5 exemplos que mostram como o aprendizado de máquina está mudando a publicidade digital

Publicados: 2019-10-30

De todos os avanços na publicidade moderna, poucos são mais empolgantes do que o aprendizado de máquina. Está mudando a maneira como as empresas coletam e analisam dados e até automatizam a redação de anúncios com IA.

Mas com a tecnologia revolucionária surgem grandes questões. O que, por que e como funciona? Hoje respondemos a estas e muito mais.

O que é aprendizado de máquina na publicidade?

O aprendizado de máquina em publicidade refere-se ao processo pelo qual a tecnologia de anúncios coleta dados, analisa-os e formula conclusões para melhorar uma tarefa. Em termos mais simples: é como a tecnologia de anúncios aprende.

O que ele aprende depende da tecnologia. Pode ser qualquer coisa relacionada à publicidade: compra de mídia, mapeamento da jornada do cliente, segmentação de público etc.

Quanto mais dados uma tecnologia de aprendizado de máquina processa, mais ela aprende sobre essa tarefa e melhor a conclui. Assim como um humano faria.

A diferença entre aprendizado de máquina e inteligência artificial

Você ouvirá frequentemente os termos “aprendizado de máquina” e “inteligência artificial” usados ​​em conversas sobre as tecnologias mais sofisticadas de hoje. Eles estão relacionados, mas é importante saber que não são intercambiáveis.

Enquanto o aprendizado de máquina se refere a um processo específico: máquinas que usam dados para “aprender” e melhorar seu funcionamento, inteligência artificial é um termo mais amplo. Refere-se a tecnologias que podem executar tarefas que tradicionalmente requerem inteligência humana. O aprendizado de máquina, portanto, é um aspecto da inteligência artificial, mas não é sinônimo de IA.

Por que aprendizado de máquina?

De transações digitais e estoque de varejo à temperatura das salas de servidores, há pouco que as empresas modernas não possam rastrear.

E embora mais dados signifiquem mais oportunidades de melhoria, isso só é verdade se você tiver o que precisa para analisá-los. Infelizmente, a maioria das empresas não.

Os relatórios mostram que mais da metade dos dados de hoje não são usados. Conhecidos como “dados escuros”, os principais motivos pelos quais não estão sendo usados ​​são os seguintes:

por que aprendizado de máquina na publicidade?

A falta de ferramentas, a falta de dados, o excesso de dados e os sistemas isolados estão impedindo as empresas de obter o máximo de seu público. Na raiz de todos esses obstáculos está um problema simples, mas importante: os humanos não podem mais fazer tudo. Há muito para identificar, coletar e processar.

A solução?

Orchid Richardson, vice-presidente e diretor administrativo do Data Center of Excellence do IAB, diz que é IA:

Já, 95% dos anunciantes têm terabytes e petabytes de dados demográficos, incluindo dados pessoais, informações de localização e interesses que podem usar para atingir clientes em potencial dos quais não sabem quase nada. A inteligência artificial é uma maneira de domar esses dados e levá-los para o próximo nível.

Embora domar dados e levá-los “para o próximo nível” com IA pareça um conceito futurista, é algo que vem acontecendo há anos. Ainda assim, os anunciantes estão apenas começando a arranhar a superfície do potencial da IA.

5 Exemplos de aprendizado de máquina em publicidade

O aprendizado de máquina na publicidade nem sempre é fácil de detectar, pois o processamento complexo ocorre nos bastidores. Há uma boa chance de algumas de suas ferramentas favoritas aproveitarem o aprendizado de máquina para fornecer os insights que você considera garantidos.

Sejam novos ou comprovados, aqui estão algumas das coisas mais importantes que o aprendizado de máquina está permitindo aos anunciantes:

1. Capitalize insights inesperados

Se você for um bom anunciante, veicula anúncios com a ajuda de dados direcionados. Mas a maneira como você obtém esses dados não é perfeita.

