5 Contoh Yang Menunjukkan Bagaimana Pembelajaran Mesin Mengubah Periklanan Digital

Dari semua kemajuan dalam periklanan modern, hanya sedikit yang lebih menarik daripada pembelajaran mesin. Ini mengubah cara bisnis mengumpulkan dan menganalisis data dan bahkan mengotomatiskan copywriting iklan dengan AI.

Tetapi dengan teknologi revolusioner muncul pertanyaan besar. Apa, mengapa, dan bagaimana cara kerjanya? Hari ini kami menjawab ini dan banyak lagi.

Apa itu pembelajaran mesin dalam periklanan?

Pembelajaran mesin dalam periklanan mengacu pada proses di mana teknologi iklan mengambil data, menganalisisnya, dan merumuskan kesimpulan untuk meningkatkan tugas. Dalam istilah yang lebih sederhana: begitulah cara teknologi iklan belajar.

Apa yang dipelajari tergantung pada teknologinya. Itu bisa apa saja yang terkait dengan periklanan: pembelian media, pemetaan perjalanan pelanggan, segmentasi audiens, dll.

Semakin banyak data yang diproses oleh teknologi pembelajaran mesin, semakin banyak yang dipelajari tentang tugas itu, dan semakin baik penyelesaiannya. Sama seperti manusia.

Perbedaan antara pembelajaran mesin dan kecerdasan buatan

Anda pasti sering mendengar istilah “pembelajaran mesin” dan “kecerdasan buatan” yang digunakan dalam perbincangan tentang teknologi tercanggih saat ini. Mereka terkait, tetapi penting untuk mengetahui bahwa mereka tidak dapat dipertukarkan.

Sementara pembelajaran mesin mengacu pada proses tertentu: Mesin menggunakan data untuk "belajar" dan meningkatkan fungsinya, kecerdasan buatan adalah istilah yang lebih luas. Ini mengacu pada teknologi yang dapat melakukan tugas-tugas yang secara tradisional membutuhkan kecerdasan manusia. Pembelajaran mesin, oleh karena itu, merupakan aspek kecerdasan buatan, tetapi tidak identik dengan AI.

Mengapa pembelajaran mesin?

Dari transaksi digital dan stok eceran hingga suhu ruang server, hanya sedikit yang tidak dapat dilacak oleh bisnis modern.

Dan meskipun lebih banyak data berarti lebih banyak peluang untuk meningkatkan, itu hanya berlaku jika Anda memiliki apa yang Anda butuhkan untuk menganalisisnya. Sayangnya, sebagian besar bisnis tidak.

Laporan menunjukkan bahwa lebih dari separuh data saat ini tidak digunakan. Dikenal sebagai "data gelap", alasan utama tidak digunakan adalah sebagai berikut:

Kurangnya alat, data yang hilang, terlalu banyak data, dan sistem yang tertutup membuat bisnis tidak mendapatkan hasil maksimal dari audiens mereka. Akar dari semua hambatan ini adalah masalah yang sederhana namun besar: Manusia tidak dapat melakukan semuanya lagi. Terlalu banyak untuk diidentifikasi, dikumpulkan, dan diproses.

Solusinya?

Orchid Richardson, wakil presiden dan direktur pelaksana di Data Center of Excellence IAB, mengatakan ini adalah AI:

Sudah, 95% pengiklan memiliki terabyte demi petabyte data demografis, termasuk data pribadi, informasi lokasi, dan minat yang dapat mereka gunakan untuk menargetkan prospek yang hampir tidak mereka ketahui. Kecerdasan buatan adalah cara untuk menjinakkan data itu dan membawanya ke tingkat berikutnya.

Sementara menjinakkan data dan membawanya "ke level berikutnya" dengan AI tampak seperti konsep futuristik, itu adalah sesuatu yang telah terjadi selama bertahun-tahun. Namun, pengiklan baru mulai menggores permukaan potensi AI.

