5 przykładów pokazujących, jak uczenie maszynowe zmienia reklamę cyfrową

Spośród wszystkich osiągnięć współczesnej reklamy niewiele jest bardziej ekscytujących niż uczenie maszynowe. Zmienia sposób, w jaki firmy zbierają i analizują dane, a nawet automatyzuje pisanie reklam za pomocą sztucznej inteligencji.

Ale wraz z rewolucyjną technologią pojawiają się wielkie pytania. Co, dlaczego i jak to działa? Dziś odpowiadamy na te i wiele więcej.

Czym jest uczenie maszynowe w reklamie?

Uczenie maszynowe w reklamie odnosi się do procesu, w którym technologia reklamowa zbiera dane, analizuje je i formułuje wnioski w celu usprawnienia zadania. Mówiąc prościej: tak uczy się technologia reklamowa.

To, czego się uczy, zależy od technologii. Może to być wszystko, co jest związane z reklamą: kupowanie mediów, mapowanie podróży klienta, segmentacja odbiorców itp.

Im więcej danych przetwarza technologia uczenia maszynowego, tym więcej dowiaduje się o tym zadaniu i tym lepiej je wykonuje. Tak jak zrobiłby to człowiek.

Różnica między uczeniem maszynowym a sztuczną inteligencją

W rozmowach o najbardziej zaawansowanych technologiach często usłyszysz określenia „uczenie maszynowe” i „sztuczna inteligencja”. Są ze sobą powiązane, ale ważne jest, aby wiedzieć, że nie można ich stosować zamiennie.

Podczas gdy uczenie maszynowe odnosi się do określonego procesu: maszyn wykorzystujących dane do „uczenia się” i poprawy ich funkcjonowania, sztuczna inteligencja to pojęcie szersze. Odnosi się do technologii, które mogą wykonywać zadania tradycyjnie wymagające ludzkiej inteligencji. Uczenie maszynowe jest zatem aspektem sztucznej inteligencji, ale nie jest tożsame z AI.

Dlaczego uczenie maszynowe?

Od transakcji cyfrowych i zapasów detalicznych po temperaturę w serwerowniach — niewiele jest rzeczy, których współczesny biznes nie byłby w stanie śledzić.

I chociaż więcej danych oznacza więcej możliwości poprawy, jest to prawdą tylko wtedy, gdy masz to, czego potrzebujesz, aby je przeanalizować. Niestety większość firm tego nie robi.

Raporty pokazują, że ponad połowa dzisiejszych danych pozostaje niewykorzystana. Znane jako „ciemne dane”, główne powody, dla których nie są używane, są następujące:

Brak narzędzi, brakujące dane, zbyt duża ilość danych i odizolowane systemy uniemożliwiają firmom maksymalne wykorzystanie możliwości odbiorców. U podstaw wszystkich tych przeszkód leży prosty, ale poważny problem: ludzie nie są już w stanie tego wszystkiego robić. Jest po prostu zbyt wiele do zidentyfikowania, zebrania i przetworzenia.

Rozwiązanie?

Orchid Richardson, wiceprezes i dyrektor zarządzający Data Center of Excellence IAB, mówi, że to sztuczna inteligencja:

Już 95% reklamodawców ma terabajty petabajtów danych demograficznych, w tym dane osobowe, informacje o lokalizacji i zainteresowaniach, które mogą wykorzystać do kierowania reklam do potencjalnych klientów, o których prawie nic nie wiedzą. Sztuczna inteligencja to sposób na okiełznanie tych danych i przeniesienie ich na wyższy poziom.

Chociaż okiełznanie danych i przeniesienie ich „na wyższy poziom” za pomocą sztucznej inteligencji wydaje się futurystyczną koncepcją, jest to coś, co dzieje się od lat. Mimo to reklamodawcy dopiero zaczynają odkrywać potencjał sztucznej inteligencji.