Embora você queira analisar todos os pontos de dados relacionados à sua oferta, você está operando com um orçamento limitado. E isso o forçará a priorizar os dados mais importantes necessários para executar uma campanha publicitária bem-sucedida. A priorização, dependendo do seu orçamento, pode significar muito poucos dados.

Uma questão menos óbvia, no entanto, é que as suposições que você faz sobre sua oferta e seu público também limitarão a maneira como você anuncia. Por exemplo: se o seu produto for um videogame, você pode veicular anúncios para jogadores jovens e seus pais de meia-idade, mas não considerar avós ou jogadores mais velhos. Esses tipos de suposições podem custar sua receita.

Na VentureBeat Transform 2018 AI Conference, esse cenário foi apresentado por Julie Shumaker, vice-presidente de soluções para anunciantes da Unity. É exatamente o tipo de problema que o aprendizado de máquina pode corrigir:

Os anunciantes podem ter objetivos muito específicos, como vender a instalação de um jogo por US$ 17 para um jogador de 22 anos, disse ela. Eles podem não pensar em uma mulher de 65 anos. Mas o aprendizado de máquina pode revelar que essa mulher provavelmente gastará cerca de US$ 3,99 ao longo de três dias. E se o custo de aquisição for de 75 centavos, ele gera um ROI tão bom quanto metas de valor mais alto para alvos de anúncios mais comuns.

Por sua capacidade econômica de processar grandes conjuntos de dados, as tecnologias de aprendizado de máquina são ótimas para descobrir oportunidades de receita que o orçamento e as suposições humanas podem limitar.

Sejam insights sobre públicos, processos internos, estratégias de licitação ou mais, o potencial de melhoria pode ser grande.

Com o aprendizado de máquina, “você pode experimentar coisas malucas”, diz John Koetsier, vice-presidente de Insights da Singular, uma plataforma de dados de marketing.

Um dos clientes da Singular, por exemplo, adotou a abordagem não convencional de veicular um anúncio para um videogame sem mostrar nenhuma jogabilidade real. A campanha contraintuitiva gerou muita conversa sobre o produto entre seu público-alvo.

“Você pode tentar muitas, muitas coisas porque pode deixar a máquina descobrir em tempo real o que está gerando impacto”, disse Koetsier. “Você pode fazer coisas estúpidas e, às vezes, coisas estúpidas são coisas inteligentes.”

2. Melhore o criativo do anúncio

O público responde de maneira diferente ao criativo do anúncio. Mídia, tipo de letra, call-to-action – estes estão entre os ingredientes criativos que levam as pessoas a clicar ou desligar.

Embora muitos considerem que o aprendizado de máquina envolve dados estritamente quantitativos, esse não é o caso. Rajiv Bhat, vice-presidente sênior de ciências de dados e mercado da InMobi, diz que um sistema de análise preditiva também pode ajudar no desenvolvimento de criativos melhores:

Nesse sistema, os dados de criativos e campanhas anteriores são analisados ​​para determinar com precisão o que funcionaria para os esforços contínuos. Com esta aplicação de IA, as marcas podem ter uma noção melhor de como tudo, desde mensagens, fontes, cores, imagens, tamanhos de botões ou formatos, impacta o desempenho geral da campanha.”

Pode parecer, mas um sistema como esse não é hipotético. A Bidalgo, uma plataforma de automação de marketing de aplicativos móveis, fornece uma ferramenta que faz exatamente isso. Chamado de “Creative AI”, esse serviço de aprendizado de máquina analisa a mídia visual para encontrar abordagens criativas com probabilidade de sucesso. Seu CMO, Rishi Shiva, diz:

Antes de investir centenas de milhares de dólares no desenvolvimento de ativos de vídeo, você pode realmente executar suas imagens e vídeos históricos em nosso sistema, e ele realmente fornecerá informações.

Você pode determinar qual criativo teve um impacto positivo no público. E esse sistema específico pode ser tão específico quanto a maneira como as pessoas posam nas imagens. Feito isso, o software entrega um resumo criativo para as equipes de conteúdo com base na análise.

