機械学習がデジタル広告をどのように変えているかを示す 5 つの例

現代の広告におけるすべての進歩の中で、機械学習ほど刺激的なものはほとんどありません。 企業がデータを収集して分析する方法、さらには AI を使用して広告のコピーライティングを自動化する方法を変えています。

しかし、革新的なテクノロジーには大きな問題が伴います。 何が、なぜ、どのように機能するのか? 今日、私たちはこれらに答えます。

広告における機械学習とは

広告における機械学習とは、広告技術がデータを取り込み、分析し、タスクを改善するための結論を策定するプロセスを指します。 簡単に言えば、それがアドテクの学習方法です。

何を学習するかは、技術によって異なります。 メディア購入、カスタマー ジャーニー マッピング、オーディエンス セグメンテーションなど、広告に関連するものであれば何でもかまいません。

機械学習テクノロジが処理するデータが多いほど、そのタスクについてより多くのことを学習し、タスクをより適切に完了することができます。 人間と同じように。

機械学習と人工知能の違い

今日の最も洗練されたテクノロジに関する会話では、「機械学習」や「人工知能」という用語をよく耳にします。 これらは関連していますが、交換可能ではないことを知っておくことが重要です。

機械学習は特定のプロセスを指します。機械はデータを使用して「学習」し、機能を改善しますが、人工知能はより広い用語です。 これは、従来人間の知性を必要とするタスクを実行できるテクノロジーを指します。 したがって、機械学習は人工知能の一側面ですが、AI と同義ではありません。

なぜ機械学習なのか?

デジタル トランザクションや小売在庫からサーバー ルームの温度まで、現代のビジネスが追跡できないものはほとんどありません。

データが増えるということは、改善の機会が増えることを意味しますが、それは分析に必要なものがある場合にのみ当てはまります。 残念ながら、ほとんどの企業はそうではありません。

レポートによると、今日のデータの半分以上が使用されていません。 「ダーク データ」として知られているデータが使用されていない主な理由は次のとおりです。

ツールの欠如、不足しているデータ、多すぎるデータ、およびサイロ化されたシステムはすべて、企業がオーディエンスを最大限に活用することを妨げています。 これらすべての障害の根底には、単純だが大きな問題があります。 識別、収集、処理するには多すぎるのです。

ソリューション？

IAB のデータ センター オブ エクセレンスのバイス プレジデント兼マネジング ディレクターである Orchid Richardson 氏は、それは AI であると述べています。

すでに広告主の 95% は、個人データ、位置情報、関心など、ほとんど何も知らない見込み客をターゲットにするために使用できる数テラバイトから数ペタバイトの人口統計データを持っています。 人工知能は、そのデータを飼いならし、次のレベルに引き上げる方法です。

AI を使用してデータを手なずけて「次のレベル」に引き上げることは未来的な概念のように思えますが、それは何年も前から行われていることです。 それでも、広告主は AI の可能性の表面をなぞり始めたにすぎません。

5 広告における機械学習の例

広告における機械学習は、複雑な処理が舞台裏で行われるため、必ずしも簡単に見分けられるわけではありません。 お気に入りのツールの一部が機械学習を活用して、当然のことと思っている洞察を提供する可能性は十分にあります。

それらが新しいものであろうと、実証済みのものであろうと、機械学習が広告主に可能にする最大のことのいくつかを以下に示します。

1. 予想外の洞察を活用する

優れた広告主であれば、ターゲット データを利用して広告を掲載します。 しかし、そのデータを取得する方法は完璧ではありません。

オファーに関連するすべてのデータ ポイントを分析したいと思うかもしれませんが、予算は限られています。 そのため、広告キャンペーンを成功させるために必要な最も重要なデータを優先する必要があります。 優先順位付けは、予算によっては、データがほとんどないことを意味する場合があります。