5 Przykłady uczenia maszynowego w reklamie

Uczenie maszynowe w reklamie nie zawsze jest łatwe do wykrycia, ponieważ złożone przetwarzanie odbywa się za kulisami. Istnieje duża szansa, że ​​niektóre z Twoich ulubionych narzędzi wykorzystują uczenie maszynowe do dostarczania informacji, które uważasz za oczywiste.

Niezależnie od tego, czy są nowe, czy wypróbowane i sprawdzone, oto kilka najważniejszych rzeczy, które systemy uczące się umożliwiają reklamodawcom:

1. Wykorzystaj nieoczekiwane spostrzeżenia

Jeśli jesteś dobrym reklamodawcą, wyświetlasz reklamy za pomocą ukierunkowanych danych. Ale sposób, w jaki uzyskujesz te dane, nie jest doskonały.

Chociaż możesz chcieć przeanalizować każdy punkt danych związany z Twoją ofertą, działasz z ograniczonym budżetem. A to zmusi Cię do nadania priorytetu najważniejszym danym potrzebnym do przeprowadzenia udanej kampanii reklamowej. Priorytetyzacja, w zależności od budżetu, może oznaczać bardzo mało danych.

Mniej oczywistą kwestią jest jednak to, że założenia, które poczynisz na temat swojej oferty i jej odbiorców, również ograniczą sposób, w jaki się reklamujesz. Na przykład: jeśli Twoim produktem jest gra wideo, możesz wyświetlać reklamy młodym graczom i ich rodzicom w średnim wieku, ale nie brać pod uwagę dziadków ani starszych graczy. Tego rodzaju założenia mogą kosztować Cię przychody.

Na konferencji AI VentureBeat Transform 2018 ten scenariusz przedstawiła Julie Shumaker, wiceprezes Unity ds. rozwiązań dla reklamodawców. To tylko rodzaj problemu, który może rozwiązać uczenie maszynowe:

Powiedziała, że ​​reklamodawcy mogą mieć bardzo konkretne cele, takie jak sprzedaż instalacji gry za 17 USD 22-letniemu graczowi. Mogą nie myśleć o 65-letniej kobiecie. Ale uczenie maszynowe może ujawnić, że ta kobieta prawdopodobnie wyda około 3,99 USD w ciągu trzech dni. A jeśli koszt pozyskania wynosi 75 centów, daje to równie dobry zwrot z inwestycji, jak cele o wyższej wartości dla bardziej typowych celów reklamowych.

Ze względu na opłacalną zdolność do przetwarzania ogromnych zbiorów danych technologie uczenia maszynowego doskonale nadają się do odkrywania możliwości uzyskiwania przychodów, które mogą ograniczać budżet i założenia ludzkie.

Niezależnie od tego, czy są to informacje o odbiorcach, procesach wewnętrznych, strategiach ustalania stawek itp., potencjał ulepszeń może być ogromny.

Dzięki uczeniu maszynowemu „możesz wypróbować szalone rzeczy” — mówi John Koetsier, wiceprezes ds. analiz w Singular, marketingowej platformie danych.

Na przykład jeden z klientów Singular zastosował niekonwencjonalne podejście, wyświetlając reklamę gry wideo bez pokazywania rzeczywistej rozgrywki. Ta sprzeczna z intuicją kampania wywołała wiele rozmów na temat produktu wśród docelowych odbiorców.

„Możesz wypróbować wiele, wiele rzeczy, ponieważ możesz pozwolić maszynie dowiedzieć się w czasie rzeczywistym, co generuje wpływ” — powiedział Koetsier. „Możesz robić głupie rzeczy, a czasem głupie rzeczy są mądre”.

2. Ulepsz kreację reklamy

Odbiorcy różnie reagują na kreację reklamową. Media, kroje pisma, wezwania do działania — to jedne z kreatywnych składników, które sprawiają, że ludzie klikają lub wyłączają się.

