5 примеров, которые показывают, как машинное обучение меняет цифровую рекламу

Из всех достижений в современной рекламе мало что может быть более захватывающим, чем машинное обучение. Это меняет способ сбора и анализа данных компаниями и даже автоматизацию написания рекламных объявлений с помощью ИИ.

Но с революционной технологией возникают большие вопросы. Что, почему и как это работает? Сегодня мы отвечаем на эти и другие вопросы.

Что такое машинное обучение в рекламе?

Машинное обучение в рекламе — это процесс, с помощью которого рекламные технологии собирают данные, анализируют их и формулируют выводы для улучшения задачи. Проще говоря: так учатся рекламные технологии.

То, что он узнает, зависит от технологии. Это может быть что угодно, связанное с рекламой: медиабаинг, картирование пути клиента, сегментация аудитории и т. д.

Чем больше данных обрабатывает технология машинного обучения, тем больше она узнает об этой задаче и тем лучше она справляется с ней. Так же, как человек.

Разница между машинным обучением и искусственным интеллектом

Вы часто будете слышать термины «машинное обучение» и «искусственный интеллект», используемые в разговорах о самых сложных современных технологиях. Они связаны, но важно знать, что они не взаимозаменяемы.

В то время как машинное обучение относится к конкретному процессу: машины, использующие данные для «обучения» и улучшения своего функционирования, искусственный интеллект — более широкий термин. Это относится к технологиям, которые могут выполнять задачи, традиционно требующие человеческого интеллекта. Таким образом, машинное обучение является аспектом искусственного интеллекта, но не синонимом ИИ.

Почему машинное обучение?

От цифровых транзакций и розничных запасов до температуры в серверных комнатах — современный бизнес мало что может отследить.

И хотя больше данных означает больше возможностей для улучшения, это верно только в том случае, если у вас есть все необходимое для их анализа. К сожалению, большинство предприятий этого не делают.

Отчеты показывают, что более половины сегодняшних данных остаются неиспользованными. Известные как «темные данные», основные причины, по которым они не используются, следующие:

Отсутствие инструментов, недостающие данные, слишком много данных и разрозненные системы — все это мешает компаниям получить максимальную отдачу от своей аудитории. В основе всех этих препятствий лежит простая, но важная проблема: люди больше не могут делать все подряд. Слишком многое нужно идентифицировать, собрать и обработать.

Решение?

Орхид Ричардсон, вице-президент и управляющий директор центра обработки данных IAB, говорит, что это искусственный интеллект:

Уже сейчас 95% рекламодателей располагают терабайтами и петабайтами демографических данных, включая личные данные, информацию о местонахождении и интересы, которые они могут использовать для нацеливания на потенциальных клиентов, о которых почти ничего не знают. Искусственный интеллект — это способ укротить эти данные и вывести их на новый уровень.

Хотя приручение данных и вывод их «на новый уровень» с помощью ИИ кажется футуристической концепцией, это то, что происходит уже много лет. Тем не менее, рекламодатели только начинают исследовать потенциал ИИ.

5 примеров машинного обучения в рекламе

Машинное обучение в рекламе не всегда легко заметить, поскольку за кулисами происходит сложная обработка. Есть большая вероятность, что некоторые из ваших любимых инструментов используют машинное обучение для получения информации, которую вы считаете само собой разумеющейся.

Независимо от того, новые они или проверенные временем, вот несколько самых важных вещей, которые машинное обучение позволяет рекламодателям делать:

1. Используйте неожиданные идеи

Если вы хороший рекламодатель, вы запускаете рекламу с помощью целевых данных. Но способ получения этих данных не идеален.

Хотя вы, возможно, захотите проанализировать каждую точку данных, связанную с вашим предложением, вы работаете с ограниченным бюджетом. И это заставит вас расставить приоритеты для самых важных данных, необходимых для проведения успешной рекламной кампании. Расстановка приоритетов, в зависимости от вашего бюджета, может означать очень мало данных.

Однако менее очевидная проблема заключается в том, что предположения, которые вы делаете о своем предложении и его аудитории, также будут ограничивать способ вашей рекламы. Например: если ваш продукт — видеоигра, вы можете показывать рекламу юным игрокам и их родителям среднего возраста, но не учитывать бабушек и дедушек или игроков старшего возраста. Такие предположения могут стоить вам дохода.

На конференции VentureBeat Transform 2018 AI Conference этот сценарий представила Джули Шумейкер, вице-президент Unity по рекламным решениям. Это просто тип проблем, которые может решить машинное обучение:

По ее словам, у рекламодателей могут быть очень конкретные цели, например, продать установку игры за 17 долларов 22-летнему игроку. Они могут и не подумать о 65-летней женщине. Но машинное обучение может показать, что эта женщина, скорее всего, потратит около 3,99 доллара в течение трех дней. И если стоимость приобретения составляет 75 центов, это дает такой же хороший ROI, как и более высокие цели в долларах для более типичных целей рекламы.

