Yapay zeka nasıl daha etkili reklam kampanyaları yürütür?

Yapay zeka (AI) artık fütüristik bir kavram değil, günümüzün temel unsurlarından biri.

Siri ve Cortana gibi sanal kişisel asistanlardan hastalıkları tanımlamak için oluşturulmuş görüntü tarayıcılara, Google'ın veya Tesla'nın kendi kendini süren arabalarına kadar, AI günlük teknolojinin bir parçası haline geliyor.

Bir MarketsandMarkets raporuna göre , yapay zeka endüstrisinin 2020 yılına kadar 5,05 milyar ABD dolarına ulaşacağı ve 2015 ile 2020 yılları arasında yıllık % 53,65'lik bir büyüme oranıyla (CAGR) büyüyeceği tahmin ediliyor .

Bu önemli büyümenin bir nedeni, bilgisayarların reklam ve medya endüstrisindeki verilerden öğrendiği bir yapay zeka alt kategorisi olan makine öğrenimi teknolojisinin artan kullanımıdır.

Makine Öğreniminin reklamcılık ekosistemi üzerinde şimdiden büyük bir etkisi var. En iyi örneklerden biri, çevrimiçi reklam alanlarının gerçek zamanlı olarak otomatik olarak alınıp satılabildiği Gerçek Zamanlı Teklif Verme (RTB)'dir.

Genellikle çevrimiçi kampanyalar yürütmek için kullanılan kendi kendine öğrenen algoritmalar, reklamverenlere en değerli e-alışveriş yapanları belirleme ve ardından her müşteriye kişiselleştirilmiş reklamlar dağıtma ve onları istenen bir eylemi gerçekleştirmeye teşvik etme yeteneği sağlar.

Robotların uyumadığından bahsetmiyorum bile, bu da onların piyasayı 7/24 gözlemlemelerine ve oradaki her küçük değişikliğe göre etkinlikleri ayarlamalarına olanak tanıyor.

Derin l kazanç müşterilerin satın alma p otential hesaplamak biçimini değiştiriyor

Bunların hepsi e-pazarlamacılar tarafından zaten iyi bilinmektedir, ancak makine öğreniminin yakın geleceğinde heyecan verici bir olasılık, derin öğrenme algoritmalarının (bir dizi algoritmaya dayanan bir makine öğrenimi dalı) olmasıdır. birden fazla işleme katmanına sahip derin bir grafik kullanarak) sonunda bir web sitesini ziyaret eden her kullanıcının, hatta henüz bir reklamı tıklamamış olan kullanıcıların tutumunu, niyetini ve genel durumunu tanıyan özellikler oluşturabilir. O nasıl çalışır?

Dönüşüm tahmini, bir kullanıcının istenilen şekilde hareket etme olasılığının tahminidir ve birçok dijital reklamcılık faaliyetinde çok önemli bir rol oynar.

Algoritmalar, bu tür tahminleri kullanarak, bir web sitesini ziyaret eden kişilerin en büyük satın alma potansiyeline sahip olduğuna karar verebilir. Sonuç olarak, daha iyi bir yatırım getirisi elde etme şansını katlayarak, bu belirli kullanıcılar için ivme ve önem kazanmaya başlar.

RTB ekosisteminde de aynı şekilde çalışır, ancak değerlendirmenin inanılmaz derecede hızlı (milisaniye) olması ve potansiyel müşteri geçmişi hakkında geniş bir bilgi birikimine ihtiyaç vardır. Beynimizdeki biyolojik nöronlardan (tekrarlayan sinir ağları) ilham alan matematiksel yapıları kullanan teknoloji sayesinde, herhangi bir insan uzmanlığı olmadan müşterinin satın alma potansiyeline ilişkin daha güvenilir, daha zengin, makine tarafından yorumlanabilir kullanıcı tanımları elde etmek mümkündür.

Tipik olarak, belirli bir e-ticaret sitesindeki kullanıcı etkinliklerinin geçmişi, dönüşümün karlılığını tahmin etmeye yardımcı olduğuna inanılan sabit sayıda manuel olarak hazırlanmış özellik olarak tanımlanır. Bu tür bilgiler daha sürekli olabilir (örneğin, kullanıcının reklamverenin web sitesindeki son ziyareti ile yayıncının hedef kitle hakkındaki verileri arasındaki zaman aralığı) veya daha fazla mantıksal karaktere sahip olabilir, örneğin şu soruya bir yanıt: Kullanıcı son zamanlarda sepete herhangi bir ürün ekledi mi?