5 Contoh pembelajaran mesin dalam periklanan

Pembelajaran mesin dalam periklanan tidak selalu mudah dikenali karena pemrosesan yang rumit terjadi di belakang layar. Ada peluang bagus beberapa alat favorit Anda memanfaatkan pembelajaran mesin untuk memberikan wawasan yang Anda anggap remeh.

Baik itu baru atau sudah dicoba dan benar, berikut beberapa hal terbesar yang dimungkinkan oleh pembelajaran mesin untuk dilakukan oleh pengiklan:

1. Memanfaatkan wawasan yang tidak terduga

Jika Anda pengiklan yang baik, Anda menjalankan iklan dengan bantuan data yang ditargetkan. Tetapi cara Anda mendapatkan data itu tidak sempurna.

Meskipun Anda mungkin ingin menganalisis setiap poin data yang terkait dengan penawaran Anda, Anda beroperasi dengan anggaran terbatas. Dan itu akan memaksa Anda untuk memprioritaskan data terpenting yang diperlukan untuk menjalankan kampanye iklan yang sukses. Prioritas, bergantung pada anggaran Anda, dapat berarti sangat sedikit data.

Masalah yang kurang jelas, bagaimanapun, adalah asumsi yang Anda buat tentang penawaran Anda dan audiensnya juga akan membatasi cara Anda beriklan. Misalnya: Jika produk Anda adalah video game, Anda dapat menayangkan iklan kepada pemain muda dan orang tua paruh baya mereka, tetapi tidak mempertimbangkan kakek nenek atau pemain yang lebih tua. Asumsi semacam ini dapat merugikan pendapatan Anda.

Pada Konferensi AI VentureBeat Transform 2018, skenario ini dipresentasikan oleh Julie Shumaker, VP solusi pengiklan Unity. Ini hanya jenis masalah yang dapat diperbaiki oleh pembelajaran mesin:

Pengiklan mungkin memiliki tujuan yang sangat spesifik, seperti menjual pemasangan game seharga $17 kepada pemain berusia 22 tahun, katanya. Mereka mungkin tidak memikirkan wanita berusia 65 tahun. Tetapi pembelajaran mesin dapat mengungkapkan bahwa wanita ini cenderung menghabiskan sekitar $3,99 selama tiga hari. Dan jika biaya akuisisi adalah 75 sen, itu menghasilkan ROI yang sama baiknya dengan sasaran dolar yang lebih tinggi untuk target iklan yang lebih umum.

Karena kemampuannya yang hemat biaya untuk memproses kumpulan data yang sangat besar, teknologi pembelajaran mesin sangat bagus untuk mengungkap peluang pendapatan yang mungkin dibatasi oleh anggaran dan asumsi manusia.

Apakah itu wawasan tentang pemirsa, proses internal, strategi penawaran, atau lainnya, potensi peningkatan bisa menjadi besar.

Dengan pembelajaran mesin, "Anda dapat mencoba hal-hal gila," kata John Koetsier, Wakil Presiden Wawasan di Singular, platform data pemasaran.

Salah satu klien Singular, misalnya, mengambil pendekatan yang tidak biasa dengan menjalankan iklan untuk video game tanpa menampilkan alur game yang sebenarnya. Kampanye yang berlawanan dengan intuisi menghasilkan banyak percakapan tentang produk di antara audiens target mereka.

“Anda dapat mencoba banyak hal karena Anda dapat membiarkan mesin mengetahui secara real-time apa yang menghasilkan dampak,” kata Koetsier. "Kamu bisa melakukan hal-hal bodoh, dan terkadang hal bodoh adalah hal yang cerdas."

2. Tingkatkan materi iklan

Audiens merespons materi iklan secara berbeda. Media, jenis huruf, ajakan bertindak — ini adalah beberapa bahan kreatif yang membuat orang mengklik atau mengabaikan.