ただし、あまり目立たない問題は、オファーとその対象者についての仮定によって、広告の方法も制限されることです。 例: 製品がビデオ ゲームの場合、若いプレーヤーとその中年の親に広告を掲載できますが、祖父母や年配のプレーヤーは考慮しません。 この種の仮定は、収益を犠牲にする可能性があります。

VentureBeat Transform 2018 AI カンファレンスで、このシナリオは Unity 広告主ソリューション担当副社長の Julie Shumaker によって提示されました。 機械学習が修正できる問題の種類は次のとおりです。

広告主は、22 歳のプレーヤーに 17 ドルのゲーム インストールを販売するなど、非常に具体的な目標を持っている可能性がある、と彼女は言いました。 彼らは 65 歳の女性のことを考えていないかもしれません。 しかし、機械学習は、この女性が 3 日間で約 3.99 ドルを費やす可能性が高いことを明らかにする可能性があります。 また、獲得コストが 75 セントの場合、より一般的な広告ターゲットのより高額な目標と同等の ROI が得られます。

膨大なデータ セットを処理する費用対効果の高い能力により、機械学習テクノロジは、予算や人間の仮定によって制限される可能性のある収益機会を発見するのに最適です。

オーディエンス、内部プロセス、入札戦略などに関する洞察であっても、改善の可能性は大いにあります。

機械学習を使用すると、「クレイジーなことを試すことができます」と、マーケティング データ プラットフォームである Singular のインサイト担当バイス プレジデントである John Koetsier 氏は言います。

たとえば、Singular のクライアントの 1 つは、実際のゲームプレイを表示せずにビデオ ゲームの広告を掲載するという型破りなアプローチを採用しました。 直感に反するキャンペーンにより、ターゲット オーディエンスの間で製品に関する多くの会話が生まれました。

「何が影響を与えているのかを機械にリアルタイムで把握させることができるので、非常に多くのことを試すことができます」と Koetsier 氏は述べています。 「愚かなことをすることもできるし、時には愚かなことは賢いことでもある。」

2. 広告クリエイティブを改善する

広告クリエイティブに対するオーディエンスの反応はさまざまです。 メディア、書体、行動を促すフレーズ — これらは、人々がクリックしたり無視したりする創造的な要素の 1 つです。

機械学習には厳密に定量的なデータが含まれると多くの人が考えていますが、そうではありません。 InMobi のデータ サイエンスおよびマーケットプレイス担当シニア バイス プレジデントである Rajiv Bhat 氏は、予測分析システムはより優れたクリエイティブの開発にも役立つと述べています。

このようなシステムでは、過去のクリエイティブと過去のキャンペーンに関するデータが処理され、進行中の取り組みに何が有効かを正確に判断します。 この AI のアプリケーションにより、ブランドは、メッセージ、フォント、色、画像、ボタンのサイズ、フォーマットなど、すべてがキャンペーンの全体的なパフォーマンスにどのように影響するかをよりよく理解できます。」

と思われるかもしれませんが、このようなシステムは架空のものではありません。 モバイルアプリのマーケティング自動化プラットフォームである Bidalgo は、まさにこれを行うツールを提供しています。 「クリエイティブ AI」と呼ばれるこの機械学習サービスは、ビジュアル メディアを分析して、成功する可能性が高いクリエイティブなアプローチを見つけます。 同社の CMO である Rishi Shiva 氏は次のように述べています。

動画アセットの開発に数十万ドルを投資する前に、過去の画像や動画を当社のシステムで実際に実行してみると、実際に洞察が得られます。

どのクリエイティブが視聴者にプラスの影響を与えたかを判断できます。 そして、この特定のシステムは、人々が画像でポーズをとっている方法と同じくらい具体的になる可能性があります. それが完了すると、ソフトウェアは分析に基づいてコンテンツ チームにクリエイティブ ブリーフを提供します。

