기계 학습이 디지털 광고를 어떻게 변화시키고 있는지 보여주는 5가지 예

현대 광고의 모든 발전 중에서 기계 학습보다 더 흥미로운 것은 거의 없습니다. 기업이 데이터를 수집하고 분석하는 방식을 바꾸고 있으며 AI를 통해 광고 카피라이팅까지 자동화하고 있습니다.

그러나 혁신적인 기술에는 큰 문제가 따릅니다. 무엇을, 왜, 어떻게 작동합니까? 오늘 우리는 이것들과 그 이상에 답합니다.

광고에서 기계 학습이란 무엇입니까?

광고에서의 기계 학습은 광고 기술이 데이터를 가져와 분석하고 작업을 개선하기 위해 결론을 공식화하는 프로세스를 말합니다. 간단히 말해서 광고 기술이 학습하는 방식입니다.

학습 내용은 기술에 따라 다릅니다. 미디어 구매, 고객 여정 매핑, 고객 세분화 등 광고와 관련된 모든 것이 될 수 있습니다.

기계 학습 기술이 처리하는 데이터가 많을수록 해당 작업에 대해 더 많이 배우고 작업을 더 잘 완료할 수 있습니다. 인간처럼.

기계 학습과 인공 지능의 차이점

오늘날 가장 정교한 기술에 대한 대화에서 사용되는 "기계 학습" 및 "인공 지능"이라는 용어를 자주 듣게 될 것입니다. 그것들은 관련이 있지만 상호 교환할 수 없다는 것을 아는 것이 중요합니다.

기계 학습은 특정 프로세스를 의미하지만, 데이터를 사용하여 기능을 "학습"하고 개선하는 기계는 더 넓은 의미의 용어입니다. 전통적으로 인간의 지능을 필요로 하는 작업을 수행할 수 있는 기술을 말합니다. 따라서 기계 학습은 인공 지능의 한 측면이지만 AI와 동의어는 아닙니다.

왜 기계 학습입니까?

디지털 거래 및 소매 재고에서 서버실의 온도에 이르기까지 현대 비즈니스에서 추적할 수 없는 것은 거의 없습니다.

더 많은 데이터는 더 많은 개선 기회를 의미하지만 데이터를 분석하는 데 필요한 정보가 있는 경우에만 해당됩니다. 불행히도 대부분의 기업은 그렇지 않습니다.

보고서에 따르면 오늘날 데이터의 절반 이상이 사용되지 않는 것으로 나타났습니다. "다크 데이터"로 알려진 데이터가 사용되지 않는 가장 큰 이유는 다음과 같습니다.

도구 부족, 누락된 데이터, 너무 많은 데이터, 사일로 시스템은 모두 기업이 청중을 최대한 활용하지 못하도록 막고 있습니다. 이 모든 장애물의 근원에는 간단하지만 중요한 문제가 있습니다. 인간은 더 이상 모든 것을 할 수 없습니다. 식별하고, 수집하고, 처리해야 할 것이 너무 많습니다.

해결책?

IAB Data Center of Excellence의 부사장 겸 관리 이사인 Orchid Richardson은 이것이 AI라고 말합니다.

이미 광고주의 95%는 개인 데이터, 위치 정보, 관심사를 포함하여 테라바이트에서 페타바이트 규모의 인구 통계 데이터를 보유하고 있어 거의 알지 못하는 잠재 고객을 타겟팅하는 데 사용할 수 있습니다. 인공 지능은 해당 데이터를 길들이고 다음 단계로 가져가는 방법입니다.

데이터를 길들이고 AI로 "다음 단계로" 가져가는 것은 미래적인 개념처럼 보이지만 수년 동안 일어나고 있는 일입니다. 그럼에도 불구하고 광고주는 AI의 잠재력을 겉핥기 시작했을 뿐입니다.

5 광고에서 기계 학습의 예

뒤에서 복잡한 처리가 이루어지기 때문에 광고에서 기계 학습을 발견하기가 항상 쉬운 것은 아닙니다. 좋아하는 도구 중 일부는 머신 러닝을 활용하여 당연하게 여기는 통찰력을 제공할 가능성이 높습니다.

