5 exemples qui montrent comment l'apprentissage automatique change la publicité numérique

De toutes les avancées de la publicité moderne, peu sont plus passionnantes que l'apprentissage automatique. Cela change la façon dont les entreprises collectent et analysent les données et automatise même la rédaction publicitaire avec l'IA.

Mais avec la technologie révolutionnaire viennent de grandes questions. Quoi, pourquoi et comment ça marche ? Aujourd'hui, nous répondons à ces questions et plus encore.

Qu'est-ce que l'apprentissage automatique dans la publicité ?

L'apprentissage automatique dans la publicité fait référence au processus par lequel la technologie publicitaire recueille des données, les analyse et formule des conclusions pour améliorer une tâche. En termes plus simples : c'est ainsi que la technologie publicitaire apprend.

Ce qu'il apprend dépend de la technologie. Il peut s'agir de tout ce qui touche à la publicité : achat média, cartographie du parcours client, segmentation d'audience, etc.

Plus une technologie d'apprentissage automatique traite de données, plus elle en apprend sur cette tâche et plus elle réussit à l'accomplir. Tout comme le ferait un humain.

La différence entre l'apprentissage automatique et l'intelligence artificielle

Vous entendrez souvent les termes « apprentissage machine » et « intelligence artificielle » utilisés dans les conversations sur les technologies les plus sophistiquées d'aujourd'hui. Ils sont liés, mais il est important de savoir qu'ils ne sont pas interchangeables.

Alors que le machine learning fait référence à un processus spécifique : les machines utilisant des données pour « apprendre » et améliorer leur fonctionnement, l'intelligence artificielle est un terme plus large. Il fait référence aux technologies qui peuvent effectuer des tâches nécessitant traditionnellement l'intelligence humaine. L'apprentissage automatique est donc un aspect de l'intelligence artificielle, mais il n'est pas synonyme d'IA.

Pourquoi l'apprentissage automatique ?

Des transactions numériques et des stocks de détail à la température des salles de serveurs, il y a peu de choses que l'entreprise moderne ne peut pas suivre.

Et bien que plus de données signifient plus d'opportunités d'amélioration, cela n'est vrai que si vous avez ce dont vous avez besoin pour les analyser. Malheureusement, la plupart des entreprises ne le font pas.

Les rapports montrent que plus de la moitié des données actuelles ne sont pas utilisées. Connues sous le nom de « données sombres », les principales raisons pour lesquelles elles ne sont pas utilisées sont les suivantes :

Le manque d'outils, les données manquantes, trop de données et les systèmes cloisonnés empêchent les entreprises de tirer le meilleur parti de leur public. A l'origine de tous ces obstacles se trouve un problème simple mais majeur : l'humain ne peut plus tout faire. Il y a tout simplement trop de choses à identifier, collecter et traiter.

La solution?

Orchid Richardson, vice-présidente et directrice générale du Data Center of Excellence de l'IAB, déclare que c'est de l'IA :

Déjà, 95 % des annonceurs disposent de téraoctets et de pétaoctets de données démographiques, y compris des données personnelles, des informations de localisation et des intérêts qu'ils peuvent utiliser pour cibler des prospects dont ils ne savent presque rien. L'intelligence artificielle est un moyen d'apprivoiser ces données et de les faire passer au niveau supérieur.

Alors que l'apprivoisement des données et leur passage « au niveau supérieur » avec l'IA semble être un concept futuriste, c'est quelque chose qui se passe depuis des années. Pourtant, les annonceurs ne font que commencer à effleurer la surface du potentiel de l'IA.

5 Exemples d'apprentissage automatique dans la publicité

L'apprentissage automatique dans la publicité n'est pas toujours facile à repérer car un traitement complexe se déroule en coulisses. Il y a de fortes chances que certains de vos outils préférés tirent parti de l'apprentissage automatique pour fournir les informations que vous tenez pour acquises.

Qu'ils soient nouveaux ou éprouvés, voici quelques-unes des principales choses que le machine learning permet aux annonceurs :

1. Capitalisez sur des informations inattendues

Si vous êtes un bon annonceur, vous diffusez des annonces à l'aide de données ciblées. Mais la façon dont vous obtenez ces données n'est pas parfaite.

