人工智能如何推動更有效的廣告活動

人工智能 (AI) 不再是一個未來主義的概念，而是當今的主食。

從 Siri 和 Cortana 等虛擬個人助理，到用於識別疾病的圖像掃描儀，再到谷歌或特斯拉的自動駕駛汽車，人工智能正在成為日常技術的一部分。

根據 MarketsandMarkets 的一份報告，預計到 2020 年人工智能產業將達到 50.5 億美元，在 2015 年至 2020 年間以 53.65% 的年增長率（CAGR）增長。

這種顯著增長的一個原因是機器學習技術的使用增加 - 人工智能的一個子類別，計算機可以從廣告和媒體行業的數據中學習。

機器學習已經對廣告生態系統產生了巨大影響。 最好的例子之一是實時競價 (RTB)，可以實時自動購買或出售在線廣告空間。

自學習算法通常用於運行在線活動，使廣告商能夠識別最有價值的電子購物者，然後向每個客戶部署個性化廣告並鼓勵他們採取所需的行動。

更不用說機器人不睡覺了，這讓它們可以 24/7 全天候觀察市場並根據那裡的每一個小變化調整活動。

深升盈利正在改變我們的計算客戶的購買p otential方式

這對於電子營銷人員來說已經是眾所周知的了，但機器學習在不久的將來一個令人興奮的前景是深度學習算法（機器學習的一個分支，基於一組試圖在數據通過使用具有多個處理層的深度圖）可能最終能夠製作出能夠識別每個訪問網站的用戶的態度、意圖和整體狀態的特徵，甚至是尚未點擊廣告的用戶。 它是如何工作的？

轉化預測是用戶以期望方式行事的估計概率，在許多數字廣告活動中起著至關重要的作用。

通過使用這種預測，算法可以決定哪些訪問過網站的人最有可能購買。 因此，它開始為這些特定用戶建立動力和重要性，從而增加實現更好投資回報率的機會。

它在 RTB 生態系統中以相同的方式工作，但是評估必須非常快（毫秒），並且需要有關潛在客戶歷史的大量知識。 得益於使用受我們大腦中的生物神經元（循環神經網絡）啟發的數學結構的技術，可以在沒有任何人類專業知識的情況下獲得更可靠、更豐富、機器可解釋的客戶購買潛力的用戶描述。

通常，給定電子商務網站中用戶活動的歷史記錄被描述為固定數量的人工製作的功能，這些功能被認為有助於預測轉化的盈利能力。 此類信息可以更加連續（例如，用戶上次訪問廣告商網站與發布商有關受眾的數據之間的時間間隔），或者更具邏輯性，例如回答以下問題：用戶最近是否將任何產品添加到購物車？

正如預期的那樣，有關用戶及其轉化概率的知識對於規劃廣告活動至關重要。 不幸的是，手工製作每一個都需要大量的人類專家工作。

數據的可用性可能取決於廣告商的特徵，並且預設的特徵並不總是適用於每個重定向活動，因此為了使其發揮作用，專家應該修改並部分重新探索每個新廣告商的信息。

此外，特徵是印象時的快照，因此典型模型會忽略從未見過任何廣告的用戶的數據。 這意味著信息被混淆了，因為絕大多數用戶在點擊廣告後沒有轉化。 這就是深度學習介入的地方。

在用戶的決策中尋找模式

每個用戶在訪問廣告商的網站時都會採取數百個小步驟，算法會分析源自用戶活動的每個事件。

多虧了自學算法，我們可以通過查看更大的數據池來識別這些足跡中的每一個，並找到用戶決策中的模式，不僅是那些與點擊印象相關的數據，還有瀏覽特定優惠、感興趣的類別的數據、籃筐行為、搜索策略等。

通過使用深度學習，我們可以做出強有力的嘗試來回答以下問題：預測的下一個事件是什麼？ 這可能是訪問主頁、瀏覽產品列表、查看產品詳細信息或將產品添加到購物車。 到下一次轉化或查看下一個產品類別的時間間隔是多少？

因此，對每個用戶的購買潛力的考慮幾乎完全基於科學知識和經過驗證的計算，而不是人類的直覺。 在使用典型統計模型或更簡單的機器學習算法的方法中，這構成了持久問題的重要組成部分。

自學習算法有助於分析抗廣告行為

知識就是力量，俗話說得好。 沒有創新方法，廣告商所擁有的信息只是故事的一部分——他們只知道那些轉化的人​​。 但是深度學習使我們不僅可以了解買家，還可以了解尚未購買的人。

對於對提供給他們的廣告沒有任何興趣的用戶，算法如何獲取有關轉化概率的相關信息？

根據經典指南構建的典型算法可以從有限的、專門準備的數據中學習。 那些評估轉化率的方法會在展示時捕捉基於用戶的數據，但這意味著通常在考慮轉化率時，我們只考慮那些看到並點擊了廣告的用戶。

深度學習帶來的綜合數據分析可以揭示對我們網站訪問者意圖的更廣泛的理解，並進一步讓我們了解在特定情況下哪些人群最適合定位。 此外，我們將知道在哪裡可以找到他們、他們的興趣是什麼以及他們首選的互動渠道。

將深度學習應用於個性化 RTB 活動中使用的轉化預測會產生更強大的營銷活動。 通過擁有更多信息豐富、實時、智能的情境感知解決方案，廣告商可以在峰值優化時分配資源。