Meskipun banyak yang menganggap pembelajaran mesin hanya melibatkan data kuantitatif, sebenarnya tidak demikian. Rajiv Bhat, Wakil Presiden Senior Ilmu Data dan Pasar di InMobi, mengatakan bahwa sistem analitik prediktif juga dapat membantu pengembangan materi iklan yang lebih baik:

Dalam sistem seperti itu, data tentang materi iklan sebelumnya dan kampanye sebelumnya diolah untuk menentukan dengan tepat apa yang akan berhasil untuk upaya berkelanjutan. Dengan penerapan AI ini, merek dapat lebih memahami bagaimana segala sesuatu mulai dari perpesanan, font, warna, gambar, ukuran tombol, atau format memengaruhi kinerja kampanye secara keseluruhan.”

Ini mungkin terdengar seperti itu, tetapi sistem seperti ini tidak hipotetis. Bidalgo, platform otomasi pemasaran aplikasi seluler, menyediakan alat yang melakukan ini dengan tepat. Disebut "AI Kreatif", layanan pembelajaran mesin ini menganalisis media visual untuk menemukan pendekatan kreatif yang kemungkinan besar akan berhasil. CMO-nya, Rishi Shiva, mengatakan:

Sebelum Anda menginvestasikan ratusan ribu dolar untuk mengembangkan aset video, Anda benar-benar dapat menjalankan gambar dan video historis Anda melalui sistem kami, dan itu akan benar-benar memberi Anda wawasan.

Anda dapat menentukan materi iklan apa yang memiliki dampak positif bagi audiens. Dan sistem khusus ini bisa sespesifik cara orang berpose dalam gambar. Setelah itu selesai, perangkat lunak mengirimkan arahan kreatif untuk tim konten berdasarkan analisis.

Aplikasi serupa dari pembelajaran mesin, yang dirinci dalam Journal of Consumer Psychology, melibatkan proyek penelitian yang mencocokkan gambar dengan tipe kepribadian. Di dalamnya, peneliti menggunakan algoritme untuk mengidentifikasi 89 fitur berbeda untuk gambar, termasuk rona, saturasi, keragaman warna, tingkat detail, jumlah orang, dan banyak lagi.

Sebanyak 745 peserta dalam penelitian tersebut diminta untuk menilai gambar pada skala 1-7. Setelah selesai, mereka menyelesaikan tes kepribadian yang menilai mereka dalam lima bidang: keterbukaan, kesadaran, ekstroversi, keramahan, dan neurotisme. Kemudian, mereka berusaha menemukan gambar mana yang menarik bagi ciri kepribadian mana. Antara lain, mereka menemukan:

• Orang ekstrover lebih menyukai gambar sederhana dan gambar yang menonjolkan orang
• Orang yang berpikiran terbuka menyukai gambar tanpa orang dan dengan warna keren seperti biru dan hitam
• Orang-orang yang memiliki neurotisme tinggi menyukai adegan yang tenang dan minim stimulasi

Dalam studi lanjutan, peneliti menemukan bahwa subjek lebih menyukai gambar iklan yang sesuai dengan kepribadian mereka. Namun yang lebih penting, algoritme pembelajaran mesin menemukan bahwa hubungan antara tipe kepribadian dan tipe gambar dapat memengaruhi minat konsumen terhadap suatu produk. Orang tidak hanya menyukai gambar yang cocok dengan kepribadian mereka. Mereka juga melaporkan sikap dan niat membeli yang lebih baik terhadap merek-merek ini.

3. Tingkatkan relevansi kontekstual

Secara teori, mendesain iklan yang bagus seharusnya cukup untuk menghasilkan respons yang bagus dari audiens target Anda. Tentu saja, tidak pernah semudah itu.

Selain dirancang dengan baik, iklan Anda harus berjalan di platform yang tepat, dengan penargetan yang tepat, di waktu yang tepat. Bhat mengatakan ini juga merupakan proses yang ditingkatkan oleh pembelajaran mesin:

Misalnya, materi iklan dengan kontras warna yang lebih tinggi mungkin berperforma lebih baik di malam hari, atau iklan yang menampilkan bintang olahraga memiliki performa terbaik di akhir pekan. AI dapat memberikan tingkat perincian dan wawasan ini untuk pengembangan dan kinerja materi iklan.