Journal of Consumer Psychology に詳述されている機械学習の同様のアプリケーションには、画像と性格タイプを照合する研究プロジェクトが含まれます。 その中で、研究者はアルゴリズムを使用して、色相、彩度、色の多様性、詳細レベル、人数など、画像の 89 の異なる特徴を識別しました。

研究の 745 人の参加者は、1 から 7 のスケールで画像を評価するよう求められました。 彼らが終わったとき、彼らは5つの分野で彼らを評価する性格テストを完了しました：開放性、誠実さ、外向性、協調性、および神経症。 次に、どの画像がどの性格特性にアピールするかを発見しようとしました。 とりわけ、彼らは次のことを発見しました。

• 外向的な人は、シンプルな画像や人物が登場する画像を好む
• オープンマインドな人々は、人物のいない、青や黒などのクールな色の写真を好みました
• 神経質傾向が強い人は、穏やかで刺激の少ないシーンが好き

追跡調査では、研究者は、被験者が自分の性格に合った広告画像を好むことを発見しました. しかし、もっと重要なことは、機械学習アルゴリズムが、性格タイプとイメージ タイプの関係が消費者の製品への関心に影響を与える可能性があることを発見したことです。 人々は、自分の性格に合った画像を好むだけではありませんでした。 彼らはまた、これらのブランドに対してより好意的な態度と購入意向を報告しました.

3. コンテキストの関連性を高める

理論的には、優れた広告をデザインするだけで、ターゲット オーディエンスから大きな反響を得ることができます。 もちろん、決して簡単なことではありません。

広告は適切に設計されていることに加えて、適切なタイミングで、適切なターゲティングを使用して、適切なプラットフォームで実行される必要があります。 これは、機械学習が改善しているプロセスでもあると Bhat 氏は言います。

たとえば、色のコントラストが強いクリエイティブは夜間に効果を発揮したり、スポーツ スターをフィーチャーした広告は週末に効果を発揮したりする可能性があります。 AI は、このレベルの粒度と洞察を広告クリエイティブの開発とパフォーマンスに提供できます。

規制当局がデータの使用を厳しく取り締まっている現在、状況に応じた関連性がより重要になっています。 GDPR はデータに制限を課しており、他の国もこれに追随しています。

オーディエンス データに厳密に依存する代わりに、ページ上のデータの処理に機械学習テクノロジがますます使用されています。 そして、彼らは非常に複雑な方法でそれを行っており、ほとんど人間のようです. IAS のグローバル ビジネス開発担当シニア バイス プレジデントである Harmon Lyons は、次のように述べています。

感情分析などのアプリケーションで明らかなように、現在の進歩は人間と機械の境界線を曖昧にしています。機械は、特定のトピックまたは製品に対する作家の態度が正しいかどうかを判断するために、テキストで表現された意見を識別して分類することがますます可能になっています。ポジティブ、ネガティブ、またはニュートラルです。

ここでのニュアンスは、言語が拡大するにつれて常に進化し、意味を表現するために皮肉や顔文字などが含まれます。 ディープ ラーニングの急速な進歩により、コンピューターは画像や動画をより人間らしい方法で処理できるようになりました。

基本的なレベルでは、ページのコンテンツを理解することは、広告主とサイト運営者がより関連性の高い広告を配信するのに役立ちます。 より複雑なレベルでは、広告主は印象的なことを行うことができます。

ボーダフォンの例

英国の Vodafone の例を考えてみましょう。同社は、iPhone X を搭載することを宣伝したいと考えていました。Apple の非常に制限的なブランド使用ガイドラインの結果、同社は実際に製品について言及するのに苦労しました。

そこで、彼らは GumGum の機械学習技術を利用しました。 このテクノロジーを導入すると、ページ上の画像を分析して iPhone の広告を見つけ、その上に Vodafone の広告を配置しました。 これは、広告の連想に基づいて同社が iPhone を携帯することを理解した消費者にとっては十分明らかでした。