Chociaż wielu uważa, że ​​uczenie maszynowe obejmuje wyłącznie dane ilościowe, tak nie jest. Rajiv Bhat, starszy wiceprezes ds. Data Sciences and Marketplace w InMobi, mówi, że system analizy predykcyjnej może również pomóc w rozwoju lepszej kreatywności:

W takim systemie dane dotyczące wcześniejszych kreacji i przeszłych kampanii są analizowane w celu dokładnego określenia, co sprawdzi się w przypadku bieżących działań. Dzięki zastosowaniu sztucznej inteligencji marki mogą lepiej zrozumieć, w jaki sposób wszystko, od komunikatów, czcionek, kolorów, obrazów, rozmiarów przycisków lub formatów, wpływa na ogólną wydajność kampanii”.

Może to tak brzmieć, ale taki system nie jest hipotetyczny. Bidalgo, platforma automatyzacji marketingu w aplikacjach mobilnych, zapewnia narzędzie, które dokładnie to robi. Ta usługa uczenia maszynowego, zwana „Kreatywną sztuczną inteligencją”, analizuje media wizualne w celu znalezienia kreatywnych podejść, które prawdopodobnie odniosą sukces. Jego CMO, Rishi Shiva, mówi:

Zanim zainwestujesz setki tysięcy dolarów w rozwój zasobów wideo, możesz przepuścić swoje historyczne obrazy i filmy przez nasz system, co faktycznie da ci wgląd.

Możesz określić, która kreacja miała pozytywny wpływ na odbiorców. A ten konkretny system może być tak specyficzny, jak sposób, w jaki ludzie pozują na zdjęciach. Po wykonaniu tej czynności oprogramowanie na podstawie analizy dostarcza zespołom kreatywnym brief.

Podobne zastosowanie uczenia maszynowego, szczegółowo opisane w Journal of Consumer Psychology, obejmuje projekt badawczy, który dopasowuje obrazy do typów osobowości. W nim naukowcy wykorzystali algorytmy do zidentyfikowania 89 różnych cech obrazów, w tym odcienia, nasycenia, różnorodności kolorów, poziomu szczegółowości, liczby osób i innych.

745 uczestników badania zostało poproszonych o ocenę obrazów w skali od 1 do 7. Kiedy skończyli, wypełniali test osobowości, który oceniał ich w pięciu obszarach: otwartość, sumienność, ekstrawersja, ugodowość i neurotyzm. Następnie próbowali odkryć, które obrazy odwołują się do jakich cech osobowości. Odkryli między innymi:

• Ekstrawertycy preferowali proste obrazy i obrazy przedstawiające ludzi
• Ludzie o otwartych umysłach preferowali zdjęcia bez ludzi i z chłodnymi kolorami, takimi jak niebieski i czarny
• Osoby o wysokim neurotyzmie lubiły spokojne i minimalnie stymulujące sceny

W kolejnym badaniu naukowcy odkryli, że badani preferowali obrazy reklam, które pasowały do ​​ich osobowości. Ale co ważniejsze, algorytm uczenia maszynowego odkrył, że związek między typem osobowości a typem wizerunku może wpływać na zainteresowanie konsumenta produktem. Ludzie nie tylko preferowali obrazy pasujące do ich osobowości. Zgłaszali także bardziej przychylne nastawienie i zamiary zakupowe wobec tych marek.

3. Zwiększ trafność kontekstową

Teoretycznie zaprojektowanie świetnej reklamy powinno wystarczyć do wygenerowania świetnej odpowiedzi wśród docelowych odbiorców. Oczywiście nigdy nie jest to takie łatwe.

Oprócz tego, że jest dobrze zaprojektowana, reklama musi być wyświetlana na właściwej platformie, z właściwym kierowaniem i we właściwym czasie. Bhat mówi, że jest to również proces, który poprawia uczenie maszynowe:

Możliwe jest na przykład, że kreacje o większym kontraście kolorystycznym będą działać lepiej w nocy, a reklamy przedstawiające gwiazdy sportu będą najskuteczniejsze w weekendy. Sztuczna inteligencja może zapewnić ten poziom szczegółowości i wgląd w rozwój i skuteczność kreacji reklamowych.