그것이 새로운 것이든 시도되고 진실한 것이든, 다음은 기계 학습이 광고주가 할 수 있는 가장 큰 몇 가지 일입니다.

1. 예상치 못한 인사이트 활용

당신이 훌륭한 광고주라면 타겟 데이터의 도움을 받아 광고를 게재할 것입니다. 하지만 그 데이터를 얻는 방법은 완벽하지 않습니다.

제품과 관련된 모든 데이터 포인트를 분석하고 싶을 수 있지만 제한된 예산으로 운영하고 있습니다. 그러면 성공적인 광고 캠페인을 실행하는 데 필요한 가장 중요한 데이터의 우선순위를 정해야 합니다. 예산에 따라 우선순위를 지정하면 데이터가 거의 없을 수 있습니다.

그러나 덜 분명한 문제는 귀하의 제안과 청중에 대한 가정이 귀하의 광고 방식을 제한한다는 것입니다. 예: 제품이 비디오 게임인 경우 어린 선수와 중년의 부모에게 광고를 게재할 수 있지만 조부모나 나이든 선수는 고려하지 않을 수 있습니다. 이러한 종류의 가정으로 인해 수익이 발생할 수 있습니다.

VentureBeat Transform 2018 AI 컨퍼런스에서 이 시나리오는 Unity 광고주 솔루션 VP인 Julie Shumaker가 발표했습니다. 머신 러닝으로 해결할 수 있는 문제 유형은 다음과 같습니다.

광고주는 22세 플레이어에게 17달러의 게임 설치를 판매하는 것과 같은 매우 구체적인 목표를 가질 수 있다고 그녀는 말했습니다. 그들은 65세 여성에 대해 생각하지 않을 수도 있습니다. 그러나 기계 학습은 이 여성이 3일 동안 약 3.99달러를 지출할 가능성이 있음을 밝힐 수 있습니다. 획득 비용이 75센트라면 더 일반적인 광고 타겟에 대한 더 높은 달러 목표만큼 좋은 ROI를 얻을 수 있습니다.

방대한 데이터 세트를 비용 효율적으로 처리할 수 있는 능력 때문에 머신 러닝 기술은 예산과 인적 가정이 제한할 수 있는 수익 기회를 발견하는 데 좋습니다.

잠재고객, 내부 프로세스, 입찰 전략 등에 대한 인사이트에 관계없이 개선 가능성은 클 수 있습니다.

마케팅 데이터 플랫폼인 Singular의 Insights VP인 John Koetsier는 머신 러닝을 사용하면 “기이한 일을 시도할 수 있습니다.”라고 말합니다.

예를 들어 Singular의 고객 중 한 명은 실제 게임 플레이를 보여주지 않고 비디오 게임 광고를 실행하는 파격적인 접근 방식을 취했습니다. 직관에 반하는 캠페인은 대상 고객 사이에서 제품에 대한 많은 대화를 생성했습니다.

Koetsier는 "기계가 무엇이 영향을 미치는지 실시간으로 파악하도록 할 수 있기 때문에 많은 것을 시도할 수 있습니다."라고 말했습니다. "당신은 어리석은 일을 할 수 있고 때로는 어리석은 일이 현명한 일입니다."

2. 광고 크리에이티브 개선

청중은 광고 크리에이티브에 다르게 반응합니다. 미디어, 서체, 클릭 유도문안 — 이들은 사람들이 클릭하거나 무시하게 만드는 창의적인 요소 중 하나입니다.

많은 사람들이 기계 학습이 엄격하게 양적 데이터를 포함한다고 생각하지만 그렇지 않습니다. InMobi의 데이터 과학 및 마켓플레이스 수석 부사장인 Rajiv Bhat은 예측 분석 시스템이 더 나은 크리에이티브 개발에도 도움이 될 수 있다고 말합니다.

