ปัญญาประดิษฐ์ขับเคลื่อนแคมเปญโฆษณาที่มีประสิทธิภาพมากขึ้นอย่างไร

ปัญญาประดิษฐ์ (AI) ไม่ใช่แนวคิดแห่งอนาคตอีกต่อไป แต่เป็นแก่นของวันนี้

ตั้งแต่ผู้ช่วยส่วนตัวเสมือน เช่น Siri และ Cortana ไปจนถึงเครื่องสแกนภาพที่สร้างขึ้นเพื่อระบุโรค ไปจนถึงรถยนต์ที่ขับเคลื่อนด้วยตนเองของ Google หรือ Tesla AI กำลังกลายเป็นส่วนหนึ่งของเทคโนโลยีในชีวิตประจำวัน

ตามรายงานของ MarketsandMarkets อุตสาหกรรมปัญญาประดิษฐ์คาดว่าจะสูงถึง 5.05 พันล้านดอลลาร์ในปี 2020 ซึ่งเติบโตในอัตราการเติบโตต่อปี (CAGR) ที่ 53.65% ระหว่างปี 2015 ถึง 2020

เหตุผลหนึ่งสำหรับการเติบโตที่สำคัญนี้คือการใช้เทคโนโลยีแมชชีนเลิร์นนิงที่เพิ่มขึ้น ซึ่งเป็นหมวดหมู่ย่อยของ AI ที่คอมพิวเตอร์เรียนรู้จากข้อมูลเองในอุตสาหกรรมโฆษณาและสื่อ

การเรียนรู้ของเครื่องมีผลกระทบอย่างมากต่อระบบนิเวศการโฆษณาอยู่แล้ว ตัวอย่างที่ดีที่สุดตัวอย่างหนึ่งคือการเสนอราคาแบบเรียลไทม์ (RTB) ซึ่งคุณสามารถซื้อหรือขายพื้นที่โฆษณาออนไลน์ได้โดยอัตโนมัติในแบบเรียลไทม์

อัลกอริธึมการเรียนรู้ด้วยตนเองซึ่งโดยทั่วไปจะใช้สำหรับการเรียกใช้แคมเปญออนไลน์ ช่วยให้ผู้ลงโฆษณาสามารถระบุผู้ซื้อ e-shoppers ที่มีค่าที่สุด จากนั้นปรับใช้โฆษณาที่ปรับให้เหมาะกับแต่ละบุคคลกับลูกค้าแต่ละราย และกระตุ้นให้พวกเขาดำเนินการตามที่ต้องการ

ไม่ต้องพูดถึงว่าหุ่นยนต์ไม่หลับ ซึ่งช่วยให้พวกเขาสังเกตตลาดได้ตลอด 24 ชั่วโมงทุกวัน และปรับกิจกรรมให้เข้ากับทุกการเปลี่ยนแปลงเล็กน้อยที่นั่น

ลิตรรายได้ลึกมีการเปลี่ยนแปลงวิธีที่เราคำนวณลูกค้าซื้อ P otential

ทั้งหมดนี้เป็นที่รู้จักกันดีในหมู่นักการตลาดอิเล็กทรอนิกส์แล้ว แต่โอกาสที่น่าตื่นเต้นในอนาคตอันใกล้ของการเรียนรู้ด้วยเครื่องคืออัลกอริธึมการเรียนรู้เชิงลึก ข้อมูลโดยใช้กราฟเชิงลึกที่มีเลเยอร์การประมวลผลหลายชั้น) ในที่สุดอาจสร้างคุณลักษณะที่รับรู้ทัศนคติ ความตั้งใจ และสถานะโดยรวมของผู้ใช้ทุกคนที่เข้าชมเว็บไซต์ แม้แต่ผู้ใช้ที่ยังไม่ได้คลิกโฆษณา มันทำงานอย่างไร?