Znaczenie kontekstowe staje się coraz ważniejsze teraz, gdy organy regulacyjne ograniczają wykorzystanie danych. RODO nałożyło ograniczenia na dane, a inne kraje idą w ich ślady.

Zamiast polegać wyłącznie na danych o odbiorcach, technologie uczenia maszynowego są coraz częściej wykorzystywane do przetwarzania danych na stronie. I robią to w sposób tak złożony, że prawie ludzki. Harmon Lyons, starszy wiceprezes ds. globalnego rozwoju biznesu w IAS, mówi:

Obecne postępy zacierają granice między człowiekiem a maszyną, co jest widoczne w zastosowaniach takich jak analiza nastrojów — maszyny są w coraz większym stopniu zdolne do identyfikowania i kategoryzowania opinii wyrażonych w fragmencie tekstu, aby określić, czy stosunek autora do określonego tematu lub produktu jest dodatnia, ujemna lub neutralna.

Niuanse tutaj zawsze ewoluują wraz z rozwojem języka i obejmują takie rzeczy, jak sarkazm i emotikony, aby wyrazić znaczenie. Szybki postęp w głębokim uczeniu się umożliwia komputerom przetwarzanie obrazów i wideo w sposób bardziej podobny do ludzkiego.

Na podstawowym poziomie zrozumienie treści strony może pomóc reklamodawcom i wydawcom w wyświetlaniu trafniejszych reklam. Na bardziej złożonym poziomie pozwala reklamodawcom robić imponujące rzeczy.

Przykład Vodafone

Rozważmy przykład Vodafone w Wielkiej Brytanii, który chciał reklamować, że będzie nosił iPhone'a X. W wyniku bardzo restrykcyjnych wytycznych Apple dotyczących używania marki, firmie trudno było wymienić produkt.

Wykorzystali więc technologię uczenia maszynowego firmy GumGum. Po wdrożeniu technologia ta analizowała obrazy na stronie, aby znaleźć reklamy iPhone'a, a następnie umieszczała na nich reklamy Vodafone. Było to wystarczająco jasne dla konsumentów, którzy zrozumieli, że firma będzie nosić iPhone'a na podstawie powiązania reklam.

Przykład jeepa

Jeep, inny klient GumGum, postanowił pominąć modelowanie behawioralne i zamiast tego wykorzystać kontekst. Dzięki technologii uczenia maszynowego firma przeskanowała strony internetowe w poszukiwaniu obrazów modeli konkurujących z ich Cherokee, takich jak Toyota RAV4. Następnie, podobnie jak Vodafone, umieszczali swoje reklamy na konkurencyjnych modelach.

Poza tymi przypadkami użycia uczenie maszynowe może zdziałać wspaniałe rzeczy dla reputacji marki. Wraz ze wzrostem liczby zautomatyzowanych reklam wyświetlanych w miejscach docelowych, które są niebezpieczne dla marki (np. obok treści ekstremistycznych), uczenie maszynowe może pomóc reklamodawcom zapobiec koszmarowi PR, zanim się on wydarzy, i uniknąć konieczności bojkotu witryny i jej potencjalnie ogromnej liczby odbiorców (jak wielu zostało zmuszonych do zrobienia z YouTube).

4. Kieruj reklamy na bardziej zdefiniowane segmenty

Celem każdego reklamodawcy jest najwyższa trafność. A drogą do trafności jest segmentacja. Im węższe stają się segmenty odbiorców, tym bardziej zbliżasz się do zapewnienia personalizacji 1:1, której pragną klienci.

Jednak aby zbliżyć się do personalizacji 1:1, na początek potrzebujesz ogromnej ilości danych. Następnie potrzebujesz wystarczająco wyrafinowanego algorytmu uczenia maszynowego, aby przesiać dane i przekształcić je w coś użytecznego.