Relevansi kontekstual menjadi lebih penting sekarang karena regulator menindak penggunaan data. GDPR telah membatasi data, dan negara lain mengikutinya.

Alih-alih hanya mengandalkan data audiens, teknologi pembelajaran mesin semakin banyak digunakan untuk memproses data di halaman. Dan mereka melakukannya dengan cara yang sangat rumit sehingga hampir seperti manusia. Harmon Lyons, Wakil Presiden Senior Pengembangan Bisnis Global di IAS, mengatakan:

Kemajuan saat ini mengaburkan batas antara manusia dan mesin sebagaimana terlihat dalam aplikasi seperti analisis sentimen -- mesin semakin mampu mengidentifikasi dan mengkategorikan pendapat yang diungkapkan dalam sebuah teks, untuk menentukan apakah sikap penulis terhadap topik atau produk tertentu. itu positif, negatif, atau netral.

Nuansa di sini selalu berkembang seiring berkembangnya bahasa dan mencakup hal-hal seperti sarkasme dan emotikon untuk mengungkapkan makna. Kemajuan pesat dalam pembelajaran mendalam memungkinkan komputer memproses gambar dan video dengan cara yang lebih mirip manusia.

Pada tingkat dasar, pemahaman tentang konten laman dapat membantu pengiklan dan penayang menayangkan iklan yang lebih relevan. Pada tingkat yang lebih kompleks, ini memungkinkan pengiklan melakukan beberapa hal yang mengesankan.

Contoh Vodafone

Pertimbangkan contoh dari Vodafone di Inggris, yang ingin mengiklankan bahwa mereka akan membawa iPhone X. Sebagai akibat dari pedoman penggunaan merek Apple yang sangat ketat, perusahaan mengalami kesulitan untuk benar-benar menyebutkan produk tersebut.

Jadi, mereka memanfaatkan teknologi pembelajaran mesin dari GumGum. Saat diterapkan, teknologi ini menganalisis gambar di halaman untuk menemukan iklan iPhone, lalu menempatkan iklan Vodafone di atasnya. Ini cukup jelas bagi konsumen, yang memahami perusahaan akan membawa iPhone berdasarkan asosiasi iklan.

Contoh jip

Jeep, klien GumGum lainnya, memutuskan untuk melewatkan pemodelan perilaku dan memanfaatkan konteks. Dengan teknologi pembelajaran mesinnya, perusahaan memindai halaman web untuk mencari gambar model yang bersaing dengan Cherokee mereka, seperti Toyota RAV4. Kemudian, seperti Vodafone, mereka menempatkan iklannya di atas model pesaing.

Di luar kasus penggunaan ini, pembelajaran mesin dapat melakukan hal-hal hebat untuk reputasi merek. Dengan semakin banyaknya iklan terprogram yang berjalan di penempatan yang tidak aman bagi merek (seperti di samping konten ekstremis, misalnya), pembelajaran mesin dapat membantu pengiklan mencegah mimpi buruk PR sebelum hal itu terjadi, dan menghindari keharusan memboikot situs dan audiensnya yang berpotensi besar (seperti banyak yang terpaksa dilakukan dengan YouTube.)

4. Targetkan segmen yang lebih jelas

Sasaran setiap pengiklan adalah relevansi puncak. Dan cara untuk relevansi adalah segmentasi. Semakin sempit segmen audiens Anda, semakin dekat Anda untuk memberikan personalisasi 1:1 yang didambakan pelanggan.

Tetapi untuk mendekati personalisasi 1:1, Anda memerlukan sejumlah besar data, sebagai permulaan. Kemudian, Anda memerlukan algoritme pembelajaran mesin yang cukup canggih untuk menyaring data dan mengubahnya menjadi sesuatu yang dapat digunakan.