การคาดคะเนการแปลงเป็นความน่าจะเป็นโดยประมาณที่ผู้ใช้จะดำเนินการในลักษณะที่ต้องการ และมีบทบาทสำคัญในกิจกรรมการโฆษณาดิจิทัลมากมาย

การใช้การคาดการณ์ประเภทนี้ อัลกอริธึมสามารถตัดสินใจได้ว่าผู้ที่เข้าชมเว็บไซต์คนใดมีศักยภาพในการซื้อมากที่สุด ดังนั้นจึงเริ่มสร้างโมเมนตัมและความสำคัญสำหรับผู้ใช้เหล่านี้โดยเฉพาะ เพิ่มโอกาสในการได้รับ ROI ที่ดีขึ้น

มันทำงานในลักษณะเดียวกันในระบบนิเวศ RTB อย่างไรก็ตาม การประเมินจะต้องรวดเร็วอย่างเหลือเชื่อ (มิลลิวินาที) และจำเป็นต้องมีความรู้มากมายเกี่ยวกับประวัติผู้มีโอกาสเป็นลูกค้า ด้วยเทคโนโลยีที่ใช้โครงสร้างทางคณิตศาสตร์ที่ได้รับแรงบันดาลใจจากเซลล์ประสาททางชีววิทยาในสมองของเรา (โครงข่ายประสาทที่เกิดซ้ำ) จึงเป็นไปได้ที่จะได้รับคำอธิบายผู้ใช้ที่เชื่อถือได้ สมบูรณ์ยิ่งขึ้น และตีความได้ด้วยเครื่องถึงศักยภาพในการซื้อของลูกค้าโดยไม่ต้องอาศัยความเชี่ยวชาญของมนุษย์

โดยทั่วไป ประวัติกิจกรรมของผู้ใช้ในไซต์อีคอมเมิร์ซหนึ่งๆ จะอธิบายเป็นคุณลักษณะที่สร้างขึ้นด้วยตนเองจำนวนคงที่ ซึ่งเชื่อว่าจะช่วยคาดการณ์ความสามารถในการทำกำไรของ Conversion ข้อมูลดังกล่าวอาจมีความต่อเนื่องมากขึ้น (เช่น ช่องว่างเวลาระหว่างการเข้าชมครั้งล่าสุดของผู้ใช้บนเว็บไซต์ของผู้โฆษณาและข้อมูลของผู้เผยแพร่เกี่ยวกับผู้ชม) หรือลักษณะเชิงตรรกะมากขึ้น เช่น คำตอบสำหรับคำถาม: ผู้ใช้ได้เพิ่มผลิตภัณฑ์ใดๆ ลงในตะกร้าเมื่อเร็วๆ นี้หรือไม่

ความรู้เกี่ยวกับผู้ใช้และความน่าจะเป็นที่จะทำให้เกิด Conversion มีความสำคัญอย่างยิ่งต่อการวางแผนกิจกรรมการโฆษณาตามที่คาดไว้ น่าเสียดายที่งานประดิษฐ์แต่ละชิ้นต้องใช้ฝีมือมนุษย์เป็นจำนวนมาก

การใช้งานข้อมูลอาจขึ้นอยู่กับคุณลักษณะของผู้โฆษณา และชุดคุณลักษณะที่กำหนดไว้ล่วงหน้าจะไม่เหมาะสำหรับทุกแคมเปญที่กำหนดเป้าหมายซ้ำ ดังนั้นเพื่อให้ใช้งานได้ ผู้เชี่ยวชาญควรแก้ไขและสำรวจข้อมูลบางส่วนอีกครั้งสำหรับผู้โฆษณาใหม่ทุกราย

นอกจากนี้ คุณลักษณะต่างๆ ยังเป็นภาพรวม ณ เวลาที่แสดงผล ดังนั้นรุ่นทั่วไปจึงไม่สนใจข้อมูลของผู้ใช้ที่ไม่เคยเห็นโฆษณาใดๆ ซึ่งหมายความว่าข้อมูลจะสับสน เนื่องจากผู้ใช้ส่วนใหญ่จะไม่ทำ Conversion หลังจากคลิกโฆษณา นี่คือจุดเริ่มต้นของการเรียนรู้อย่างลึกซึ้ง

ค้นหารูปแบบในการตัดสินใจของผู้ใช้

ผู้ใช้ทุกคนใช้เวลาหลายร้อยก้าวเล็กๆ เมื่อเข้าชมเว็บไซต์ของผู้โฆษณา และอัลกอริทึมจะวิเคราะห์ทุกเหตุการณ์ที่เกิดขึ้นจากกิจกรรมของผู้ใช้

ด้วยอัลกอริธึมที่เรียนรู้ด้วยตนเอง เราสามารถระบุรอยเท้าเหล่านี้ทุกอันและค้นหารูปแบบในการตัดสินใจของผู้ใช้โดยดูกลุ่มข้อมูลที่ใหญ่ขึ้น ไม่เพียงแต่ที่เชื่อมต่อกับการแสดงผลที่คลิก แต่ยังรวมถึงการเรียกดูข้อเสนอเฉพาะ หมวดหมู่ที่น่าสนใจ , พฤติกรรมตะกร้า, กลยุทธ์การค้นหา ฯลฯ