Même si vous souhaitez analyser chaque point de données lié à votre offre, vous travaillez avec un budget limité. Et cela vous obligera à hiérarchiser les données les plus importantes nécessaires pour mener une campagne publicitaire réussie. La priorisation, selon votre budget, peut signifier très peu de données.

Un problème moins évident, cependant, est que les hypothèses que vous faites sur votre offre et son public limiteront également la façon dont vous faites de la publicité. Par exemple : si votre produit est un jeu vidéo, vous pouvez diffuser des annonces auprès des jeunes joueurs et de leurs parents d'âge moyen, mais pas des grands-parents ni des joueurs plus âgés. Ces types d'hypothèses peuvent vous coûter des revenus.

Lors de la conférence VentureBeat Transform 2018 AI, ce scénario a été présenté par Julie Shumaker, vice-présidente des solutions pour les annonceurs Unity. C'est juste le type de problème que l'apprentissage automatique peut résoudre :

Les annonceurs peuvent avoir des objectifs très spécifiques, comme vendre une installation de jeu à 17 $ à un joueur de 22 ans, a-t-elle déclaré. Ils pourraient ne pas penser à une femme de 65 ans. Mais l'apprentissage automatique peut révéler que cette femme dépensera probablement environ 3,99 $ en trois jours. Et si le coût d'acquisition est de 75 centimes, cela donne un retour sur investissement aussi bon que des objectifs plus élevés pour des cibles publicitaires plus typiques.

Pour leur capacité rentable à traiter de vastes ensembles de données, les technologies d'apprentissage automatique sont idéales pour découvrir des opportunités de revenus que les hypothèses budgétaires et humaines peuvent limiter.

Qu'il s'agisse d'informations sur les audiences, les processus internes, les stratégies d'enchères, etc., le potentiel d'amélioration peut être important.

Avec l'apprentissage automatique, "vous pouvez essayer des trucs fous", déclare John Koetsier, vice-président d'Insights chez Singular, une plateforme de données marketing.

L'un des clients de Singular, par exemple, a adopté l'approche non conventionnelle consistant à diffuser une publicité pour un jeu vidéo sans montrer de gameplay réel. La campagne contre-intuitive a généré beaucoup de conversations sur le produit parmi leur public cible.

"Vous pouvez essayer beaucoup, beaucoup de choses parce que vous pouvez laisser la machine déterminer en temps réel ce qui génère un impact", a déclaré Koetsier. "Vous pouvez faire des choses stupides, et parfois des choses stupides sont des choses intelligentes."

2. Améliorer la création publicitaire

Les audiences réagissent différemment à la création publicitaire. Média, police de caractères, appel à l'action - ce sont parmi les ingrédients créatifs qui incitent les gens à cliquer ou à se déconnecter.

Alors que beaucoup considèrent que l'apprentissage automatique implique des données strictement quantitatives, ce n'est pas le cas. Rajiv Bhat, vice-président principal des sciences des données et du marché chez InMobi, déclare qu'un système d'analyse prédictive peut également contribuer au développement d'une meilleure créativité :

Dans un tel système, les données sur les créations passées et les campagnes passées sont analysées pour déterminer précisément ce qui fonctionnerait pour les efforts en cours. Avec cette application de l'IA, les marques peuvent avoir une meilleure idée de la façon dont tout, depuis la messagerie, les polices, les couleurs, les images, la taille des boutons ou les formats, a un impact sur les performances globales de la campagne. »

Cela peut sembler être le cas, mais un système comme celui-ci n'est pas hypothétique. Bidalgo, une plateforme d'automatisation du marketing d'applications mobiles, fournit un outil qui fait exactement cela. Appelé « Creative AI », ce service d'apprentissage automatique analyse les médias visuels pour trouver des approches créatives susceptibles de réussir. Son CMO, Rishi Shiva, déclare :

Avant d'investir des centaines de milliers de dollars dans le développement d'actifs vidéo, vous pouvez réellement exécuter vos images et vidéos historiques via notre système, et cela vous donnera en fait des informations.

Vous pouvez déterminer quelle création a eu un impact positif sur l'audience. Et ce système particulier peut devenir aussi spécifique que la façon dont les gens posent sur les images. Une fois cela fait, le logiciel fournit un brief créatif aux équipes de contenu basé sur l'analyse.