ジープの例

GumGum のもう 1 つのクライアントである Jeep は、行動モデリングをスキップし、代わりにコンテキストを利用することにしました。 機械学習技術を使用して、同社は Web ページをスキャンして、トヨタ RAV4 などのチェロキーと競合するモデルの画像を探しました。 次に、Vodafone のように、競合するモデルの上に広告を掲載しました。

これらのユースケースを超えて、機械学習はブランドの評判に大きな影響を与える可能性があります。 ブランドに安全でないプレースメント (過激派コンテンツの隣など) で実行されるプログラマティック広告のインスタンスが増加する中、機械学習は、広告主が PR の悪夢を未然に防ぎ、サイトと潜在的に膨大な数のオーディエンスをボイコットする必要を回避するのに役立ちます。 (多くの人が YouTube でやることを余儀なくされたように。)

4. より明確なセグメントをターゲットにする

すべての広告主の目標は、関連性を最大限に高めることです。 そして関連性への道はセグメンテーションです。 オーディエンス セグメントが狭くなればなるほど、顧客が切望する 1 対 1 のパーソナライゼーションの提供に近づきます。

しかし、1 対 1 のパーソナライゼーションに近づくには、まず大量のデータが必要です。 次に、データを選別して使用可能なものに変換するのに十分な高度な機械学習アルゴリズムが必要です。

幸いなことに、これらはどちらも Facebook、Google、LinkedIn などの主要なネットワークの機能です。 趣味、興味、場所、役職など、ユーザーに関するデータの膨大なコレクションを蓄積し、広告主がターゲット セグメントを絞り込むために使用できます。 Metadata.io の共同創設者兼 CEO である Gil Allouche 氏は、このようなデータは非常に価値があり、他のデータとの連携が容易になると述べています。

あまり「メタ」とは言いませんが、メタデータとは他のデータに関する情報を提供する情報です。 もう一度別の言い方をしてみましょう。メタデータは、データに関する基本的な情報をまとめたもので、データの特定のインスタンスの検索と操作を容易にします。 Smart Insights によると、「メタデータは、個人の日常生活、相互作用、視点、および関連付けについての画像を描画します。メタデータが非常に役立つ理由は、それが嘘をつかないからです。

この種のデータを集めると、Gil 氏と Metadata.io のチームが「将来のビジネス インサイトのための「ラブ ノート」」と呼ぶものが得られます。これは「書面による真実の表現」だからです。

企業にとって、顧客情報の形で真実を知ることは容易ではありません。 そのため、Facebook や Google などのネットワークによって大量に収集されて活用されると、ターゲット ユーザーを大幅に絞り込み、オファーを請求する可能性が高いユーザーに絞り込むことができます。

Facebook はデータを収集し、ユーザーがオーディエンスを作成できるようにします。 さらに重要なことに、プラットフォームは機械学習を使用して、入札対象の目標を達成する可能性が最も高いオーディエンスを特定します。

同時に、ターゲット オーディエンスを単純に絞り込み、同じ広告エクスペリエンスを提供するだけでは、この方法は役に立ちません。 Gil の言う通り、「今日の最高の広告は、ブランドのオーディエンスにとって真の意味を持つ、魅力的でパーソナライズされたコンテンツです。」

各オーディエンスには、そのデータに基づいてパーソナライズされた広告が必要です。 そして、そのエクスペリエンスを継続するために、各広告は、同様にパーソナライズされたポスト クリック ページにユーザーを誘導する必要があります。

この例を Abreva から見てみましょう。Abreva は、製品が表示された状況に基づいて 119 の異なる広告を作成しました。顧客が有名人のゴシップに関するビデオで広告に遭遇すると、次のような広告が表示されます。

しかし、ビデオ チュートリアルを見ているときに広告が表示された場合は、次のように表示されます。

パーソナライズされたキャンペーンにより、認知度と検討が大幅に向上しました。 Abreva は、広告想起率を 41% 向上させ、Google と YouTube での検索インタレストを 342% 向上させました。