Uma aplicação semelhante de aprendizado de máquina, detalhada no Journal of Consumer Psychology, envolve um projeto de pesquisa que combina imagens com tipos de personalidade. Nele, os pesquisadores usaram algoritmos para identificar 89 recursos diferentes para imagens, incluindo matiz, saturação, diversidade de cores, nível de detalhe, número de pessoas e muito mais.

Os 745 participantes do estudo foram solicitados a avaliar as imagens em uma escala de 1 a 7. Quando terminaram, eles completaram um teste de personalidade que os avaliou em cinco áreas: abertura, escrupulosidade, extroversão, amabilidade e neuroticismo. Em seguida, eles tentaram descobrir quais imagens atraíam quais traços de personalidade. Entre outras coisas, eles descobriram:

  • Pessoas extrovertidas preferem imagens simples e imagens que apresentam pessoas
  • Pessoas de mente aberta preferem fotos sem pessoas e com cores frias como azul e preto
  • Pessoas com alto nível de neuroticismo gostavam de cenas calmas e minimamente estimulantes

Em um estudo de acompanhamento, os pesquisadores descobriram que os participantes preferiam imagens de anúncios que combinavam com suas personalidades. Porém, mais importante, o algoritmo de aprendizado de máquina descobriu que a relação entre o tipo de personalidade e o tipo de imagem pode afetar o interesse do consumidor em um produto. As pessoas não preferiam apenas imagens que combinassem com suas personalidades. Eles também relataram atitudes e intenções de compra mais favoráveis ​​em relação a essas marcas.

3. Aumente a relevância contextual

Em teoria, projetar um ótimo anúncio deve ser suficiente para gerar uma ótima resposta do seu público-alvo. Claro, nunca é tão fácil.

Além de ser bem elaborado, seu anúncio precisa ser veiculado na plataforma certa, com o público-alvo certo, no momento certo. Bhat diz que este também é um processo que o aprendizado de máquina está melhorando:

Por exemplo, é possível que criativos com mais contraste de cores tenham melhor desempenho à noite ou que anúncios que apresentam estrelas do esporte tenham melhor desempenho no fim de semana. A IA pode fornecer esse nível de granularidade e insights para o desenvolvimento e desempenho de criativos de anúncios.

A relevância contextual está se tornando mais importante agora que os reguladores estão reprimindo o uso de dados. O GDPR impôs restrições aos dados e outros países estão seguindo o exemplo.

Em vez de depender estritamente dos dados do público, as tecnologias de aprendizado de máquina são cada vez mais usadas para processar dados na página. E eles estão fazendo isso de maneiras tão complexas que são quase humanas. Harmon Lyons, vice-presidente sênior de desenvolvimento de negócios globais da IAS, diz:

Os avanços atuais estão obscurecendo as linhas entre humano e máquina, como é evidente em aplicações como análise de sentimento - as máquinas são cada vez mais capazes de identificar e categorizar as opiniões expressas em um texto, a fim de determinar se a atitude do escritor em relação a um determinado tópico ou produto é positivo, negativo ou neutro.

As nuances aqui estão sempre evoluindo à medida que a linguagem se expande e inclui coisas como sarcasmo e emoticons para expressar significado. Os rápidos avanços no aprendizado profundo estão permitindo que os computadores processem imagens e vídeos de uma maneira mais humana.

Em um nível básico, a compreensão do conteúdo de uma página pode ajudar o anunciante e o editor a veicular publicidade mais relevante. Em um nível mais complexo, está permitindo que os anunciantes façam algumas coisas impressionantes.

Exemplo Vodafone

Considere um exemplo da Vodafone no Reino Unido, que queria anunciar que levaria o iPhone X. Como resultado das diretrizes de uso da marca altamente restritivas da Apple, a empresa teve dificuldade em mencionar o produto.