이러한 시스템에서는 과거 크리에이티브 및 과거 캠페인에 대한 데이터를 분석하여 지속적인 노력에 적합한 것이 무엇인지 정확하게 결정합니다. 이 AI 적용을 통해 브랜드는 메시지, 글꼴, 색상, 이미지, 버튼 크기 또는 형식의 모든 것이 전체 캠페인 성과에 어떤 영향을 미치는지 더 잘 이해할 수 있습니다.”

그렇게 들릴지 모르지만 이와 같은 시스템은 가상이 아닙니다. 모바일 앱 마케팅 자동화 플랫폼인 Bidalgo는 이를 정확히 수행하는 도구를 제공합니다. 크리에이티브 AI(Creative AI)라고 불리는 이 기계 학습 서비스는 시각적 미디어를 분석하여 성공할 가능성이 있는 창의적인 접근 방식을 찾습니다. CMO인 Rishi Shiva는 다음과 같이 말합니다.

비디오 자산을 개발하기 위해 수십만 달러를 투자하기 전에 시스템을 통해 과거 이미지와 비디오를 실제로 실행할 수 있으며 실제로 통찰력을 얻을 수 있습니다.

청중에게 긍정적인 영향을 미친 크리에이티브를 확인할 수 있습니다. 그리고 이 특정 시스템은 사람들이 이미지에서 포즈를 취하는 방식만큼 구체적일 수 있습니다. 이 작업이 완료되면 소프트웨어는 분석을 기반으로 콘텐츠 팀을 위한 창의적인 브리핑을 제공합니다.

소비자 심리학 저널(Journal of Consumer Psychology)에 자세히 설명된 기계 학습의 유사한 응용 프로그램에는 이미지를 성격 유형과 일치시키는 연구 프로젝트가 포함됩니다. 여기에서 연구자들은 알고리즘을 사용하여 색조, 채도, 색상 다양성, 세부 수준, 사람 수 등 이미지의 89가지 특징을 식별했습니다.

연구에 참여한 745명의 참가자는 이미지를 1-7의 척도로 평가하도록 요청받았습니다. 그들이 완료되었을 때, 그들은 개방성, 성실성, 외향성, 친화성 및 신경증의 다섯 가지 영역에서 그들을 평가하는 성격 테스트를 완료했습니다. 그런 다음 그들은 어떤 이미지가 어떤 성격 특성에 호소하는지 발견하려고 시도했습니다. 무엇보다도 그들은 다음을 발견했습니다.

• 외향적인 사람들은 단순한 이미지와 사람이 등장하는 이미지를 선호했습니다.
• 열린 마음을 가진 사람들은 사람이 없고 파란색과 검은색과 같은 시원한 색상의 사진을 선호했습니다.
• 신경증이 높은 사람들은 차분하고 최소한의 자극적인 장면을 좋아했습니다.

후속 연구에서 연구원들은 피실험자들이 자신의 성격에 맞는 광고 이미지를 선호한다는 사실을 발견했습니다. 그러나 더 중요한 것은 기계 학습 알고리즘이 성격 유형과 이미지 유형 간의 관계가 제품에 대한 소비자의 관심에 영향을 미칠 수 있다는 사실을 발견했습니다. 사람들은 단순히 자신의 성격과 일치하는 이미지를 선호하지 않았습니다. 그들은 또한 이러한 브랜드에 대해 더 호의적인 태도와 구매 의도를 보고했습니다.

3. 문맥 관련성 향상

이론적으로 훌륭한 광고를 디자인하는 것만으로도 대상 고객으로부터 훌륭한 반응을 얻을 수 있습니다. 물론 결코 쉽지 않습니다.

잘 디자인되는 것 외에도 광고는 적시에 올바른 타겟팅으로 올바른 플랫폼에서 실행되어야 합니다. Bhat은 이것이 머신 러닝이 개선되는 과정이기도 하다고 말합니다.

예를 들어 색상 대비가 더 높은 광고 소재가 밤에 더 잘 작동하거나 스포츠 스타가 등장하는 광고가 주말에 가장 잘 작동할 수 있습니다. AI는 광고 크리에이티브 개발 및 성과에 대해 이러한 수준의 세분화와 통찰력을 제공할 수 있습니다.