Благодаря своей рентабельной способности обрабатывать огромные наборы данных технологии машинного обучения отлично подходят для выявления возможностей получения дохода, которые могут быть ограничены бюджетом и человеческими предположениями.

Будь то информация об аудитории, внутренних процессах, стратегиях назначения ставок или многом другом, потенциал для улучшения может быть большим.

С машинным обучением «вы можете попробовать сумасшедшие вещи», — говорит Джон Кутсер, вице-президент по анализу информации в Singular, платформе маркетинговых данных.

Например, один из клиентов Singular применил нетрадиционный подход, запустив рекламу видеоигры без демонстрации реального игрового процесса. Нелогичная кампания вызвала много разговоров о продукте среди их целевой аудитории.

«Вы можете попробовать много-много вещей, потому что вы можете позволить машине выяснить в режиме реального времени, что вызывает воздействие», — сказал Кутсер. «Вы можете делать глупости, а иногда глупости — это умные вещи».

2. Улучшите рекламный креатив

Аудитория по-разному реагирует на рекламный креатив. Медиа, шрифт, призыв к действию — вот те креативные ингредиенты, которые заставляют людей кликать или отключаться.

Хотя многие считают, что машинное обучение включает строго количественные данные, это не так. Раджив Бхат, старший вице-президент по науке о данных и рынку в InMobi, говорит, что система предиктивной аналитики также может помочь в разработке лучшего креатива:

В такой системе данные о прошлых креативах и прошлых кампаниях обрабатываются, чтобы точно определить, что будет работать для текущих усилий. С помощью этого приложения ИИ бренды могут лучше понять, как все, от обмена сообщениями, шрифтов, цветов, изображений, размеров кнопок или форматов, влияет на общую эффективность кампании».

Это может звучать так, но такая система не является гипотетической. Bidalgo, платформа автоматизации маркетинга мобильных приложений, предоставляет инструмент, который делает именно это. Эта служба машинного обучения, получившая название «Creative AI», анализирует визуальные медиа, чтобы найти творческие подходы, которые могут быть успешными. Его директор по маркетингу, Риши Шива, говорит:

Прежде чем инвестировать сотни тысяч долларов в разработку видеоресурсов, вы можете запустить свои исторические изображения и видео через нашу систему, и это действительно даст вам представление.

Вы можете определить, какой креатив оказал положительное влияние на аудиторию. И эта конкретная система может быть такой же специфической, как то, как люди позируют на изображениях. После того, как это будет сделано, программное обеспечение предоставляет творческий бриф для контент-команд на основе анализа.

Аналогичное применение машинного обучения, подробно описанное в Journal of Consumer Psychology, включает в себя исследовательский проект, который сопоставляет изображения с типами личности. В нем исследователи использовали алгоритмы для определения 89 различных характеристик изображений, включая оттенок, насыщенность, цветовое разнообразие, уровень детализации, количество людей и многое другое.

745 участников исследования попросили оценить изображения по шкале от 1 до 7. Когда они закончили, они прошли личностный тест, который оценил их по пяти параметрам: открытость, добросовестность, экстраверсия, покладистость и невротизм. Затем они попытались выяснить, какие образы соответствуют каким чертам личности. Среди прочего, они обнаружили:

• Экстраверты предпочитали простые изображения и изображения с изображением людей.
• Непредубежденные люди предпочитали фотографии без людей и с холодными цветами, такими как синий и черный.
• Людям с высоким невротизмом нравились спокойные и минимально возбуждающие сцены.

В последующем исследовании исследователи обнаружили, что испытуемые предпочитали рекламные изображения, которые соответствовали их характеру. Но что еще более важно, алгоритм машинного обучения обнаружил, что взаимосвязь между типом личности и типом образа может повлиять на интерес потребителя к продукту. Люди не просто предпочитали изображения, которые соответствовали их личности. Они также сообщали о более благоприятном отношении и покупательских намерениях по отношению к этим брендам.

3. Повысьте контекстную релевантность

Теоретически, разработки отличной рекламы должно быть достаточно, чтобы вызвать отличный отклик у вашей целевой аудитории. Конечно, это никогда не бывает так просто.

Помимо того, что ваше объявление должно быть хорошо спроектировано, оно должно показываться на правильной платформе, с правильным таргетингом и в нужное время. Бхат говорит, что это также процесс, который улучшает машинное обучение:

Например, креативы с большим цветовым контрастом могут быть эффективнее ночью, а реклама со звездами спорта — по выходным. ИИ может обеспечить этот уровень детализации и понимания для разработки и эффективности рекламных объявлений.