โดยใช้การเรียนรู้อย่างลึกซึ้ง เราสามารถพยายามตอบคำถาม: เหตุการณ์ถัดไปที่คาดการณ์คืออะไร ซึ่งอาจเป็นการไปที่หน้าแรก การเรียกดูรายการสินค้า การดูรายละเอียดผลิตภัณฑ์ หรือการเพิ่มสินค้าลงในตะกร้าสินค้า ช่องว่างเวลาสำหรับ Conversion ถัดไปหรือหมวดหมู่ของผลิตภัณฑ์ถัดไปที่ดูคืออะไร

ดังนั้น การพิจารณาศักยภาพในการซื้อสำหรับผู้ใช้แต่ละรายจึงขึ้นอยู่กับความรู้ทางวิทยาศาสตร์เกือบทั้งหมดและการคำนวณที่ได้รับการพิสูจน์แล้ว มากกว่าสัญชาตญาณของมนุษย์ รูปแบบนี้เป็นส่วนสำคัญของปัญหาที่ยังคงอยู่ในแนวทางที่ใช้แบบจำลองทางสถิติทั่วไปหรืออัลกอริธึมการเรียนรู้ของเครื่องที่ง่ายกว่า

อัลกอริธึมการเรียนรู้ด้วยตนเองช่วยวิเคราะห์ พฤติกรรมการต่อต้านโฆษณา

ความรู้คือพลัง ดังนั้นคำกล่าวนี้จึงดำเนินไป ข้อมูลที่ผู้โฆษณามีเป็นเพียงส่วนหนึ่งของเรื่องราวที่ไม่มีแนวทางที่เป็นนวัตกรรม – พวกเขารู้เฉพาะเกี่ยวกับผู้ที่เปลี่ยนใจเลื่อมใสเท่านั้น แต่การเรียนรู้เชิงลึกช่วยให้เราเรียนรู้ไม่เพียงแต่เกี่ยวกับผู้ซื้อเท่านั้น แต่ยังรวมถึงผู้ที่ยังไม่ได้ซื้ออีกด้วย

อัลกอริทึมได้รับข้อมูลที่เกี่ยวข้องเกี่ยวกับความน่าจะเป็นของ Conversion สำหรับผู้ใช้ที่ไม่ได้แสดงความสนใจในโฆษณาที่แสดงต่อพวกเขาอย่างไร

อัลกอริธึมทั่วไปที่สร้างขึ้นตามแนวทางดั้งเดิมสามารถเรียนรู้จากข้อมูลที่จำกัดและเตรียมไว้โดยเฉพาะ วิธีการเหล่านั้นในการประเมินข้อมูลที่อิงตามอัตราการแปลงโดยอิงจากผู้ใช้ในขณะที่มีการแสดงผล แต่หมายความว่าโดยปกติเมื่อคิดถึงอัตรา Conversion เราจะพิจารณาเฉพาะผู้ใช้ที่เห็นและคลิกโฆษณาเท่านั้น

การวิเคราะห์ข้อมูลที่ครอบคลุมซึ่งมาพร้อมกับการเรียนรู้เชิงลึกสามารถเปิดเผยความเข้าใจที่เพิ่มขึ้นอย่างมากเกี่ยวกับความตั้งใจของผู้เยี่ยมชมเว็บไซต์ของเรา และทำให้มุมมองของเราเพิ่มขึ้นเกี่ยวกับกลุ่มคนที่จะกำหนดเป้าหมายในสถานการณ์เฉพาะได้ดีที่สุด นอกจากนี้ เราจะรู้ว่าจะหาพวกเขาได้ที่ไหน ความสนใจของพวกเขาคืออะไร และช่องทางการโต้ตอบที่พวกเขาชอบ

การใช้การเรียนรู้เชิงลึกกับการคาดการณ์ Conversion ที่ใช้ในกิจกรรม RTB ที่ปรับให้เหมาะกับแต่ละบุคคลจะส่งผลให้แคมเปญมีประสิทธิภาพมากขึ้น การมีโซลูชันที่รับรู้บริบทแบบอัจฉริยะที่มีข้อมูลมากมาย เรียลไทม์ และชาญฉลาดยิ่งขึ้น ผู้โฆษณาสามารถจัดสรรทรัพยากรได้อย่างมีประสิทธิภาพสูงสุด