규제 당국이 데이터 사용을 단속하고 있기 때문에 상황적 관련성이 더욱 중요해지고 있습니다. GDPR은 데이터에 제한을 두었고 다른 국가들도 이를 따르고 있습니다.

청중 데이터에 엄격하게 의존하는 대신 머신 러닝 기술을 페이지 데이터 처리에 점점 더 많이 사용하고 있습니다. 그리고 그들은 너무 복잡해서 거의 인간과 같은 방식으로 그것을 하고 있습니다. IAS의 글로벌 비즈니스 개발 담당 수석 부사장인 Harmon Lyons는 다음과 같이 말합니다.

현재의 발전은 감정 분석과 같은 애플리케이션에서 명백히 드러나듯이 인간과 기계 사이의 경계를 모호하게 만들고 있습니다. 기계는 점점 더 특정 주제나 제품에 대한 작가의 태도를 결정하기 위해 텍스트 조각에 표현된 의견을 식별하고 분류할 수 있습니다. 양수, 음수 또는 중립입니다.

여기서 뉘앙스는 언어가 확장됨에 따라 항상 진화하고 있으며 의미를 표현하기 위해 풍자 및 이모티콘과 같은 것을 포함합니다. 딥 러닝의 급속한 발전으로 컴퓨터는 이미지와 비디오를 보다 인간적인 방식으로 처리할 수 있습니다.

기본적인 수준에서 페이지의 콘텐츠를 이해하면 광고주와 게시자가 보다 관련성 높은 광고를 제공하는 데 도움이 될 수 있습니다. 좀 더 복잡한 수준에서는 광고주가 몇 가지 인상적인 작업을 수행할 수 있습니다.

보다폰 예시

영국의 보다폰(Vodafone)의 예를 생각해 보십시오. 그들은 아이폰 X를 탑재할 것이라고 광고하기를 원했습니다. 애플의 매우 제한적인 브랜드 사용 가이드라인의 결과로 회사는 실제로 제품을 언급하는 데 어려움을 겪었습니다.

그래서 그들은 GumGum의 기계 학습 기술을 활용했습니다. 배포 시 이 기술은 페이지 이미지를 분석하여 iPhone 광고를 찾은 다음 그 위에 Vodafone 광고를 배치했습니다. 이것은 광고 연상을 기반으로 회사가 iPhone을 휴대할 것이라고 이해한 소비자들에게 충분히 분명했습니다.

지프 예

GumGum의 또 다른 클라이언트인 Jeep은 행동 모델링을 건너뛰고 대신 컨텍스트를 활용하기로 결정했습니다. 기계 학습 기술을 사용하여 회사는 웹 페이지에서 Toyota RAV4와 같이 Cherokee와 경쟁하는 모델의 이미지를 스캔했습니다. 그런 다음 Vodafone과 마찬가지로 경쟁 모델 위에 광고를 게재했습니다.

이러한 사용 사례 외에도 기계 학습은 브랜드 평판에 큰 도움이 될 수 있습니다. 브랜드가 안전하지 않은 게재위치(예: 극단주의 콘텐츠 옆)에서 실행되는 프로그래매틱 광고의 인스턴스가 증가함에 따라 기계 학습은 광고주가 PR 악몽이 발생하기 전에 예방하고 사이트와 잠재적으로 많은 잠재 고객을 보이콧하지 않도록 할 수 있습니다. (많은 사람들이 YouTube와 관련이 있는 것처럼 말입니다.)

4. 보다 정의된 세그먼트 타겟팅

모든 광고주의 목표는 관련성을 극대화하는 것입니다. 관련성을 높이는 방법은 세분화입니다. 청중 세그먼트가 좁을수록 고객이 원하는 1:1 개인화를 제공하는 데 더 가까워집니다.

하지만 1:1 개인화에 가깝기 위해서는 우선 엄청난 양의 데이터가 필요합니다. 그런 다음 데이터를 선별하여 사용 가능한 것으로 전환하려면 충분히 정교한 머신 러닝 알고리즘이 필요합니다.