Une application similaire de l'apprentissage automatique, détaillée dans le Journal of Consumer Psychology, implique un projet de recherche qui associe des images à des types de personnalité. Dans ce document, les chercheurs ont utilisé des algorithmes pour identifier 89 caractéristiques différentes pour les images, notamment la teinte, la saturation, la diversité des couleurs, le niveau de détail, le nombre de personnes, etc.

Les 745 participants à l'étude ont été invités à évaluer les images sur une échelle de 1 à 7. Quand ils ont terminé, ils ont passé un test de personnalité qui les a évalués dans cinq domaines : ouverture, conscience, extraversion, amabilité et névrosisme. Ensuite, ils ont tenté de découvrir quelles images faisaient appel à quels traits de personnalité. Ils ont entre autres découvert :

• Les personnes extraverties préféraient les images simples et les images mettant en vedette des personnes
• Les personnes ouvertes d'esprit préféraient les images sans personne et avec des couleurs froides comme le bleu et le noir
• Les personnes très névrosées aimaient les scènes calmes et peu stimulantes

Dans une étude de suivi, les chercheurs ont découvert que les sujets préféraient les images publicitaires qui correspondaient à leur personnalité. Mais plus important encore, l'algorithme d'apprentissage automatique a révélé que la relation entre le type de personnalité et le type d'image pouvait affecter l'intérêt d'un consommateur pour un produit. Les gens ne préféraient pas seulement les images qui correspondaient à leur personnalité. Ils ont également signalé des attitudes et des intentions d'achat plus favorables envers ces marques.

3. Boostez la pertinence contextuelle

En théorie, la conception d'une excellente publicité devrait suffire à générer une excellente réponse de la part de votre public cible. Bien sûr, ce n'est jamais aussi facile.

En plus d'être bien conçue, votre annonce doit être diffusée sur la bonne plateforme, avec le bon ciblage, au bon moment. Bhat dit que c'est aussi un processus que l'apprentissage automatique améliore :

Par exemple, il est possible que les créations dont les couleurs sont plus contrastées soient plus performantes la nuit ou que les annonces mettant en vedette des stars du sport soient plus performantes le week-end. L'IA peut fournir ce niveau de granularité et d'informations sur le développement et les performances des créations publicitaires.

La pertinence contextuelle devient plus importante maintenant que les régulateurs sévissent contre l'utilisation des données. GDPR a imposé des restrictions sur les données, et d'autres pays emboîtent le pas.

Au lieu de s'appuyer strictement sur les données d'audience, les technologies d'apprentissage automatique sont de plus en plus utilisées pour traiter les données sur la page. Et ils le font d'une manière si complexe qu'ils sont presque humains. Harmon Lyons, vice-président principal du développement commercial mondial chez IAS, déclare :

Les progrès actuels brouillent les frontières entre l'homme et la machine, comme en témoignent des applications telles que l'analyse des sentiments - les machines sont de plus en plus capables d'identifier et de catégoriser les opinions exprimées dans un texte, afin de déterminer si l'attitude de l'auteur envers un sujet ou un produit particulier est positif, négatif ou neutre.

La nuance ici évolue toujours à mesure que le langage se développe et inclut des choses comme le sarcasme et les émoticônes pour exprimer le sens. Les progrès rapides de l'apprentissage en profondeur permettent aux ordinateurs de traiter des images et des vidéos d'une manière plus humaine.

À la base, la compréhension du contenu d'une page peut aider l'annonceur et l'éditeur à diffuser des publicités plus pertinentes. À un niveau plus complexe, cela permet aux annonceurs de faire des choses impressionnantes.

Exemple Vodafone

Prenons l'exemple de Vodafone au Royaume-Uni, qui voulait annoncer qu'il porterait l'iPhone X. En raison des directives d'utilisation de la marque très restrictives d'Apple, l'entreprise a eu du mal à mentionner le produit.

Ils ont donc exploité la technologie d'apprentissage automatique de GumGum. Une fois déployée, cette technologie a analysé les images sur la page pour trouver des publicités iPhone, puis a placé des publicités Vodafone au-dessus d'elles. C'était assez clair pour les consommateurs, qui comprenaient que la société proposerait l'iPhone sur la base de l'association des publicités.

Exemple de jeep

Jeep, un autre client de GumGum, a décidé d'ignorer la modélisation comportementale et de capitaliser à la place sur le contexte. Grâce à sa technologie d'apprentissage automatique, la société a scanné des pages Web à la recherche d'images de modèles qui rivalisaient avec leur Cherokee, comme le Toyota RAV4. Ensuite, comme Vodafone, ils ont placé leurs publicités au-dessus des modèles concurrents.