Untungnya, ini adalah fitur jaringan utama seperti Facebook, Google, dan LinkedIn. Mereka mengumpulkan banyak koleksi data tentang penggunanya — hobi, minat, lokasi, jabatan, dll. — yang dapat digunakan pengiklan untuk mempersempit segmen target mereka. Gil Allouche, Salah Satu Pendiri dan CEO di Metadata.io, mengatakan data seperti ini sangat berharga sehingga memudahkan untuk bekerja dengan data lain:

Tidak terlalu “meta” disini, tapi metadata adalah informasi yang memberikan informasi tentang data lain. Katakanlah sekali lagi dengan cara yang berbeda: Metadata meringkas informasi dasar tentang data, yang memudahkan pencarian dan bekerja dengan contoh data tertentu. Menurut Smart Insights, “metadata melukiskan gambaran tentang rutinitas harian, interaksi, sudut pandang, dan asosiasi individu, dan alasan itu sangat berguna adalah karena tidak berbohong.

Saat Anda mengumpulkan data semacam ini, Anda mendapatkan apa yang disebut Gil dan tim di Metadata.io sebagai "'catatan cinta' untuk wawasan bisnis masa depan" karena ini adalah "ungkapan kebenaran dalam bentuk tertulis".

Untuk bisnis, kebenaran dalam bentuk informasi pelanggan tidak mudah didapat. Jadi, ketika dikumpulkan dalam jumlah besar dan dimanfaatkan oleh jaringan seperti Facebook dan Google, ini menjadi cara yang berharga untuk mempersempit audiens target Anda secara signifikan ke audiens yang cenderung mengklaim penawaran Anda.

Facebook mengumpulkan data dan memungkinkan Anda membuat audiens. Lebih penting lagi, platform ini menggunakan pembelajaran mesin untuk menentukan siapa di antara audiens tersebut yang kemungkinan besar akan menyelesaikan tujuan yang Anda tawar.

Pada saat yang sama, praktik ini tidak ada gunanya jika Anda hanya mempersempit audiens target dan memberikan pengalaman iklan yang sama. Gil benar ketika mengatakan, “Iklan terbaik saat ini adalah konten yang menarik dan dipersonalisasi dengan makna nyata bagi audiens merek.”

Setiap audiens harus memiliki iklan yang dipersonalisasi berdasarkan datanya. Dan untuk melanjutkan pengalaman tersebut, setiap iklan harus mengarahkan pengguna ke halaman pasca-klik yang sama-sama dipersonalisasi.

Ambil contoh ini dari Abreva, yang membuat 119 iklan berbeda untuk produk mereka berdasarkan konteks yang dilihatnya. Saat pelanggan menemukan iklan di video tentang, katakanlah, gosip selebriti, mereka akan diperlihatkan iklan seperti ini:

Tapi jika mereka melihat iklan saat menonton video tutorial, mereka akan melihat sesuatu seperti ini:

Kampanye yang dipersonalisasi menyebabkan peningkatan besar dalam kesadaran dan pertimbangan. Abreva menghasilkan peningkatan ingatan iklan sebesar 41% dan peningkatan minat penelusuran sebesar 342% di Google dan YouTube.

Di jaringan lain, seperti penelusuran Google, pembelajaran mesin membuat prosesnya lebih cepat. Dengan iklan penelusuran responsif, Anda dapat memasukkan beberapa versi judul, salinan, dan deskripsi, dan Google akan menguji dan menayangkan satu yang berperforma terbaik. Rata-rata, pengiklan yang menggunakan fitur ini akan menghasilkan peningkatan klik sebesar 15%.

5. Menawar lebih strategis

Dalam iklan terprogram, tidak semua tayangan bernilai sesuai dengan keinginan Anda untuk menawarnya. Beberapa. Dan beberapa bahkan lebih berharga.