운 좋게도 이들은 Facebook, Google 및 LinkedIn과 같은 주요 네트워크의 두 기능입니다. 취미, 관심사, 위치, 직책 등 광고주가 대상 세그먼트를 좁히는 데 사용할 수 있는 사용자에 대한 방대한 데이터 모음을 수집합니다. Metadata.io의 공동 창립자이자 CEO인 Gil Allouche는 이와 같은 데이터가 매우 가치 있기 때문에 다른 데이터와 더 쉽게 작업할 수 있다고 말합니다.

여기서 너무 "메타"가 아니라 메타데이터는 다른 데이터에 대한 정보를 제공하는 정보입니다. 다른 방식으로 다시 말해 보겠습니다. 메타데이터는 데이터에 대한 기본 정보를 요약하여 특정 데이터 인스턴스를 더 쉽게 찾고 작업할 수 있도록 합니다. Smart Insights에 따르면 “메타데이터는 개인의 일상, 상호 작용, 관점 및 연관성에 대한 그림을 그립니다. 메타데이터가 유용한 이유는 그것이 거짓말을 하지 않기 때문입니다.

이러한 종류의 데이터를 조합하면 Gil과 Metadata.io의 팀이 "미래의 비즈니스 통찰력을 위한 '러브 노트'라고 부르는 것"을 얻게 됩니다. 이는 "서면 형식의 진실 표현"이기 때문입니다.

기업 입장에서 고객 정보라는 형태의 진실은 쉽게 얻어지지 않습니다. 따라서 그것이 풍부하게 수집되고 Facebook 및 Google과 같은 네트워크에 의해 활용될 때, 귀하의 제안을 요구할 가능성이 더 높은 사람으로 대상 고객을 상당히 좁힐 수 있는 귀중한 방법이 됩니다.

Facebook은 데이터를 수집하고 잠재 고객을 만들 수 있습니다. 더 중요한 것은 플랫폼이 머신 러닝을 사용하여 입찰 목표를 달성할 가능성이 가장 높은 청중을 결정한다는 것입니다.

동시에 대상 고객의 범위를 좁히고 동일한 광고 경험을 제공한다면 이 방식은 가치가 없습니다. "오늘날 최고의 광고는 브랜드 잠재 고객에게 진정한 의미가 있는 매력적이고 개인화된 콘텐츠입니다."라고 Gil이 말한 것은 옳습니다.

각 잠재고객은 해당 데이터를 기반으로 개인화된 광고를 보유해야 합니다. 그리고 그러한 경험을 계속하려면 각 광고는 똑같이 개인화된 클릭 후 페이지로 사용자를 안내해야 합니다.

Abreva는 제품이 조회된 맥락을 기반으로 119개의 서로 다른 광고를 제작했습니다. 예를 들어 유명인사 가십에 대한 비디오에서 고객이 광고를 접하면 다음과 같은 광고가 표시됩니다.

하지만 비디오 자습서를 시청하는 동안 광고를 본 경우 다음과 같은 내용이 표시됩니다.

개인화된 캠페인을 통해 인지도와 고려도가 크게 높아졌습니다. Abreva는 Google 및 YouTube에서 광고 회상도를 41% 높이고 검색 관심도를 342% 높였습니다.

Google 검색과 같은 다른 네트워크에서는 머신 러닝을 통해 프로세스가 더욱 빨라집니다. 반응형 검색 광고를 사용하면 여러 버전의 제목, 문구, 설명을 입력할 수 있으며 Google은 실적이 가장 우수한 한 가지를 테스트하여 게재합니다. 평균적으로 이 기능을 사용하는 광고주는 클릭수를 15% 높일 수 있습니다.

5. 보다 전략적으로 입찰

프로그래매틱 광고에서 모든 노출이 귀하가 입찰하고자 하는 만큼 가치가 있는 것은 아닙니다. 일부는 있습니다. 그리고 일부는 훨씬 더 가치가 있습니다.