Então, eles aproveitaram a tecnologia de aprendizado de máquina da GumGum. Quando implantada, essa tecnologia analisava imagens na página para encontrar anúncios do iPhone e, em seguida, colocava anúncios da Vodafone sobre eles. Isso ficou claro para os consumidores, que entenderam que a empresa levaria o iPhone com base na associação dos anúncios.

exemplo de jipe

Jeep, outro cliente da GumGum, decidiu pular a modelagem comportamental e, em vez disso, capitalizar o contexto. Com sua tecnologia de aprendizado de máquina, a empresa digitalizou páginas da web em busca de imagens de modelos que competiam com seu Cherokee, como o Toyota RAV4. Então, como a Vodafone, eles colocaram seus anúncios em cima dos modelos concorrentes.

Além desses casos de uso, o aprendizado de máquina pode fazer grandes coisas para a reputação da marca. Com o aumento da instância de anúncios programáticos em veiculações que não são seguras para a marca (como ao lado de conteúdo extremista, por exemplo), o aprendizado de máquina pode ajudar os anunciantes a evitar um pesadelo de relações públicas antes que aconteça e evitar ter que boicotar um site e seu público potencialmente massivo (como muitos foram forçados a fazer com o YouTube.)

4. Segmente segmentos mais definidos

A meta de todo anunciante é a relevância máxima. E o caminho para a relevância é a segmentação. Quanto mais estreitos forem os segmentos de público, mais perto você chegará de oferecer a personalização 1:1 que os clientes desejam.

Mas para chegar perto da personalização 1:1, você precisa de uma grande quantidade de dados, para começar. Então, você precisa de um algoritmo de aprendizado de máquina sofisticado o suficiente para filtrar os dados e transformá-los em algo utilizável.

Felizmente, esses são recursos de grandes redes como Facebook, Google e LinkedIn. Eles acumulam vastas coleções de dados sobre seus usuários – hobbies, interesses, localização, cargos etc. – que os anunciantes podem usar para restringir seus segmentos-alvo. Gil Allouche, co-fundador e CEO da Metadata.io, diz que dados como este são tão valiosos que facilitam o trabalho com outros dados:

Não quero ficar muito “meta” aqui, mas metadados são informações que fornecem informações sobre outros dados. Vamos dizer isso novamente de uma maneira diferente: os metadados resumem as informações básicas sobre os dados, o que facilita a localização e o trabalho com instâncias específicas de dados. De acordo com o Smart Insights, “os metadados pintam um quadro sobre a rotina diária, as interações, os pontos de vista e as associações de um indivíduo, e a razão pela qual são tão úteis é que não mentem.

Ao reunir esse tipo de dados, você obtém o que Gil e a equipe da Metadata.io chamam de “'bilhete de amor' para futuros insights de negócios” porque é “uma expressão da verdade na forma escrita”.

Para as empresas, a verdade na forma de informações do cliente não é fácil de encontrar. Então, quando é coletado em abundância e aproveitado por redes como Facebook e Google, torna-se uma forma valiosa de estreitar significativamente seu público-alvo para alguém com maior probabilidade de reivindicar sua oferta.

O Facebook coleta dados e permite que você crie públicos. Ainda mais importante, a plataforma usa aprendizado de máquina para determinar quem desse público tem maior probabilidade de concluir o objetivo pelo qual você está apostando.

Ao mesmo tempo, essa prática é inútil se você simplesmente restringir seu público-alvo e oferecer a mesma experiência de anúncio. Gil está certo quando diz: “Os melhores anúncios hoje são conteúdos atraentes e personalizados com significado real para o público de uma marca”.

Cada público deve ter um anúncio personalizado com base em seus dados. E para continuar essa experiência, cada anúncio deve direcionar os usuários para uma página pós-clique igualmente personalizada.

Veja este exemplo da Abreva, que criou 119 anúncios diferentes para seu produto com base no contexto em que foi visualizado. Quando os clientes encontrassem o anúncio em um vídeo sobre, digamos, fofocas de celebridades, eles veriam um anúncio como este:

exemplo de aprendizado de máquina em publicidade

Mas se eles vissem um anúncio enquanto assistiam a um tutorial em vídeo, veriam algo assim:

exemplo de tutorial de aprendizado de máquina em publicidade

A campanha personalizada levou a um grande aumento na conscientização e consideração. A Abreva gerou um aumento de 41% no recall do anúncio e um aumento de 342% no interesse de pesquisa no Google e no YouTube.

