人工智能如何推动更有效的广告活动

人工智能 (AI) 不再是一个未来主义的概念，而是当今的主食。

从 Siri 和 Cortana 等虚拟个人助理，到用于识别疾病的图像扫描仪，再到谷歌或特斯拉的自动驾驶汽车，人工智能正在成为日常技术的一部分。

根据 MarketsandMarkets 的一份报告，预计到 2020 年人工智能产业将达到 50.5 亿美元，在 2015 年至 2020 年间以 53.65% 的年增长率（CAGR）增长。

这种显着增长的一个原因是机器学习技术的使用增加 - 人工智能的一个子类别，计算机可以从广告和媒体行业的数据中学习。

机器学习已经对广告生态系统产生了巨大影响。 最好的例子之一是实时竞价 (RTB)，可以实时自动购买或出售在线广告空间。

自学习算法通常用于运行在线活动，使广告商能够识别最有价值的电子购物者，然后向每个客户部署个性化广告并鼓励他们采取所需的行动。

更不用说机器人不睡觉了，这让它们可以 24/7 全天候观察市场并根据那里的每一个小变化调整活动。

深升盈利正在改变我们的计算客户的购买p otential方式

这对于电子营销人员来说已经是众所周知的了，但机器学习在不久的将来一个令人兴奋的前景是深度学习算法（机器学习的一个分支，基于一组试图在数据通过使用具有多个处理层的深度图）可能最终能够制作出能够识别每个访问网站的用户的态度、意图和整体状态的特征，甚至是尚未点击广告的用户。 它是如何工作的？

转化预测是用户以期望方式行事的估计概率，在许多数字广告活动中起着至关重要的作用。

通过使用这种预测，算法可以决定哪些访问过网站的人最有可能购买。 因此，它开始为这些特定用户建立动力和重要性，从而增加实现更好投资回报率的机会。

它在 RTB 生态系统中以相同的方式工作，但是评估必须非常快（毫秒），并且需要有关潜在客户历史的大量知识。 得益于使用受我们大脑中的生物神经元（循环神经网络）启发的数学结构的技术，可以在没有任何人类专业知识的情况下获得更可靠、更丰富、机器可解释的客户购买潜力的用户描述。

通常，给定电子商务网站中用户活动的历史记录被描述为固定数量的人工制作的功能，这些功能被认为有助于预测转化的盈利能力。 此类信息可以更加连续（例如，用户上次访问广告商网站与发布商有关受众的数据之间的时间间隔），或者更具逻辑性，例如回答以下问题：用户最近是否将任何产品添加到购物车？

正如预期的那样，有关用户及其转化概率的知识对于规划广告活动至关重要。 不幸的是，手工制作每一个都需要大量的人类专家工作。

数据的可用性可能取决于广告商的特征，并且预设的特征并不总是适用于每个重定向活动，因此为了使其发挥作用，专家应该修改并部分重新探索每个新广告商的信息。

此外，特征是印象时的快照，因此典型模型会忽略从未看过任何广告的用户的数据。 这意味着信息被混淆了，因为绝大多数用户在点击广告后没有转化。 这就是深度学习介入的地方。

在用户的决策中寻找模式

每个用户在访问广告商的网站时都会采取数百个小步骤，算法会分析源自用户活动的每个事件。

多亏了自学算法，我们可以通过查看更大的数据池来识别这些足迹中的每一个，并找到用户决策中的模式，不仅是那些与点击印象相关的数据，还有浏览特定优惠、感兴趣的类别的数据、篮筐行为、搜索策略等。

通过使用深度学习，我们可以做出强有力的尝试来回答以下问题：预测的下一个事件是什么？ 这可能是访问主页、浏览产品列表、查看产品详细信息或将产品添加到购物车。 到下一次转化或查看下一个产品类别的时间间隔是多少？

因此，对每个用户的购买潜力的考虑几乎完全基于科学知识和经过验证的计算，而不是人类的直觉。 在使用典型统计模型或更简单的机器学习算法的方法中，这构成了持久问题的重要组成部分。

自学习算法有助于分析抗广告行为

知识就是力量，俗话说得好。 没有创新方法，广告商所拥有的信息只是故事的一部分——他们只知道那些转化的人。 但是深度学习使我们不仅可以了解买家，还可以了解尚未购买的人。

对于对提供给他们的广告没有任何兴趣的用户，算法如何获取有关转化概率的相关信息？

根据经典指南构建的典型算法可以从有限的、专门准备的数据中学习。 那些评估转化率的方法会在展示时捕捉基于用户的数据，但这意味着通常在考虑转化率时，我们只考虑那些看到并点击了广告的用户。

深度学习带来的综合数据分析可以揭示对我们网站访问者意图的更广泛的理解，并进一步让我们了解在特定情况下哪些人群最适合定位。 此外，我们将知道在哪里可以找到他们、他们的兴趣是什么以及他们首选的互动渠道。

将深度学习应用于个性化 RTB 活动中使用的转化预测会产生更强大的营销活动。 通过拥有更多信息丰富、实时、智能的情境感知解决方案，广告商可以在峰值优化时分配资源。