5 ตัวอย่างที่แสดงให้เห็นว่าการเรียนรู้ของเครื่องเปลี่ยนการโฆษณาดิจิทัลอย่างไร

ในบรรดาความก้าวหน้าทั้งหมดของการโฆษณาสมัยใหม่ มีไม่กี่แห่งที่น่าตื่นเต้นไปกว่าแมชชีนเลิร์นนิง กำลังเปลี่ยนวิธีที่ธุรกิจรวบรวมและวิเคราะห์ข้อมูล และทำให้การเขียนคำโฆษณาเป็นไปโดยอัตโนมัติด้วย AI

แต่ด้วยเทคโนโลยีที่ปฏิวัติวงการทำให้เกิดคำถามใหญ่ตามมา อะไร ทำไม และทำงานอย่างไร วันนี้เราตอบคำถามเหล่านี้และอื่น ๆ

แมชชีนเลิร์นนิงในการโฆษณาคืออะไร

แมชชีนเลิร์นนิงในการโฆษณาหมายถึงกระบวนการที่เทคโนโลยีโฆษณารับข้อมูล วิเคราะห์ และกำหนดข้อสรุปเพื่อปรับปรุงงาน พูดง่ายๆ ก็คือเทคโนโลยีโฆษณาเรียนรู้

สิ่งที่เรียนรู้ขึ้นอยู่กับเทคโนโลยี อาจเป็นอะไรก็ได้ที่เกี่ยวข้องกับการโฆษณา: การซื้อสื่อ การทำแผนที่การเดินทางของลูกค้า การแบ่งกลุ่มผู้ชม ฯลฯ

ยิ่งเทคโนโลยีแมชชีนเลิร์นนิงประมวลผลข้อมูลมากเท่าใด ก็จะยิ่งเรียนรู้เกี่ยวกับงานนั้นมากขึ้นเท่านั้น และยิ่งทำสำเร็จได้ดียิ่งขึ้น เช่นเดียวกับที่มนุษย์ต้องการ

ความแตกต่างระหว่างการเรียนรู้ของเครื่องและปัญญาประดิษฐ์

คุณมักจะได้ยินคำว่า "การเรียนรู้ของเครื่อง" และ "ปัญญาประดิษฐ์" ที่ใช้ในการสนทนาเกี่ยวกับเทคโนโลยีที่ทันสมัยที่สุดในปัจจุบัน พวกเขาเกี่ยวข้องกัน แต่สิ่งสำคัญคือต้องรู้ว่าพวกเขาไม่สามารถใช้แทนกันได้

แม้ว่าแมชชีนเลิร์นนิงจะหมายถึงกระบวนการเฉพาะ: แมชชีนที่ใช้ข้อมูลเพื่อ "เรียนรู้" และปรับปรุงการทำงาน ปัญญาประดิษฐ์เป็นคำที่กว้างกว่า หมายถึงเทคโนโลยีที่สามารถทำงานแบบดั้งเดิมที่ต้องใช้สติปัญญาของมนุษย์ ดังนั้นการเรียนรู้ของเครื่องจึงเป็นลักษณะหนึ่งของปัญญาประดิษฐ์ แต่ก็ไม่ได้มีความหมายเหมือนกันกับ AI

ทำไมต้องแมชชีนเลิร์นนิง

ตั้งแต่ธุรกรรมดิจิทัลและสต็อกค้าปลีกไปจนถึงอุณหภูมิของห้องเซิร์ฟเวอร์ มีเพียงเล็กน้อยที่ธุรกิจสมัยใหม่ไม่สามารถติดตามได้

และแม้ว่าข้อมูลที่มากขึ้นหมายถึงโอกาสในการปรับปรุงที่มากขึ้น แต่ก็เป็นจริงได้ก็ต่อเมื่อคุณมีสิ่งที่ต้องวิเคราะห์เท่านั้น น่าเสียดายที่ธุรกิจส่วนใหญ่ไม่ทำ

รายงานแสดงให้เห็นว่าข้อมูลมากกว่าครึ่งหนึ่งของวันนี้ไม่ได้ใช้งาน รู้จักกันในชื่อ "ข้อมูลมืด" สาเหตุหลักที่ไม่ได้ใช้มีดังนี้:

การขาดเครื่องมือ ข้อมูลที่ขาดหายไป ข้อมูลที่มากเกินไป และระบบที่แยกไว้ ล้วนทำให้ธุรกิจไม่สามารถใช้ประโยชน์จากผู้ชมได้สูงสุด ต้นตอของอุปสรรคเหล่านี้คือปัญหาง่ายๆ แต่สำคัญ: มนุษย์ไม่สามารถทำทุกอย่างได้อีกต่อไป มีอะไรมากมายเกินกว่าจะระบุ รวบรวม และประมวลผล

การแก้ไขปัญหา?