Kullanıcılar ve dönüşüm olasılıkları hakkında bilgi, beklendiği gibi, reklamcılık faaliyetlerini planlamak için kritik öneme sahiptir. Ne yazık ki, her birinin manuel olarak işlenmesi, önemli miktarda insan uzman çalışması gerektirir.

Verilerin kullanılabilirliği, reklamverenin özelliklerine bağlı olabilir ve önceden belirlenmiş bir özellik, her yeniden hedefleme kampanyası için her zaman uygun olmayacaktır, bu nedenle, çalışmasını sağlamak için bir uzmanın her yeni reklamveren için bilgileri gözden geçirmesi ve kısmen yeniden keşfetmesi gerekir.

Ayrıca, özellikler gösterim anında anlık görüntüdür, bu nedenle tipik modeller hiç reklam görmemiş kullanıcıların verilerini yok sayar. Bu, bilgilerin karıştırıldığı anlamına gelir çünkü kullanıcıların büyük çoğunluğu bir reklamı tıkladıktan sonra dönüşüm yapmaz. İşte burada derin öğrenme devreye giriyor.

Bir kullanıcının karar verme sürecinde kalıpları bulma

Her kullanıcı, reklamverenin web sitesini ziyaret ederken yüzlerce küçük adım atar ve algoritmalar, kullanıcının aktivitelerinden kaynaklanan her olayı analiz eder.

Kendi kendine öğrenilen algoritmalar sayesinde, bu ayak izlerinin her birini tanımlayabilir ve yalnızca tıklanan gösterimlerle bağlantılı olanları değil, aynı zamanda belirli tekliflere, ilgi kategorilerine göz atarak daha büyük bir veri havuzunu görerek kullanıcının karar verme sürecindeki kalıpları bulabiliriz. , sepet davranışı, arama taktikleri vb.

Derin öğrenmeyi kullanarak şu soruları yanıtlamak için güçlü bir girişimde bulunabiliriz: Öngörülen bir sonraki olay nedir? Bu, ana sayfayı ziyaret etmek, ürün listelerine göz atmak, ürün detaylarını görüntülemek veya sepete ürün eklemek olabilir. Bir sonraki dönüşüme veya görüntülenen bir sonraki ürünün kategorisine kadar olan zaman aralığı nedir?

Sonuç olarak, her kullanıcı için satın alma potansiyelinin değerlendirilmesi, insan sezgisinden ziyade neredeyse tamamen bilimsel bilgiye ve kanıtlanmış hesaplamalara dayanmaktadır. Bu, tipik istatistiksel modellerin veya daha basit makine öğrenimi algoritmalarının kullanıldığı bir yaklaşımda devam eden bir sorunun önemli bir bölümünü oluşturur.

Kendi kendine öğrenen algoritmalar, reklama dayanıklı davranış davranışlarını analiz etmeye yardımcı olur

Bilgi güçtür, bu yüzden söz gider. Reklamcıların sahip olduğu bilgiler, yenilikçi bir yaklaşıma sahip olmayan hikayenin yalnızca bir parçasıdır - yalnızca dönüşüm gerçekleştirenleri bilirler. Ancak derin öğrenme, yalnızca alıcılar hakkında değil, aynı zamanda satın almamış olanlar hakkında da bilgi edinmemizi sağlar.

Algoritmalar, kendilerine sunulan reklama ilgi göstermeyen kullanıcılar için dönüşüm olasılığıyla ilgili bilgileri nasıl elde eder?

Klasik yönergelere göre oluşturulmuş tipik algoritmalar, sınırlı, özel olarak hazırlanmış verilerden öğrenebilir. Bir gösterim anında dönüşüm oranı anlık görüntüsünü kullanıcı tabanlı verileri değerlendirmeye yönelik bu yöntemler, ancak bu, genellikle Dönüşüm Oranını düşünürken yalnızca reklamı gören ve tıklayan kullanıcıları dikkate aldığımız anlamına gelir.

Derin öğrenme ile birlikte gelen kapsamlı veri analizi, web sitemizi ziyaret edenlerin niyetlerine dair çok daha geniş bir anlayışı ortaya çıkarabilir ve belirli bir durumda hangi insan gruplarının en iyi hedefleneceğine dair bakış açımızı daha da geliştirebilir. Ayrıca, onları nerede bulacağımızı, ilgi alanlarını ve tercih ettikleri etkileşim kanallarını da bileceğiz.

Kişiselleştirilmiş RTB etkinliklerinde kullanılan dönüşüm tahminine derin öğrenme uygulamak, daha güçlü kampanyalarla sonuçlanır. Reklamcılar, daha fazla bilgi içeren, gerçek zamanlı, içeriğe duyarlı akıllı bir çözüme sahip olarak, kaynakları en yüksek optimizasyonda tahsis edebilir.