Au-delà de ces cas d'utilisation, l'apprentissage automatique peut faire de grandes choses pour la réputation de la marque. Avec l'augmentation du nombre d'annonces programmatiques diffusées dans des emplacements qui ne sont pas sûrs pour la marque (comme à côté de contenu extrémiste, par exemple), l'apprentissage automatique peut aider les annonceurs à prévenir un cauchemar de relations publiques avant qu'il ne se produise et à éviter d'avoir à boycotter un site et son audience potentiellement massive. (comme beaucoup ont été forcés de le faire avec YouTube.)

4. Ciblez des segments plus définis

L'objectif de chaque annonceur est la pertinence maximale. Et la voie de la pertinence est la segmentation. Plus vos segments d'audience se rétrécissent, plus vous vous rapprochez de la personnalisation 1: 1 dont les clients ont besoin.

Mais pour se rapprocher de la personnalisation 1:1, vous avez besoin d'une énorme quantité de données, pour commencer. Ensuite, vous avez besoin d'un algorithme d'apprentissage automatique suffisamment sophistiqué pour passer au crible les données et les transformer en quelque chose d'utilisable.

Heureusement, ce sont les deux caractéristiques des principaux réseaux comme Facebook, Google et LinkedIn. Ils accumulent de vastes collections de données sur leurs utilisateurs (passe-temps, centres d'intérêt, localisation, intitulés de poste, etc.) que les annonceurs peuvent utiliser pour affiner leurs segments cibles. Gil Allouche, co-fondateur et PDG de Metadata.io, affirme que des données comme celle-ci sont si précieuses qu'elles facilitent le travail avec d'autres données :

Ne soyez pas trop "méta" ici, mais les métadonnées sont des informations qui fournissent des informations sur d'autres données. Répétons cela d'une manière différente : les métadonnées résument les informations de base sur les données, ce qui facilite la recherche et l'utilisation d'instances particulières de données. Selon Smart Insights, « les métadonnées brossent un tableau de la routine quotidienne, des interactions, des points de vue et des associations d'un individu, et la raison pour laquelle elles sont si utiles est qu'elles ne mentent pas.

Lorsque vous assemblez ce type de données, vous obtenez ce que Gil et l'équipe de Metadata.io appellent une "'note d'amour' pour de futures perspectives commerciales" car c'est "une expression de la vérité sous forme écrite".

Pour les entreprises, la vérité sous la forme d'informations sur les clients n'est pas facile à trouver. Ainsi, lorsqu'il est collecté en abondance et exploité par des réseaux tels que Facebook et Google, il devient un moyen précieux de réduire considérablement votre public cible à un public plus susceptible de réclamer votre offre.

Facebook collecte des données et vous permet de créer des audiences. Plus important encore, la plate-forme utilise l'apprentissage automatique pour déterminer qui parmi ce public est le plus susceptible d'atteindre l'objectif pour lequel vous enchérissez.

Dans le même temps, cette pratique est sans valeur si vous limitez simplement votre public cible et offrez la même expérience publicitaire. Gil a raison lorsqu'il dit : "Les meilleures publicités d'aujourd'hui sont des contenus attrayants et personnalisés qui ont une réelle signification pour le public d'une marque".

Chaque audience doit avoir une publicité personnalisée en fonction de ses données. Et pour poursuivre cette expérience, chaque annonce doit diriger les utilisateurs vers une page post-clic tout aussi personnalisée.

Prenons cet exemple d'Abreva, qui a créé 119 publicités différentes pour son produit en fonction du contexte dans lequel il a été visionné. Lorsque les clients rencontraient la publicité dans une vidéo sur, par exemple, des potins de célébrités, une publicité comme celle-ci leur était présentée :

Mais s'ils voyaient une publicité en regardant un didacticiel vidéo, ils verraient quelque chose comme ceci :

La campagne personnalisée a conduit à une forte augmentation de la notoriété et de la considération. Abreva a généré une augmentation de 41 % du souvenir publicitaire et une augmentation de 342 % de l'intérêt pour la recherche sur Google et YouTube.

