Как глубокое обучение меняет правила игры как для рекламодателей, так и для потребителей

ИИ навсегда изменил цифровую рекламу. Как маркетологи, это уже позволяет нам решать, как лучше всего привлечь потенциальных клиентов и рынки, как никогда раньше.

Но есть куда расти. Инструменты глубокого обучения являются следующей важной областью исследований на основе искусственного интеллекта, и они вызовут волну будущих инноваций в каждой отрасли, открывая новую эру маркетинга, от которой выиграют как рекламодатели, так и конечные пользователи.

Наши интерфейсы уже адаптированы к интересам пользователя на личном уровне, согласуя отраслевые идеи и поведение с медийной рекламой или персонализацией. Но алгоритмы глубокого обучения позволят добиться еще большего.

Глубокое обучение меняет наши представления об эффективности. Это наиболее многообещающая область исследований на основе искусственного интеллекта, которую можно найти в Google Translate, Tesla driving-cars или в механизме распознавания воображения Yahoo. Он также используется в более футуристических целях.

Искусственный интеллект DeepMind от Google может читать телепередачи по губам лучше, чем профессионал (эксперт-человек без ошибок комментировал только 12,4% слов, а ИИ - 46,8%). Эти алгоритмы выиграли у ведущих мировых игроков в покер и даже могут самостоятельно снимать фильм, что недавно показали Саатчи и Саатчи на Международном творческом фестивале «Каннские львы».

И, конечно же, в рекламной индустрии появятся приложения для глубокого обучения. Недавнее объявление Coca-Cola указывает на то, что они хотят использовать ботов с искусственным интеллектом для создания музыки для рекламы, написания сценариев, публикации роликов в социальных сетях и покупки медиа - это подразумевает, что революция в рекламе с глубоким обучением кажется ближе к реальности, чем когда-либо.

С точки зрения рекламодателя: самообучающиеся алгоритмы, разумно реагирующие на неожиданные ситуации.

Согласно новому исследованию Adlucent, потребители жаждут персонализированной рекламы, а 71% респондентов предпочитают рекламу, соответствующую их интересам и покупательским привычкам. Исследование также показало, что люди почти в два раза чаще нажимают на рекламу неизвестного бренда, если реклама была адаптирована к их предпочтениям.

С расширением доступа к данным и стремительно развивающейся конкуренцией для маркетологов как никогда важно понимать шум, окружающий пользователей, - но еще никогда не было так просто. Типичную модель персонализации можно создать без сложных алгоритмов, но мы знаем, что этот предел уже достигнут. Однако новые алгоритмы глубокого обучения могут обнаруживать неожиданные ситуации и скрытый потенциал.

Например, представьте, что вы забыли о дне рождения друга. Осталось всего два дня, и времени на поиск продукта не так много, но все же достаточно, чтобы искать что-то особенное. В этих случаях сверхточная персонализация может иметь значение, и модели глубокого обучения могут начать понимать, что вы что-то с энтузиазмом ищете.

Будь то внезапное изменение в поведении или, казалось бы, срочное совершение покупок, типичная модель будет закрывать глаза на эти точки данных, но глубокое обучение может установить связи.

Глубокое понимание покупательского поведения потребителей еще не было широко доступно игрокам электронной коммерции, но это критически важно для маркетологов. Например, довольно легко найти закономерности в принятии решений для типичных предсказуемых пиков продаж, таких как Черная пятница или Женский день. Ситуация усложняется, когда дело доходит до идентификации отдельных событий с очень конкретным контекстом (например, скоро приближающийся день рождения друга или любое неожиданное событие).

Здесь глубокое обучение берет верх над традиционными методами. Вдохновленный биологическими нейронами в нашем мозгу, глубокое обучение вступает в игру и позволяет получать более надежные, полные, машинно-интерпретируемые пользовательские описания покупательского потенциала без необходимости в человеческом опыте.