수요 측 플랫폼 덕분에 이러한 노출을 평가하는 데 더 이상 추측이 필요하지 않습니다. 기계 학습 기술을 사용하여 이러한 플랫폼은 한때 경험 많은 구매자가 필요했던 입찰 및 최적화를 수행할 수 있습니다.

예를 들어 Google의 스마트 자동 입찰을 살펴보겠습니다. 기계 학습을 사용하여 모든 경매에서 전환 또는 전환 가치를 최적화하는 자동 입찰 전략입니다. 이를 "경매 시간 입찰"이라고 합니다. Google에 따르면 스마트 자동 입찰 전략에는 5가지 유형이 있습니다.

• • 타겟 CPA: 타겟 CPA는 설정한 타겟 전환당비용(CPA) 이하에서 최대한 많은 전환이 발생하도록 입찰가를 설정합니다.

• • 타겟 ROAS: 타겟 ROAS를 사용하면 타겟 광고 투자수익률(ROAS)을 기준으로 입찰할 수 있습니다. 이 전략을 사용하면 설정한 타겟 광고 투자수익(ROAS)에서 더 많은 전환 가치 또는 수익을 얻을 수 있습니다.

• • 전환수 최대화: 전환 수 최대화는 예산을 지출하면서 캠페인에서 가장 많은 전환이 발생하도록 입찰가를 자동으로 설정합니다.

• 향상된 CPC: 향상된 클릭당비용(ECPC)을 사용하면 수동 입찰에서 더 많은 전환을 얻을 수 있습니다. 향상된 CPC 입찰기능은 웹사이트에서 판매 또는 전환으로 이어질 가능성이 큰 클릭에 대해 수동 입찰가를 자동으로 조정하는 방식으로 작동합니다.

선택하는 항목은 캠페인 목표, 예산 및 기타 요인에 따라 다릅니다. 그럼에도 불구하고 Google의 스마트 자동 입찰 알고리즘이 잘 훈련되었음을 확신할 수 있습니다. Google에 따르면 선택한 목표에 가장 효과적인 입찰가와 노출을 파악하기 위해 지속적으로 데이터를 수집하고 분석하고 있습니다. 이 데이터에는 단일 팀이나 개인이 처리할 수 있는 것보다 훨씬 더 광범위한 매개 변수가 포함되어 있습니다.

여기에는 수동으로 조정할 수 있는 기기 및 위치와 같은 기본 요소와 스마트 자동 입찰에 고유한 자동 신호가 포함됩니다. 이들은 훨씬 더 많습니다. 사이트 동작, 제품 속성, 웹 게재위치 등을 포함하여 여기에서 여러 가지를 찾을 수 있습니다.

스마트 자동 입찰은 모든 캠페인의 데이터를 기반으로 최적화할 수 있으므로 신규 캠페인에서도 실적이 향상될 수 있습니다. 그래도 충분히 큰 샘플(최소 30회 전환(타겟 ROAS의 경우 50회) 및/또는 실행 시간 1개월 이상)이 확보될 때까지 캠페인 결과를 기반으로 비즈니스 결정을 내려서는 안 됩니다.

기계 학습을 사용하여 전환율 향상 시작

광고주는 항상 현재 기술의 더 나은 적용을 기대합니다. 더 나은 챗봇, 음성 인식, 이미지 처리 등 머신 러닝의 경우도 마찬가지입니다.

그러나 기계 학습은 오늘날 귀하의 캠페인에 긍정적인 영향을 미칠 수 있습니다. 자신에게 적합한 기계 학습 모델을 찾으면 입찰 전략, 크리에이티브, 그리고 무엇보다도 개인화가 기하급수적으로 향상될 수 있습니다. 의심할 여지 없이 모두를 위한 무언가가 있습니다. 스마트 자동 입찰이든 Google의 반응형 검색 광고이든 마찬가지입니다.

Instapage에서 개인화된 클릭 후 랜딩 페이지를 연결하여 기계 학습 노력을 최대한 활용하는 방법을 알아보세요. 여기에서 데모를 받으세요.