Контекстная релевантность становится все более важной сейчас, когда регулирующие органы принимают жесткие меры в отношении использования данных. GDPR наложил ограничения на данные, и другие страны следуют их примеру.

Вместо того, чтобы полагаться исключительно на данные об аудитории, технологии машинного обучения все чаще используются для обработки данных на странице. И они делают это настолько сложными способами, что почти как люди. Хармон Лайонс, старший вице-президент по глобальному развитию бизнеса в IAS, говорит:

Текущие достижения стирают границы между человеком и машиной, что очевидно в таких приложениях, как анализ настроений — машины все чаще способны идентифицировать и классифицировать мнения, выраженные в фрагменте текста, чтобы определить, относится ли автор к определенной теме или продукту. является положительным, отрицательным или нейтральным.

Нюанс здесь всегда развивается по мере того, как язык расширяется и включает такие вещи, как сарказм и смайлики для выражения смысла. Быстрый прогресс в области глубокого обучения позволяет компьютерам обрабатывать изображения и видео более похожим на человеческий способ.

На базовом уровне понимание содержания страницы может помочь рекламодателю и издателю показывать более релевантную рекламу. На более сложном уровне это позволяет рекламодателям делать впечатляющие вещи.

Пример Водафон

Возьмем пример компании Vodafone в Великобритании, которая хотела рекламировать, что будет продавать iPhone X. Из-за очень строгих правил использования бренда Apple компании было трудно упоминать этот продукт.

Итак, они воспользовались технологией машинного обучения от GumGum. При развертывании эта технология анализировала изображения на странице, чтобы найти рекламу iPhone, а затем размещала рекламу Vodafone поверх них. Это было достаточно ясно для потребителей, которые понимали, что компания будет продавать iPhone, исходя из ассоциации с рекламой.

Пример джипа

Jeep, еще один клиент GumGum, решил отказаться от поведенческого моделирования и вместо этого извлечь выгоду из контекста. С помощью своей технологии машинного обучения компания сканировала веб-страницы в поисках изображений моделей, которые конкурировали с их Cherokee, таких как Toyota RAV4. Затем, как Vodafone, они разместили свою рекламу поверх конкурирующих моделей.

Помимо этих вариантов использования, машинное обучение может многое сделать для репутации бренда. В связи с увеличением числа показов алгоритмической рекламы в местах размещения, небезопасных для бренда (например, рядом с экстремистским контентом), машинное обучение может помочь рекламодателям предотвратить PR-кошмар до того, как он произойдет, и избежать необходимости бойкотировать сайт и его потенциально огромную аудиторию. (как многие были вынуждены сделать с YouTube.)

4. Нацельтесь на более определенные сегменты

Цель каждого рекламодателя — максимальная релевантность. А путь к релевантности — это сегментация. Чем уже сегменты вашей аудитории, тем ближе вы подходите к персонализации 1:1, которой так жаждут клиенты.

Но чтобы приблизиться к персонализации 1:1, для начала вам потребуется огромное количество данных. Затем вам нужен достаточно сложный алгоритм машинного обучения, чтобы просеивать данные и превращать их во что-то полезное.

К счастью, это обе функции крупных сетей, таких как Facebook, Google и LinkedIn. Они собирают обширные коллекции данных о своих пользователях — хобби, интересы, местоположение, должности и т. д. — которые рекламодатели могут использовать для сужения своих целевых сегментов. Гил Аллуш, соучредитель и генеральный директор Metadata.io, говорит, что такие данные настолько ценны, что облегчают работу с другими данными:

Не будем слишком «мета» здесь, но метаданные — это информация, которая предоставляет информацию о других данных. Скажем это снова по-другому: метаданные обобщают основную информацию о данных, что упрощает поиск и работу с конкретными экземплярами данных. Согласно Smart Insights, «метаданные рисуют картину повседневной жизни человека, взаимодействий, точек зрения и ассоциаций, и причина, по которой они так полезны, заключается в том, что они не лгут.

Когда вы собираете такие данные, вы получаете то, что Гил и команда Metadata.io называют «любовной запиской» для будущих бизнес-идей», потому что это «выражение правды в письменной форме».

Для предприятий правда в виде информации о клиентах не так просто найти. Таким образом, когда он собирается в изобилии и используется такими сетями, как Facebook и Google, он становится ценным способом значительно сузить вашу целевую аудиторию до одной, которая с большей вероятностью воспользуется вашим предложением.

Facebook собирает данные и позволяет создавать аудитории. Что еще более важно, платформа использует машинное обучение, чтобы определить, кто из этой аудитории с наибольшей вероятностью выполнит поставленную вами задачу.

В то же время эта практика бесполезна, если вы просто сужаете свою целевую аудиторию и предоставляете одинаковый рекламный опыт. Гил прав, когда говорит: «Сегодня лучшая реклама — это привлекательный, персонализированный контент, имеющий реальное значение для аудитории бренда».