Orchid Richardson รองประธานและกรรมการผู้จัดการของ Data Center of Excellence ของ IAB กล่าวว่า AI:

ปัจจุบัน 95% ของผู้ลงโฆษณามีข้อมูลประชากรหลายเทราไบต์ต่อเพตะไบต์ รวมถึงข้อมูลส่วนบุคคล ข้อมูลตำแหน่งที่ตั้ง และความสนใจที่พวกเขาสามารถใช้เพื่อกำหนดเป้าหมายผู้มีโอกาสเป็นลูกค้าที่พวกเขาแทบไม่รู้อะไรเลย ปัญญาประดิษฐ์คือวิธีการควบคุมข้อมูลนั้นและนำไปสู่ระดับต่อไป

ในขณะที่การควบคุมข้อมูลและการ "ก้าวไปอีกขั้น" ด้วย AI ดูเหมือนจะเป็นแนวคิดแห่งอนาคต แต่เป็นสิ่งที่เกิดขึ้นมานานหลายปี ถึงกระนั้น ผู้ลงโฆษณาก็เพิ่งจะเริ่มมองเห็นศักยภาพของ AI

5 ตัวอย่างการเรียนรู้ของเครื่องในการโฆษณา

แมชชีนเลิร์นนิงในการโฆษณาไม่ใช่เรื่องง่ายเสมอไป เนื่องจากการประมวลผลที่ซับซ้อนเกิดขึ้นเบื้องหลัง มีโอกาสดีที่เครื่องมือที่คุณชื่นชอบบางตัวจะใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อนำเสนอข้อมูลเชิงลึกที่คุณยอมรับได้

ไม่ว่าจะเป็นเรื่องใหม่หรือเรื่องจริง สิ่งสำคัญบางประการที่แมชชีนเลิร์นนิงช่วยให้ผู้ลงโฆษณาทำได้มีดังนี้

1. ใช้ประโยชน์จากข้อมูลเชิงลึกที่คาดไม่ถึง

หากคุณเป็นผู้ลงโฆษณาที่ดี คุณจะแสดงโฆษณาโดยใช้ข้อมูลเป้าหมาย แต่วิธีที่คุณได้รับข้อมูลนั้นไม่สมบูรณ์แบบ

แม้ว่าคุณอาจต้องการวิเคราะห์ข้อมูลทุกจุดที่เกี่ยวข้องกับข้อเสนอของคุณ แต่คุณกำลังดำเนินการด้วยงบประมาณที่จำกัด และนั่นจะบังคับให้คุณจัดลำดับความสำคัญของข้อมูลที่สำคัญที่สุดที่จำเป็นสำหรับการดำเนินการแคมเปญโฆษณาที่ประสบความสำเร็จ การจัดลำดับความสำคัญขึ้นอยู่กับงบประมาณของคุณ อาจหมายถึงข้อมูลเพียงเล็กน้อย

อย่างไรก็ตาม ปัญหาที่ไม่ค่อยชัดเจนก็คือสมมติฐานที่คุณตั้งขึ้นเกี่ยวกับข้อเสนอพิเศษและผู้ชมจะจำกัดวิธีการโฆษณาของคุณด้วย ตัวอย่างเช่น หากผลิตภัณฑ์ของคุณคือวิดีโอเกม คุณอาจแสดงโฆษณากับผู้เล่นอายุน้อยและผู้ปกครองวัยกลางคน แต่ไม่พิจารณาถึงปู่ย่าตายายหรือผู้เล่นที่มีอายุมากกว่า สมมติฐานประเภทนี้อาจทำให้คุณเสียรายได้

ในการประชุม VentureBeat Transform 2018 AI Conference สถานการณ์นี้นำเสนอโดย Julie Shumaker รองประธานฝ่ายโซลูชันผู้โฆษณาของ Unity เป็นเพียงประเภทของปัญหาที่แมชชีนเลิร์นนิงสามารถแก้ไขได้:

ผู้ลงโฆษณาอาจมีเป้าหมายที่เจาะจงมาก เช่น ขายเงินติดตั้งเกม $17 ให้กับผู้เล่นอายุ 22 ปี พวกเขาอาจไม่คิดถึงผู้หญิงอายุ 65 ปี แต่แมชชีนเลิร์นนิงอาจเผยให้เห็นว่าผู้หญิงคนนี้มีแนวโน้มที่จะใช้จ่ายประมาณ 3.99 ดอลลาร์ในช่วงเวลา 3 วัน และหากต้นทุนในการได้มาคือ 75 เซนต์ ผลตอบแทนจากการลงทุนจะดีพอๆ กับเป้าหมายที่มีมูลค่าสูงกว่าสำหรับเป้าหมายโฆษณาทั่วไป

เทคโนโลยีแมชชีนเลิร์นนิงเหมาะอย่างยิ่งสำหรับการเปิดเผยโอกาสในการสร้างรายได้ที่งบประมาณและสมมติฐานของมนุษย์มีขีดจำกัด เนื่องจากความสามารถในการประมวลผลชุดข้อมูลจำนวนมากได้อย่างคุ้มค่า

ไม่ว่าจะเป็นข้อมูลเชิงลึกเกี่ยวกับผู้ชม กระบวนการภายใน กลยุทธ์การเสนอราคา หรืออื่นๆ อีกมากมาย ศักยภาพในการปรับปรุงนั้นยอดเยี่ยมมาก

ด้วยแมชชีนเลิร์นนิง “คุณสามารถลองทำอะไรแปลกๆ ได้” John Koetsier รองประธานฝ่าย Insights ของ Singular ซึ่งเป็นแพลตฟอร์มข้อมูลทางการตลาดกล่าว

ตัวอย่างเช่น ลูกค้ารายหนึ่งของ Singular ใช้แนวทางที่แปลกใหม่ในการแสดงโฆษณาสำหรับวิดีโอเกมโดยไม่แสดงการเล่นเกมจริงใดๆ แคมเปญที่ต่อต้านการใช้สัญชาตญาณทำให้เกิดการสนทนามากมายเกี่ยวกับผลิตภัณฑ์ในกลุ่มผู้ชมเป้าหมายของพวกเขา

“คุณสามารถลองหลายๆ อย่างได้ เพราะคุณสามารถปล่อยให้เครื่องจักรคิดตามเวลาจริงว่าอะไรกำลังสร้างผลกระทบ” Koetsier กล่าว “คุณทำเรื่องโง่ๆ ได้ และบางครั้งเรื่องโง่ๆ ก็เป็นเรื่องฉลาด”

2. ปรับปรุงความคิดสร้างสรรค์โฆษณา

ผู้ชมตอบสนองต่อการสร้างสรรค์โฆษณาแตกต่างกันไป สื่อ แบบอักษร คำกระตุ้นการตัดสินใจ — สิ่งเหล่านี้เป็นส่วนผสมที่สร้างสรรค์ที่ทำให้ผู้คนคลิกหรือสนใจ

ในขณะที่หลายคนมองว่าแมชชีนเลิร์นนิงเกี่ยวข้องกับข้อมูลเชิงปริมาณอย่างเคร่งครัด แต่ก็ไม่เป็นเช่นนั้น Rajiv Bhat รองประธานอาวุโสฝ่าย Data Sciences and Marketplace ของ InMobi กล่าวว่าระบบการวิเคราะห์เชิงคาดการณ์สามารถช่วยในการพัฒนาความคิดสร้างสรรค์ที่ดีขึ้นได้เช่นกัน:

ในระบบดังกล่าว ข้อมูลเกี่ยวกับโฆษณาที่ผ่านมาและแคมเปญที่ผ่านมาจะถูกบีบอัดเพื่อกำหนดอย่างแม่นยำว่าอะไรจะได้ผลสำหรับความพยายามอย่างต่อเนื่อง ด้วยแอปพลิเคชัน AI นี้ แบรนด์ต่างๆ สามารถเข้าใจได้ดีขึ้นว่าการส่งข้อความ แบบอักษร สี ภาพ ขนาดปุ่ม หรือรูปแบบต่างๆ ส่งผลต่อประสิทธิภาพแคมเปญโดยรวมอย่างไร”

อาจฟังดูคล้าย ๆ กัน แต่ระบบเช่นนี้ไม่ใช่เรื่องสมมุติ Bidalgo ซึ่งเป็นแพลตฟอร์มระบบอัตโนมัติสำหรับการตลาดผ่านแอปบนอุปกรณ์เคลื่อนที่ มีเครื่องมือที่ทำสิ่งนี้ได้อย่างแท้จริง เรียกว่า “Creative AI” บริการแมชชีนเลิร์นนิงนี้จะวิเคราะห์สื่อภาพเพื่อค้นหาแนวทางสร้างสรรค์ที่น่าจะประสบความสำเร็จ Rishi Shiva ซึ่งเป็น CMO กล่าวว่า:

ก่อนที่คุณจะลงทุนพัฒนาเนื้อหาวิดีโอมูลค่าหลายแสนดอลลาร์ คุณสามารถเรียกใช้รูปภาพและวิดีโอในอดีตผ่านระบบของเราได้ และมันจะให้ข้อมูลเชิงลึกแก่คุณ

คุณสามารถระบุได้ว่าโฆษณาใดมีผลกระทบเชิงบวกต่อผู้ชม และระบบเฉพาะนี้สามารถเจาะจงได้มากเท่ากับวิธีที่ผู้คนโพสท่าในภาพ หลังจากเสร็จสิ้น ซอฟต์แวร์จะส่งบทสรุปที่สร้างสรรค์สำหรับทีมเนื้อหาตามการวิเคราะห์

การประยุกต์ใช้แมชชีนเลิร์นนิงที่คล้ายกันซึ่งมีรายละเอียดอยู่ใน Journal of Consumer Psychology เกี่ยวข้องกับโครงการวิจัยที่จับคู่รูปภาพกับประเภทบุคลิกภาพ ในนั้น นักวิจัยใช้อัลกอริทึมเพื่อระบุคุณสมบัติที่แตกต่างกัน 89 รายการสำหรับรูปภาพ รวมถึงสี ความอิ่มตัวของสี ความหลากหลายของสี ระดับรายละเอียด จำนวนคน และอื่นๆ

ผู้เข้าร่วมการศึกษา 745 คนถูกขอให้ให้คะแนนภาพในระดับ 1-7 เมื่อทำเสร็จแล้ว พวกเขาได้ทำแบบทดสอบบุคลิกภาพโดยให้คะแนนพวกเขาใน 5 ด้าน ได้แก่ ความเปิดเผย ความมีมโนธรรม จากนั้น พวกเขาพยายามค้นหาว่าภาพใดดึงดูดบุคลิกลักษณะใด เหนือสิ่งอื่นใด พวกเขาค้นพบ:

• คนเปิดเผยชอบภาพที่เรียบง่ายและภาพที่ผู้คนสนใจ
• คนใจกว้างชอบภาพที่ไม่มีคนและสีโทนเย็นอย่างสีน้ำเงินและสีดำ
• คนที่มีอาการทางประสาทสูงชอบฉากที่สงบและกระตุ้นน้อยที่สุด

ในการศึกษาติดตามผล นักวิจัยพบว่าอาสาสมัครชอบภาพโฆษณาที่เหมาะกับบุคลิกของตน แต่ที่สำคัญกว่านั้น อัลกอริธึมการเรียนรู้ของเครื่องพบว่าความสัมพันธ์ระหว่างประเภทบุคลิกภาพและประเภทภาพลักษณ์อาจส่งผลต่อความสนใจของผู้บริโภคในผลิตภัณฑ์ ผู้คนไม่เพียงแค่ชอบภาพที่เข้ากับบุคลิกของพวกเขาเท่านั้น พวกเขารายงานทัศนคติที่ดีขึ้นและความตั้งใจในการซื้อต่อแบรนด์เหล่านี้ด้วย

3. เพิ่มความเกี่ยวข้องตามบริบท

ในทางทฤษฎี การออกแบบโฆษณาที่ดีควรจะเพียงพอที่จะสร้างการตอบสนองที่ดีจากกลุ่มเป้าหมายของคุณ แน่นอนว่ามันไม่ง่ายเลย

นอกเหนือจากการออกแบบมาอย่างดีแล้ว โฆษณาของคุณต้องทำงานบนแพลตฟอร์มที่เหมาะสม พร้อมการกำหนดเป้าหมายที่เหมาะสม ในเวลาที่เหมาะสม Bhat กล่าวว่านี่เป็นกระบวนการที่การเรียนรู้ของเครื่องกำลังปรับปรุง:

ตัวอย่างเช่น เป็นไปได้ว่าโฆษณาที่มีคอนทราสต์ของสีมากกว่าจะทำงานได้ดีกว่าในตอนกลางคืน หรือโฆษณาที่มีดารากีฬาแสดงได้ดีที่สุดในช่วงสุดสัปดาห์ AI สามารถให้ความละเอียดและข้อมูลเชิงลึกในระดับนี้เพื่อพัฒนาและประสิทธิภาพการสร้างสรรค์โฆษณา