Google 検索などの他のネットワークでは、機械学習によってプロセスがさらに高速になります。 レスポンシブ検索広告では、複数のバージョンの見出し、コピー、説明を入力できます。Google がテストして、最高のパフォーマンスを発揮する 1 つの広告を表示します。 平均して、この機能を使用する広告主はクリック数を 15% 増加させます。

5. より戦略的に入札する

プログラマティック広告では、すべてのインプレッションに、入札したい額の価値があるわけではありません。 いくつかあります。 そして、それ以上の価値があるものもあります。

デマンドサイド プラットフォームのおかげで、これらのインプレッションを評価するのに当て推量は必要なくなりました。 これらのプラットフォームは、機械学習技術を使用して、かつては経験豊富なバイヤーが必要だった入札と最適化を行うことができます。

たとえば、Google の Smart Bidding は、機械学習を使用してすべてのオークションでコンバージョンまたはコンバージョン値を最適化する自動入札戦略です。 これは「オークション時間入札」として知られています。 Google によると、スマート入札戦略には次の 5 種類があります。

• • 目標コンバージョン単価:目標コンバージョン単価は、設定した目標コンバージョン単価 (CPA) 以下で、できるだけ多くのコンバージョンを獲得できるように入札単価を設定します。

• • 目標 ROAS:目標 ROAS では、目標広告費用対効果 (ROAS) に基づいて入札できます。 この戦略は、設定した目標広告費用対効果 (ROAS) でより多くのコンバージョン値または収益を得るのに役立ちます。

• • コンバージョンの最大化: コンバージョンの最大化では、予算を使いながらキャンペーンで最大のコンバージョンを獲得できるように入札単価が自動的に設定されます。

• 拡張 CPC:拡張クリック単価 (ECPC) を使用すると、手動入札からより多くのコンバージョンを得ることができます。 ECPC は、ウェブサイトでの販売やコンバージョンにつながる可能性が高い、または低いと思われるクリックに対して手動入札単価を自動的に調整することによって機能します。

どちらを選択するかは、キャンペーンの目標、予算、およびその他の要因によって異なります。 いずれにせよ、Google の Smart Bidding アルゴリズムは十分にトレーニングされていると確信できます。 Google によると、選択した目標に対してどの入札とインプレッションが最も効果的かを理解するために、常にデータを取得して分析しています。 このデータには、単一のチームや個人が処理できるよりもはるかに広い範囲のパラメーターが含まれています。

これには、手動で調整できるデバイスや場所などの基本的な要素と、スマート自動入札に固有の自動シグナルが含まれます。 これらの数ははるかに多いです。 ここでは、サイトの動作、製品属性、Web 配置など、いくつかを見つけることができます。

Smart Bidding はすべてのキャンペーンのデータに基づいて最適化できるため、新しいキャンペーンでもパフォーマンスが向上します。 それでも、十分な数のサンプル (少なくとも 30 回のコンバージョン (目標 ROAS の場合は 50 回)、および/または 1 か月以上の実行時間) が得られるまで、キャンペーンの結果に基づいてビジネス上の決定を下すべきではありません。

機械学習の使用を開始してコンバージョンを促進する

広告主は常に、現在のテクノロジーのより良いアプリケーションを楽しみにしています。 これは、チャットボットの改善、音声認識、画像処理などの機械学習にも当てはまります。

しかし、機械学習は今日のキャンペーンに大きなプラスの影響を与える可能性があります。 入札戦略、クリエイティブ、そして何よりもパーソナライゼーションは、自分に合った機械学習モデルを見つけると指数関数的に改善できます。 間違いなく、誰にとっても何かがあります。 それがスマート自動入札や Google のレスポンシブ検索広告であっても。

Instapage からパーソナライズされたクリック後のランディング ページを接続して、機械学習の取り組みをさらに活用する方法を学びましょう。 ここでデモを入手してください。