Em outras redes, como a busca do Google, o aprendizado de máquina torna o processo ainda mais rápido. Com anúncios de pesquisa responsivos, você pode inserir várias versões de título, cópia e descrição, e o Google testará e exibirá o melhor desempenho. Em média, os anunciantes que utilizarem esse recurso irão gerar um aumento de 15% nos cliques.

5. Faça lances de forma mais estratégica

Na publicidade programática, nem todas as impressões valem o que você está disposto a oferecer. Alguns são. E alguns valem ainda mais.

Graças às plataformas de demanda, avaliar essas impressões não requer mais suposições. Usando a tecnologia de aprendizado de máquina, essas plataformas podem fazer lances e otimizações que antes exigiam compradores experientes.

Veja o Smart Bidding do Google, por exemplo: uma estratégia de lances automatizados que usa aprendizado de máquina para otimizar as conversões ou o valor da conversão em todos os leilões. Isso é conhecido como “lance no momento do leilão”. Segundo o Google, existem cinco tipos de estratégias de Smart Bidding:

    • CPA desejado: o CPA desejado define lances para ajudar a obter o maior número possível de conversões dentro ou abaixo do custo por ação (CPA) desejado que você definiu.

    • ROAS desejado: o ROAS desejado permite definir lances com base em um retorno do investimento em publicidade (ROAS) desejado. Essa estratégia ajuda você a obter mais valor de conversão ou receita com o retorno do investimento em publicidade (ROAS) desejado definido.

    • Maximizar conversões: Maximizar conversões define lances automaticamente para ajudar a obter o máximo de conversões para sua campanha gastando seu orçamento.

  • CPC otimizado: o custo por clique otimizado (ECPC) ajuda você a obter mais conversões com lances manuais. O ECPC ajusta automaticamente seus lances manuais para cliques com maior ou menor probabilidade de gerar uma venda ou conversão em seu website.

A escolha depende do objetivo da campanha, do orçamento e de outros fatores. Independentemente disso, você pode ter certeza de que o algoritmo de Lances inteligentes do Google é bem treinado. Está constantemente adquirindo e analisando dados, segundo o Google, para entender quais lances e impressões são mais eficazes para o seu objetivo escolhido. Esses dados contêm uma gama muito mais ampla de parâmetros do que qualquer equipe ou pessoa poderia processar.

Inclui fatores básicos como dispositivo e localização, que podem ser ajustados manualmente, bem como sinais automáticos exclusivos do Lances inteligentes. Estes são muito maiores em número. Você pode encontrar vários aqui, incluindo comportamento do site, atributos do produto, posicionamento na web e muito mais.

Como o Lances inteligentes pode otimizar com base nos dados de todas as suas campanhas, até mesmo as novas podem ter um desempenho melhor. Ainda assim, você não deve tomar decisões de negócios com base nos resultados da campanha até ter uma amostra grande o suficiente: pelo menos 30 conversões (50 para o ROAS desejado) e/ou mais de um mês de execução.

Comece a usar o aprendizado de máquina para aumentar as conversões

Os anunciantes sempre esperam melhores aplicações das tecnologias atuais. Esse é o caso do aprendizado de máquina tanto quanto de qualquer outro: melhores chatbots, reconhecimento de voz, processamento de imagem etc.

Mas o aprendizado de máquina pode ter um grande impacto positivo em suas campanhas hoje . Estratégias de lances, criativos e, acima de tudo, personalização, podem melhorar exponencialmente quando você encontra um modelo de aprendizado de máquina que funciona para você. Sem dúvida, há algo para todos. Mesmo que seja apenas Lances inteligentes ou anúncios de pesquisa responsivos do Google.

Saiba como aproveitar ainda mais seus esforços de aprendizado de máquina conectando páginas de destino pós-clique personalizadas do Instapage. Obtenha uma demonstração aqui.