usuários não realiza conversões após clicar em um anúncio. É aqui que entra o aprendizado profundo.

Encontrar padrões na tomada de decisão de um usuário

Cada usuário dá centenas de pequenos passos ao visitar o site do anunciante e os algoritmos analisam todos os eventos originados das atividades do usuário.

Graças a algoritmos de autoaprendizagem, podemos identificar cada uma dessas pegadas e encontrar padrões na tomada de decisão de um usuário, vendo um conjunto maior de dados, não apenas aqueles conectados com impressões clicadas, mas também com a navegação em ofertas específicas, categorias de interesse , comportamento da cesta, táticas de pesquisa, etc.

Usando o aprendizado profundo, podemos fazer uma forte tentativa de responder às perguntas: Qual é o próximo evento previsto? Isso pode ser visitar a página inicial, navegar em listas de produtos, visualizar detalhes de produtos ou adicionar produtos à cesta. Qual é o intervalo de tempo até a próxima conversão ou a categoria do próximo produto visualizado?

Conseqüentemente, a consideração do potencial de compra de cada usuário é quase inteiramente baseada no conhecimento científico e cálculos comprovados, e não na intuição humana. Isso constitui uma parte significativa de um problema persistente em uma abordagem em que modelos estatísticos típicos ou algoritmos de aprendizado de máquina mais simples são usados.

Algoritmos de autoaprendizagem ajudam a analisar comportamentos resistentes a anúncios

Conhecimento é poder, diz o ditado. As informações que os anunciantes têm é apenas uma parte da história, sem uma abordagem inovadora - eles só conhecem aqueles que se convertem. Mas o aprendizado profundo nos permite aprender não apenas sobre os compradores, mas também sobre aqueles que não compraram.

Como os algoritmos obtêm informações relevantes sobre a probabilidade de conversão para usuários que não mostraram interesse no anúncio veiculado a eles?

Algoritmos típicos construídos de acordo com as diretrizes clássicas podem aprender com dados limitados e especificamente preparados. Esses métodos de avaliação da taxa de conversão capturam os dados com base no usuário no momento de uma impressão, mas isso significa que, normalmente, ao pensar na taxa de conversão, levamos em consideração apenas os usuários que viram e clicaram no anúncio.

A análise de dados abrangente, que vem com o aprendizado profundo, pode revelar uma compreensão muito mais ampla das intenções dos visitantes do nosso site e aumentar nossa perspectiva sobre quais grupos de pessoas serão mais adequados para a situação específica. Além disso, saberemos onde encontrá-los, quais são seus interesses e seus canais preferidos de interação.

Aplicar o aprendizado profundo à previsão de conversão usada em atividades RTB personalizadas resulta em campanhas mais poderosas. Por ter uma solução mais rica em informações, em tempo real e inteligente com contexto, os anunciantes podem alocar recursos na otimização de pico.