Sur d'autres réseaux, comme la recherche Google, l'apprentissage automatique rend le processus encore plus rapide. Avec les annonces de recherche réactives, vous pouvez saisir plusieurs versions du titre, du texte et de la description, et Google testera et diffusera la plus performante. En moyenne, les annonceurs qui utilisent cette fonctionnalité généreront une augmentation de 15 % des clics.

5. Enchérissez de manière plus stratégique

Dans la publicité programmatique, toutes les impressions ne valent pas ce que vous êtes prêt à enchérir. Certains sont. Et certains valent encore plus.

Grâce aux plates-formes côté demande, l'évaluation de ces impressions ne nécessite plus de conjectures. Grâce à la technologie d'apprentissage automatique, ces plateformes peuvent faire des offres et des optimisations qui nécessitaient autrefois des acheteurs expérimentés.

Prenez l'exemple des enchères intelligentes de Google : une stratégie d'enchères automatisées qui utilise l'apprentissage automatique pour optimiser les conversions, ou la valeur de conversion, à chaque enchère. C'est ce qu'on appelle les « enchères au moment de l'enchère ». Selon Google, il existe cinq types de stratégies d'enchères intelligentes :

• • CPA cible : le CPA cible définit les enchères pour vous aider à obtenir autant de conversions que possible au niveau ou en dessous du coût par action (CPA) cible que vous avez défini.

• • ROAS cible : le ROAS cible vous permet d'enchérir en fonction d'un retour sur les dépenses publicitaires (ROAS) cible. Cette stratégie vous aide à obtenir plus de valeur de conversion ou de revenus au retour sur les dépenses publicitaires (ROAS) cible que vous avez défini.

• • Maximiser les conversions : Maximiser les conversions définit automatiquement les enchères pour vous aider à obtenir le maximum de conversions pour votre campagne tout en dépensant votre budget.

• CPC optimisé : le coût par clic optimisé (eCPC) vous permet d'obtenir davantage de conversions grâce aux enchères manuelles. L'eCPC fonctionne en ajustant automatiquement vos enchères manuelles pour les clics qui semblent plus ou moins susceptibles de déboucher sur une vente ou une conversion sur votre site Web.

Votre choix dépend de l'objectif de votre campagne, de votre budget et d'autres facteurs. Quoi qu'il en soit, vous pouvez être sûr que l'algorithme d'enchères intelligentes de Google est bien formé. Selon Google, il s'agit d'acquérir et d'analyser constamment des données pour comprendre quelles enchères et quelles impressions sont les plus efficaces pour l'objectif que vous avez choisi. Ces données contiennent une gamme de paramètres beaucoup plus large que n'importe quelle équipe ou personne ne pourrait traiter.

Il inclut des facteurs de base tels que l'appareil et l'emplacement, qui peuvent être ajustés manuellement, ainsi que des signaux automatiques propres aux stratégies d'enchères intelligentes. Ceux-ci sont bien plus nombreux. Vous pouvez en trouver plusieurs ici, y compris le comportement du site, les attributs du produit, le placement Web, etc.

Étant donné que les stratégies d'enchères intelligentes peuvent être optimisées en fonction des données de toutes vos campagnes, même les nouvelles peuvent voir leurs performances augmenter. Néanmoins, vous ne devez prendre aucune décision commerciale basée sur les résultats de la campagne tant que vous n'avez pas un échantillon suffisamment important : au moins 30 conversions (50 pour le ROAS cible) et/ou plus d'un mois de durée d'exécution.

Commencez à utiliser l'apprentissage automatique pour augmenter les conversions

Les annonceurs attendent toujours avec impatience de meilleures applications des technologies actuelles. C'est le cas du machine learning comme de tout autre : meilleurs chatbots, reconnaissance vocale, traitement d'images, etc.

Mais l'apprentissage automatique peut avoir un impact positif majeur sur vos campagnes aujourd'hui . Les stratégies d'enchères, créatives et surtout, la personnalisation, peuvent s'améliorer de manière exponentielle lorsque vous trouvez un modèle d'apprentissage automatique qui fonctionne pour vous. Sans aucun doute, il y en a pour tous les goûts. Même s'il ne s'agit que d'enchères intelligentes ou des annonces de recherche réactives de Google.

Découvrez comment tirer encore plus parti de vos efforts d'apprentissage automatique en connectant des pages de destination post-clic personnalisées à partir d'Instapage. Obtenez une démo ici.