Berkat platform sisi permintaan, mengevaluasi tayangan ini tidak lagi memerlukan dugaan. Dengan menggunakan teknologi pembelajaran mesin, platform ini dapat melakukan penawaran dan pengoptimalan yang pernah dibutuhkan pembeli berpengalaman.

Ambil Smart Bidding Google, misalnya: strategi penawaran otomatis yang menggunakan pembelajaran mesin untuk mengoptimalkan konversi, atau nilai konversi, di setiap lelang. Ini dikenal sebagai "penawaran waktu lelang". Menurut Google, ada lima jenis strategi Smart Bidding:

• • Target CPA: Target CPA menetapkan bid untuk membantu mendapatkan konversi sebanyak mungkin pada atau di bawah target biaya per tindakan (CPA) yang Anda tetapkan.

• • Target ROAS: Target ROAS memungkinkan Anda menawar berdasarkan target laba atas belanja iklan (ROAS). Strategi ini membantu Anda mendapatkan lebih banyak nilai konversi atau pendapatan sesuai target laba atas belanja iklan (ROAS) yang Anda tetapkan.

• • Maksimalkan Konversi: Maksimalkan konversi secara otomatis menetapkan bid untuk membantu mendapatkan konversi terbanyak untuk kampanye Anda sambil membelanjakan anggaran Anda.

• Enhanced CPC: Enhanced CPC (ECPC) membantu Anda mendapatkan lebih banyak konversi dari penawaran manual. BPKC bekerja dengan secara otomatis menyesuaikan tawaran manual Anda untuk klik yang tampaknya cenderung menghasilkan penjualan atau konversi di situs web Anda.

Yang Anda pilih bergantung pada sasaran kampanye, anggaran, dan faktor lainnya. Terlepas dari itu, Anda dapat yakin bahwa algoritme Penawaran Cerdas Google terlatih dengan baik. Ini terus-menerus memperoleh dan menganalisis data, menurut Google, untuk memahami tawaran dan tayangan mana yang paling efektif untuk sasaran yang Anda pilih. Data ini berisi rentang parameter yang jauh lebih luas daripada yang dapat diproses oleh tim atau orang mana pun.

Ini mencakup faktor dasar seperti perangkat dan lokasi, yang dapat disesuaikan secara manual, serta sinyal otomatis yang unik untuk Smart Bidding. Ini jauh lebih besar jumlahnya. Anda dapat menemukan beberapa di sini, termasuk perilaku situs, atribut produk, penempatan web, dan lainnya.

Karena Smart Bidding dapat mengoptimalkan berdasarkan data dari semua kampanye Anda, bahkan kampanye baru pun dapat melihat peningkatan performa. Tetap saja, Anda tidak boleh membuat keputusan bisnis apa pun berdasarkan hasil kampanye sampai Anda memiliki sampel yang cukup besar: setidaknya 30 konversi (50 untuk Target ROAS), dan/atau waktu berjalan selama sebulan.

Mulai gunakan pembelajaran mesin untuk meningkatkan konversi

Pengiklan selalu menantikan aplikasi yang lebih baik dari teknologi saat ini. Itulah yang terjadi dengan pembelajaran mesin seperti yang lainnya: chatbots yang lebih baik, pengenalan suara, pemrosesan gambar, dll.

Namun pembelajaran mesin dapat memberikan dampak positif yang besar pada kampanye Anda saat ini . Strategi penawaran, materi iklan, dan yang terpenting, personalisasi, dapat meningkat secara eksponensial saat Anda menemukan model pembelajaran mesin yang cocok untuk Anda. Tidak diragukan lagi, ada sesuatu untuk semua orang. Sekalipun itu hanya Smart Bidding, atau iklan penelusuran responsif Google.

Pelajari cara memaksimalkan upaya pembelajaran mesin Anda dengan menghubungkan halaman arahan pasca-klik yang dipersonalisasi dari Instapage. Dapatkan demo di sini.