Na szczęście są to obie funkcje głównych sieci, takich jak Facebook, Google i LinkedIn. Gromadzą ogromne zbiory danych o swoich użytkownikach — hobby, zainteresowania, lokalizacja, stanowiska itp. — które reklamodawcy mogą wykorzystać do zawężenia segmentów docelowych. Gil Allouche, współzałożyciel i dyrektor generalny Metadata.io, mówi, że takie dane są tak cenne, że ułatwiają pracę z innymi danymi:

Nie popadajmy w „meta” tutaj, ale metadane to informacje, które dostarczają informacji o innych danych. Powiedzmy to jeszcze raz w inny sposób: Metadane podsumowują podstawowe informacje o danych, co ułatwia wyszukiwanie i pracę z konkretnymi instancjami danych. Według Smart Insights „metadane dają obraz codziennej rutyny jednostki, interakcji, punktów widzenia i skojarzeń, a powodem, dla którego są tak przydatne, jest to, że nie kłamią.

Gdy gromadzisz tego rodzaju dane, otrzymujesz coś, co Gil i zespół Metadata.io nazywają „listem miłosnym” dla przyszłych spostrzeżeń biznesowych”, ponieważ jest to „wyrażenie prawdy w formie pisemnej”.

Dla firm prawda w postaci informacji o klientach nie jest łatwa do zdobycia. Tak więc, gdy jest gromadzona w dużych ilościach i wykorzystywana przez sieci takie jak Facebook i Google, staje się cennym sposobem na znaczne zawężenie grupy docelowej do takiej, która jest bardziej skłonna skorzystać z Twojej oferty.

Facebook zbiera dane i umożliwia tworzenie grup odbiorców. Co ważniejsze, platforma wykorzystuje uczenie maszynowe do określania, kto z tej grupy odbiorców ma największe szanse na osiągnięcie celu, o który się ubiegasz.

Jednocześnie ta praktyka jest bezwartościowa, jeśli po prostu zawęzisz grupę docelową i zapewnisz takie same wrażenia z reklamy. Gil ma rację, mówiąc: „Najlepsze obecnie reklamy to przekonujące, spersonalizowane treści, które mają realne znaczenie dla odbiorców danej marki”.

Każdy odbiorca powinien mieć spersonalizowaną reklamę na podstawie swoich danych. Aby kontynuować to doświadczenie, każda reklama powinna kierować użytkowników do strony po kliknięciu, która jest równie spersonalizowana.

Weźmy na przykład firmę Abreva, która stworzyła 119 różnych reklam swojego produktu na podstawie kontekstu, w jakim był oglądany. Gdy klienci napotkali reklamę w filmie o, powiedzmy, plotkach o celebrytach, zobaczyli taką reklamę:

Ale gdyby zobaczyli reklamę podczas oglądania samouczka wideo, zobaczyliby coś takiego:

Spersonalizowana kampania doprowadziła do znacznego wzrostu świadomości i zainteresowania. Abreva wygenerowała 41-procentowy wzrost rozpoznawalności reklam i 342-procentowy wzrost zainteresowania wyszukiwaniem w Google i YouTube.

W innych sieciach, takich jak wyszukiwarka Google, uczenie maszynowe jeszcze bardziej przyspiesza ten proces. Dzięki elastycznym reklamom w wyszukiwarce możesz wprowadzić wiele wersji nagłówka, tekstu i opisu, a Google przetestuje i udostępni jedną najskuteczniejszą. Reklamodawcy korzystający z tej funkcji generują średnio 15% wzrost liczby kliknięć.

5. Stawiaj bardziej strategicznie

W reklamie zautomatyzowanej nie wszystkie wyświetlenia są warte tyle, ile chcesz za nie licytować. Niektóre są. A niektóre są warte jeszcze więcej.

Dzięki platformom DSP ocena tych wyświetleń nie wymaga już zgadywania. Korzystając z technologii uczenia maszynowego, platformy te mogą ustalać stawki i optymalizować oferty, które kiedyś wymagały doświadczonych kupujących.