ความเกี่ยวข้องทางบริบทมีความสำคัญมากขึ้นในขณะนี้ เนื่องจากหน่วยงานกำกับดูแลกำลังปราบปรามการใช้ข้อมูล GDPR ได้กำหนดข้อจำกัดเกี่ยวกับข้อมูล และประเทศอื่นๆ กำลังดำเนินการตามความเหมาะสม

แทนที่จะพึ่งพาข้อมูลผู้ชมอย่างเคร่งครัด เทคโนโลยีแมชชีนเลิร์นนิงถูกนำมาใช้มากขึ้นในการประมวลผลข้อมูลบนหน้าเว็บ และพวกเขากำลังทำมันด้วยวิธีการที่ซับซ้อนจนเกือบจะเป็นมนุษย์ Harmon Lyons รองประธานอาวุโสฝ่ายพัฒนาธุรกิจทั่วโลกของ IAS กล่าวว่า:

ความก้าวหน้าในปัจจุบันทำให้เส้นแบ่งระหว่างมนุษย์กับเครื่องจักรพร่ามัวอย่างเห็นได้ชัดจากการใช้งานอย่างเช่นการวิเคราะห์ความรู้สึก เครื่องจักรสามารถระบุและจัดหมวดหมู่ความคิดเห็นที่แสดงในข้อความได้มากขึ้น เพื่อตัดสินว่าทัศนคติของผู้เขียนที่มีต่อหัวข้อหรือผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่ง เป็นบวก ลบ หรือเป็นกลาง

ความแตกต่างที่นี่พัฒนาอยู่เสมอเมื่อภาษาขยายตัวและรวมถึงสิ่งต่าง ๆ เช่นการเสียดสีและอีโมติคอนเพื่อแสดงความหมาย ความก้าวหน้าอย่างรวดเร็วในการเรียนรู้เชิงลึกทำให้คอมพิวเตอร์สามารถประมวลผลภาพและวิดีโอในลักษณะที่เหมือนมนุษย์มากขึ้น

ในระดับพื้นฐาน ความเข้าใจในเนื้อหาของหน้าสามารถช่วยให้ผู้ลงโฆษณาและผู้เผยแพร่แสดงโฆษณาที่เกี่ยวข้องมากขึ้นได้ ในระดับที่ซับซ้อนยิ่งขึ้น จะช่วยให้ผู้ลงโฆษณาทำสิ่งที่น่าประทับใจได้

ตัวอย่างโวดาโฟน

ลองพิจารณาตัวอย่างจาก Vodafone ในสหราชอาณาจักร ซึ่งต้องการโฆษณาว่าจะสามารถพกพา iPhone X ได้ เนื่องจากแนวทางการใช้แบรนด์ที่มีข้อจำกัดสูงของ Apple ทำให้บริษัทประสบปัญหาในการกล่าวถึงผลิตภัณฑ์จริงๆ

ดังนั้น พวกเขาจึงใช้ประโยชน์จากเทคโนโลยีแมชชีนเลิร์นนิงจาก GumGum เมื่อปรับใช้ เทคโนโลยีนี้จะวิเคราะห์ภาพบนหน้าเว็บเพื่อค้นหาโฆษณาบน iPhone จากนั้นจึงวางโฆษณา Vodafone ไว้ด้านบน สิ่งนี้ชัดเจนเพียงพอสำหรับผู้บริโภค ซึ่งเข้าใจว่าบริษัทจะจำหน่าย iPhone ตามการเชื่อมโยงของโฆษณา

ตัวอย่างรถจี๊ป

Jeep ซึ่งเป็นลูกค้ารายอื่นของ GumGum ตัดสินใจข้ามการสร้างแบบจำลองพฤติกรรมและใช้ประโยชน์จากบริบทแทน ด้วยเทคโนโลยีแมชชีนเลิร์นนิง บริษัทสแกนหน้าเว็บเพื่อหารูปภาพของรุ่นที่แข่งขันกับรถเชอโรกี เช่น Toyota RAV4 จากนั้น เช่นเดียวกับ Vodafone พวกเขาวางโฆษณาไว้บนรุ่นที่แข่งขันกัน