Для каждой аудитории должна быть реклама, персонализированная на основе ее данных. И чтобы продолжить этот опыт, каждое объявление должно направлять пользователей на страницу после клика, которая столь же персонализирована.

Возьмите этот пример от Abreva, который создал 119 различных объявлений для своего продукта в зависимости от контекста, в котором он просматривался. Когда клиенты встречали рекламу в видео, скажем, о сплетнях о знаменитостях, им показывали такую ​​рекламу:

Но если бы они увидели рекламу во время просмотра видеоурока, они бы увидели что-то вроде этого:

Персонализированная кампания привела к значительному повышению осведомленности и внимания. Abreva повысила запоминаемость рекламы на 41 % и повысила интерес к поисковым запросам в Google и YouTube на 342 %.

В других сетях, таких как поиск Google, машинное обучение еще больше ускоряет процесс. В адаптивных поисковых объявлениях вы можете ввести несколько вариантов заголовка, текста и описания, и Google проверит и предложит лучший из них. В среднем рекламодатели, использующие эту функцию, получают увеличение числа кликов на 15%.

5. Делайте ставки более стратегически

В программатик-рекламе не все показы стоят той суммы, которую вы готовы за них заплатить. Некоторые. А некоторые стоят даже больше.

Благодаря платформам со стороны спроса оценка этих показов больше не требует догадок. Используя технологию машинного обучения, эти платформы могут делать ставки и проводить оптимизацию, которые когда-то требовали опытных покупателей.

Возьмем, к примеру, Smart Bidding от Google: стратегию автоматического назначения ставок, которая использует машинное обучение для оптимизации конверсий или ценности конверсии на каждом аукционе. Это известно как «торги во время аукциона». По данным Google, существует пять типов стратегий Smart Bidding:

• • Целевая цена за конверсию. Целевая цена за конверсию устанавливает ставки, чтобы помочь получить как можно больше конверсий по заданной вами целевой цене за конверсию (CPA) или ниже нее.

• • Целевая рентабельность инвестиций. Целевая рентабельность инвестиций позволяет назначать ставки на основе целевой рентабельности инвестиций в рекламу (ROAS). Эта стратегия поможет вам получить больше ценности конверсии или дохода при установленной вами целевой рентабельности инвестиций в рекламу (ROAS).

• • Максимум конверсий. Функция «Максимум конверсий» автоматически устанавливает ставки, чтобы помочь получить максимальное количество конверсий для вашей кампании при расходе бюджета.

• Оптимизатор цены за клик. Оптимизатор цены за клик (ECPC) позволяет увеличить число конверсий за счет назначения ставок вручную. Оптимизатор цены за конверсию автоматически корректирует ваши ручные ставки для кликов, которые с большей или меньшей вероятностью приведут к продаже или конверсии на вашем веб-сайте.

Что вы выберете, зависит от цели вашей кампании, вашего бюджета и других факторов. Несмотря на это, вы можете быть уверены, что алгоритм Google Smart Bidding хорошо обучен. Google постоянно собирает и анализирует данные, чтобы понять, какие ставки и показы наиболее эффективны для выбранной вами цели. Эти данные содержат гораздо более широкий спектр параметров, чем может обработать какая-либо отдельная команда или человек.

Он включает в себя основные факторы, такие как устройство и местоположение, которые можно настроить вручную, а также автоматические сигналы, уникальные для интеллектуального назначения ставок. Таких гораздо больше. Вы можете найти несколько здесь, включая поведение сайта, атрибуты продукта, веб-размещение и многое другое.

Поскольку интеллектуальное назначение ставок может оптимизироваться на основе данных из всех ваших кампаний, даже новые могут повысить эффективность. Тем не менее, вы не должны принимать какие-либо бизнес-решения на основе результатов кампании, пока у вас не будет достаточно большой выборки: не менее 30 конверсий (50 для целевой рентабельности инвестиций) и/или более месяца времени работы.

Начните использовать машинное обучение для повышения конверсии

Рекламодатели всегда рассчитывают на лучшее применение современных технологий. Это относится к машинному обучению так же, как и к любому другому: лучшие чат-боты, распознавание голоса, обработка изображений и т. д.

Но сегодня машинное обучение может оказать большое положительное влияние на ваши кампании. Стратегии назначения ставок, креатив и, прежде всего, персонализация могут улучшиться в геометрической прогрессии, если вы найдете подходящую модель машинного обучения. Несомненно, каждый найдет что-то для себя. Даже если это просто Smart Bidding или адаптивная поисковая реклама Google.

Узнайте, как получить еще больше от своих усилий по машинному обучению, подключив персонализированные целевые страницы после клика из Instapage. Получить демо здесь.