Weźmy na przykład inteligentne określanie stawek Google: strategię automatycznego określania stawek, która wykorzystuje systemy uczące się do optymalizacji pod kątem konwersji lub wartości konwersji w każdej aukcji. Nazywa się to „licytowaniem w czasie aukcji”. Według Google istnieje pięć rodzajów strategii inteligentnego określania stawek:

• • Docelowy CPA: Docelowy CPA ustala stawki, aby pomóc Ci uzyskać jak najwięcej konwersji przy ustawionym przez Ciebie docelowym koszcie działania (CPA) lub niższym.

• • Docelowy ROAS: Docelowy ROAS umożliwia ustalanie stawek na podstawie docelowego zwrotu z nakładów na reklamę (ROAS). Ta strategia pomaga uzyskać większą wartość konwersji lub przychody przy ustawionym docelowym zwrocie z nakładów na reklamę (ROAS).

• • Maksymalizuj liczbę konwersji: opcja Maksymalizuj liczbę konwersji automatycznie ustala stawki, aby pomóc Twojej kampanii uzyskać jak najwięcej konwersji przy wydatkowaniu budżetu.

• Ulepszony CPC: ulepszony koszt kliknięcia (eCPC) pomaga uzyskać więcej konwersji dzięki ręcznemu ustawianiu stawek. Funkcja eCPC działa, automatycznie dostosowując samodzielnie ustalane stawki pod kątem kliknięć, które z mniejszym lub większym prawdopodobieństwem doprowadzą do sprzedaży lub konwersji w Twojej witrynie.

Wybór zależy od celu kampanii, budżetu i innych czynników. Niezależnie od tego możesz mieć pewność, że algorytm inteligentnego określania stawek Google jest dobrze wyszkolony. Według Google stale gromadzi i analizuje dane, aby zrozumieć, które stawki i wyświetlenia są najskuteczniejsze dla wybranego celu. Dane te zawierają znacznie szerszy zakres parametrów niż jakikolwiek pojedynczy zespół lub osoba mogłaby przetworzyć.

Obejmuje podstawowe czynniki, takie jak urządzenie i lokalizacja, które można dostosować ręcznie, a także automatyczne sygnały charakterystyczne dla inteligentnego określania stawek. Tych jest znacznie więcej. Możesz znaleźć kilka tutaj, w tym zachowanie witryny, atrybuty produktu, miejsce docelowe w sieci i inne.

Inteligentne określanie stawek umożliwia optymalizację na podstawie danych ze wszystkich Twoich kampanii, więc nawet nowe kampanie mogą odnotować zwiększoną skuteczność. Mimo to nie powinieneś podejmować żadnych decyzji biznesowych na podstawie wyników kampanii, dopóki nie uzyskasz wystarczająco dużej próby: co najmniej 30 konwersji (50 w przypadku docelowego ROAS) i/lub ponad miesiąc czasu działania.

Zacznij używać uczenia maszynowego do zwiększania konwersji

Reklamodawcy zawsze oczekują lepszych zastosowań obecnych technologii. Tak jest w przypadku uczenia maszynowego, tak samo jak każdego innego: lepsze chatboty, rozpoznawanie głosu, przetwarzanie obrazu itp.

Ale uczenie maszynowe może już dziś mieć duży pozytywny wpływ na Twoje kampanie. Strategie ustalania stawek, kreacja, a przede wszystkim personalizacja, mogą ulec wykładniczej poprawie, gdy znajdziesz model uczenia maszynowego, który Ci odpowiada. Bez wątpienia każdy znajdzie coś dla siebie. Nawet jeśli jest to tylko inteligentne określanie stawek lub elastyczne reklamy Google w wyszukiwarce.

Dowiedz się, jak jeszcze lepiej wykorzystać uczenie maszynowe, łącząc spersonalizowane strony docelowe po kliknięciu z Instapage. Pobierz demo tutaj.