В отличие от традиционного подхода машинного обучения, глубокое обучение способно выделить одного пользователя в онлайн-толпе, человека, который изначально может выглядеть как пользователь, действующий хаотично, но на самом деле имеет наибольший потенциал для завершения покупки.

Это возможно, потому что алгоритмы самообучения определяют каждого потенциального клиента, который ищет продукт, немного отличающийся от обычных моделей. Он ссылается на историю и видит, что человек динамически менял свое поведение. Затем он обеспечивает чрезвычайно точные вероятности конверсии, обучаясь не только у одного пользователя, но и у каждого пользователя в сети.

Например, если бы подарком на день рождения были «новые наушники», ретаргетинг на основе глубокого обучения позволил бы пользователю быстро искать по 10 различным моделям, проверять спецификации и сужать диапазон цен. Он определил бы это как необычную, неотложную ситуацию, в то время как традиционные алгоритмы увидели бы это только как нерешительное и неустойчивое поведение - или не заметили бы его вообще.

Зная, что человеку срочно нужно что-то купить, интернет-магазин может автоматически подтолкнуть потребителя завершить покупку в своем конкретном электронном магазине.

С точки зрения пользователя: алгоритмы глубокого обучения, которые предсказывают ваши желания

Когда искусственный интеллект применяется к любому коммерческому продукту или распространению услуги, он становится уникальным продолжением того, кем мы являемся. Он феноменально работает в системе рекомендаций Netflix, и многие фильмы, которые смотрят на Netflix, основаны на предложениях компании, основанных на глубоком обучении.

Amazon также доверяет алгоритмам с самообучением. Запатентованная компанией система «упреждающей доставки», основанная на алгоритме, может сверхточно определять модели покупок клиентов и прогнозировать бренд, ценовой диапазон и продукт, который будет куплен. Исходя из этого, Amazon может отправлять товары в распределительные центры еще до того, как будет размещен заказ, что произвело революцию в индустрии электронной коммерции.

Искусственный интеллект, особенно глубокое обучение, - идеальный инструмент для прогнозирования желаний пользователя в рекламной индустрии. Эта технология упрощает наш повседневный пользовательский опыт, предлагая глубоко таргетированную рекламу, которая содержит не только продукты, которые мы с большей вероятностью купим, но и те, которые мы еще не видели, или продукты, о которых мы даже не думали.

Представьте, что вы только что купили новую камеру. Алгоритмы глубокого обучения будут анализировать каждую часть того, что вы сделали: дату покупки и покупки, характеристики камеры, историю, поведение и т. Д. Алгоритмы смогут разработать рекомендации по продукту, ориентированные на удовлетворение ваших личных потребностей, которые выходят за рамки типичных предложений.

Совместимые объективы, дополнительные карты памяти или штатив для камеры могут быть хорошими рекомендациями, в то время как предлагаемая видеореклама с камерой-дроном может показать вам то, о чем вы даже не думали, но теперь хотите подсознательно.

Рекомендации по сопутствующим товарам от Amazon помогают побудить пользователей совершить дополнительные покупки.

Причина, по которой глубокое обучение так эффективно, заключается в том, что оно обучается так же, как и люди, только намного быстрее. Он изучает желания каждого человека в индивидуальном порядке, а также принимает во внимание данные миллионов других и предоставляет результаты в режиме реального времени. Это подвиг, на который не может надеяться ни один человек.

Инструменты глубокого обучения рекламодателей приведут к изменениям в том, как мы рекомендуем товары, тщательно взвешиваем ценность потенциального покупателя, прогнозируем вероятность конверсии и, самое главное, узнаем об их желаниях. Алгоритмы самообучения помогают достичь сверхточного анализа пользователей и, как следствие, повысить эффективность рекламы примерно на 40%.

В ближайшем будущем рекламодатели и пользователи увидят эволюцию рекламы. Хотя это может показаться немного фантастическим, эта технология является естественным прогрессом в направлении повышения эффективности онлайн-активности, чем когда-либо прежде.