Как искусственный интеллект способствует более эффективным рекламным кампаниям

Искусственный интеллект (ИИ) больше не является футуристической концепцией, это основной продукт сегодняшнего дня.

От виртуальных персональных помощников, таких как Siri и Cortana, до сканеров изображений, созданных для выявления заболеваний, до беспилотных автомобилей Google или Tesla - ИИ становится частью повседневных технологий.

Согласно отчету MarketsandMarkets, индустрия искусственного интеллекта к 2020 году достигнет 5,05 млрд долларов США , при этом ежегодный темп роста (CAGR) составит 53,65% в период с 2015 по 2020 год.

Одной из причин такого значительного роста является более широкое использование технологии машинного обучения - подкатегории искусственного интеллекта, в которой компьютеры сами учатся на данных в рекламной и медиаиндустрии.

Машинное обучение уже оказывает огромное влияние на рекламную экосистему. Одним из лучших примеров является назначение ставок в реальном времени (RTB), при котором рекламное пространство в Интернете можно покупать или продавать автоматически в режиме реального времени.

Алгоритмы самообучения, обычно используемые для проведения интернет-кампаний, предоставляют рекламодателям возможность определять наиболее ценных электронных покупателей, а затем развертывать персонализированную рекламу для каждого клиента и побуждать их к желаемым действиям.

Не говоря уже о том, что роботы не спят, что позволяет им наблюдать за рынком 24/7 и приспосабливать действия к каждому небольшому изменению.

Глубокий л зарабатывание меняется, как мы вычисляем клиентов покупать р otential

Все это уже хорошо известно специалистам по электронному маркетингу, но захватывающая перспектива в ближайшем будущем машинного обучения заключается в том, что алгоритмы глубокого обучения (ветвь машинного обучения, основанная на наборе алгоритмов, которые пытаются смоделировать высокоуровневые абстракции в данные с помощью глубокого графика с несколькими уровнями обработки), возможно, в конечном итоге смогут создавать функции, которые распознают отношение, намерение и общее состояние каждого пользователя, посещающего веб-сайт, даже пользователей, которые еще не нажимали на рекламу. Как это работает?

Прогнозирование конверсии - это оценочная вероятность того, что пользователь будет действовать желаемым образом, и играет решающую роль во многих действиях в области цифровой рекламы.

Используя этот вид прогнозирования, алгоритмы могут решить, какие люди, посетившие веб-сайт, имеют наибольший потенциал для покупки. Следовательно, он начинает набирать обороты и важность для этих конкретных пользователей, увеличивая шансы на повышение рентабельности инвестиций.

Это работает так же в экосистеме RTB, однако оценка должна быть невероятно быстрой (миллисекунды), и необходимы обширные знания об истории потенциальных клиентов. Благодаря технологии, которая использует математические структуры, вдохновленные биологическими нейронами в нашем мозгу (рекуррентные нейронные сети), можно получить более надежные, полные, машинно интерпретируемые пользовательские описания покупательского потенциала без каких-либо человеческих знаний.

Как правило, история действий пользователей на определенном сайте электронной торговли описывается как фиксированное количество созданных вручную функций, которые, как считается, помогают прогнозировать прибыльность конверсии. Такая информация может быть более непрерывной (например, промежуток времени между последним посещением пользователем веб-сайта рекламодателя и данными издателя об аудитории) или иметь более логический характер, например ответ на вопрос: добавлял ли пользователь какой-либо продукт в корзину в последнее время?

Знания о пользователях и их вероятности совершить конверсию, как и ожидалось, имеют решающее значение для планирования рекламной деятельности. К сожалению, создание каждого из них вручную требует значительного количества человеческих экспертных усилий.

Удобство использования данных может зависеть от характеристик рекламодателя, а предустановленные функции не всегда подходят для каждой кампании ретаргетинга, поэтому, чтобы заставить его работать, эксперт должен пересматривать и частично повторно изучать информацию для каждого нового рекламодателя.

Более того, функции снимаются во время показа, поэтому типичные модели игнорируют данные пользователей, которые никогда не видели никакой рекламы. Это означает, что информация запутывается, потому что подавляющее большинство пользователей не совершают конверсию после нажатия на объявление. Здесь на помощь приходит глубокое обучение.

Поиск закономерностей в принятии решений пользователем

Каждый пользователь делает сотни маленьких шагов при посещении веб-сайта рекламодателя, и алгоритмы анализируют каждое событие, связанное с действиями пользователя.

Благодаря самообучающимся алгоритмам мы можем идентифицировать каждый из этих следов и находить закономерности в принятии решений пользователем, наблюдая за большим пулом данных, не только связанных с просмотренными кликами, но и с просмотром конкретных предложений, категорий интересов. , поведение корзины, тактика поиска и т. д.

Используя глубокое обучение, мы можем сделать серьезную попытку ответить на вопросы: какое событие ожидается следующим? Это может быть посещение домашней страницы, просмотр списков продуктов, просмотр сведений о продукте или добавление продукта в корзину. Каков промежуток времени до следующей конверсии или категории следующего просматриваемого продукта?

Следовательно, рассмотрение покупательского потенциала каждого пользователя почти полностью основывается на научных знаниях и подтвержденных расчетах, а не на человеческой интуиции. Это составляет значительную часть постоянной проблемы в подходе, в котором используются типичные статистические модели или более простые алгоритмы машинного обучения.

Алгоритмы самообучения помогают анализировать поведение, устойчивое к рекламе

Как говорится, знание - сила. Информация, которой располагают рекламодатели, - это только часть истории без инновационного подхода - они знают только о тех, кто совершает конверсию. Но глубокое обучение позволяет нам узнавать не только о покупателях, но и о тех, кто еще не покупал.

Как алгоритмы получают релевантную информацию о вероятности конверсии для пользователей, которые не проявили никакого интереса к показанной им рекламе?

Типичные алгоритмы, построенные в соответствии с классическими принципами, могут учиться на ограниченных, специально подготовленных данных. Эти методы оценки коэффициента конверсии снимают пользовательские данные в момент показа, но это означает, что обычно, когда мы думаем о коэффициенте конверсии, мы принимаем во внимание только тех пользователей, которые видели и нажимали на объявление.

Всесторонний анализ данных, который сопровождается глубоким обучением, может раскрыть значительно более широкое понимание намерений посетителей нашего веб-сайта и расширить нашу точку зрения на то, какие группы людей лучше всего использовать в конкретной ситуации. Кроме того, мы будем знать, где их найти, каковы их интересы и предпочтительные каналы взаимодействия.

Применение глубокого обучения к прогнозированию конверсии, используемому в персонализированных RTB-действиях, позволяет создавать более эффективные кампании. Имея более информативное интеллектуальное контекстно-зависимое решение, работающее в режиме реального времени, рекламодатели могут распределять ресурсы с максимальной оптимизацией.