นอกเหนือจากกรณีการใช้งานเหล่านี้แล้ว แมชชีนเลิร์นนิงยังสร้างชื่อเสียงให้กับแบรนด์ได้อีกด้วย ด้วยตัวอย่างที่เพิ่มขึ้นของโฆษณาแบบเป็นโปรแกรมที่ทำงานในตำแหน่งที่ไม่ปลอดภัยต่อแบรนด์ (เช่น ถัดจากเนื้อหาสุดโต่ง เป็นต้น) แมชชีนเลิร์นนิงสามารถช่วยผู้ลงโฆษณาป้องกันฝันร้ายของ PR ก่อนที่มันจะเกิดขึ้น และหลีกเลี่ยงการคว่ำบาตรไซต์และผู้ชมจำนวนมากที่อาจเกิดขึ้นได้ (เหมือนกับที่หลายๆ คนถูกบังคับให้ทำกับ YouTube)

4. กำหนดเป้าหมายกลุ่มที่กำหนดมากขึ้น

เป้าหมายของผู้ลงโฆษณาทุกรายมีความเกี่ยวข้องสูงสุด และวิธีการที่เกี่ยวข้องคือการแบ่งส่วน ยิ่งกลุ่มผู้ชมของคุณแคบลง คุณก็ยิ่งเข้าใกล้การนำเสนอการปรับเปลี่ยนในแบบ 1:1 ที่ลูกค้าต้องการมากขึ้นเท่านั้น

แต่เพื่อให้เข้าใกล้การปรับเปลี่ยนในแบบ 1:1 ได้ คุณต้องใช้ข้อมูลจำนวนมหาศาลเพื่อเริ่มต้น จากนั้น คุณต้องมีอัลกอริทึมการเรียนรู้ของเครื่องที่ซับซ้อนเพียงพอที่จะกรองข้อมูลและเปลี่ยนเป็นสิ่งที่ใช้งานได้

โชคดีที่คุณลักษณะเหล่านี้เป็นคุณลักษณะของเครือข่ายหลัก ๆ เช่น Facebook, Google และ LinkedIn พวกเขารวบรวมข้อมูลจำนวนมากเกี่ยวกับผู้ใช้ของพวกเขา เช่น งานอดิเรก ความสนใจ สถานที่ ตำแหน่งงาน ฯลฯ ซึ่งผู้โฆษณาสามารถใช้เพื่อจำกัดกลุ่มเป้าหมายให้แคบลง Gil Allouche ผู้ร่วมก่อตั้งและ CEO ของ Metadata.io กล่าวว่าข้อมูลเช่นนี้มีค่ามาก ทำให้ทำงานกับข้อมูลอื่นได้ง่ายขึ้น:

เพื่อไม่ให้ได้รับ "เมตา" มากเกินไปที่นี่ แต่เมทาดาทาคือข้อมูลที่ให้ข้อมูลเกี่ยวกับข้อมูลอื่น มาว่ากันใหม่ด้วยวิธีอื่น: ข้อมูลเมตาสรุปข้อมูลพื้นฐานเกี่ยวกับข้อมูล ซึ่งทำให้ค้นหาและทำงานกับอินสแตนซ์เฉพาะของข้อมูลได้ง่ายขึ้น จากข้อมูลของ Smart Insights “ข้อมูลเมตาจะวาดภาพเกี่ยวกับกิจวัตรประจำวัน การโต้ตอบ มุมมอง และความสัมพันธ์ของแต่ละคน และเหตุผลที่มันมีประโยชน์มากก็คือมันไม่โกหก

เมื่อคุณรวบรวมข้อมูลประเภทนี้ คุณจะได้สิ่งที่ Gil และทีมงานที่ Metadata.io เรียกว่า “บันทึกความรัก” สำหรับข้อมูลเชิงลึกทางธุรกิจในอนาคต” เพราะมันเป็น “การแสดงความจริงในรูปแบบลายลักษณ์อักษร”

สำหรับธุรกิจ ความจริงในรูปของข้อมูลลูกค้าไม่ใช่เรื่องง่ายที่จะได้มา ดังนั้นเมื่อมีการรวบรวมจำนวนมากและใช้ประโยชน์จากเครือข่ายเช่น Facebook และ Google มันจึงกลายเป็นวิธีที่มีประโยชน์ในการจำกัดกลุ่มเป้าหมายของคุณให้แคบลงให้เหลือกลุ่มเป้าหมายที่มีแนวโน้มสูงที่จะอ้างสิทธิ์ในข้อเสนอของคุณ

Facebook รวบรวมข้อมูลและอนุญาตให้คุณสร้างผู้ชม ที่สำคัญกว่านั้น แพลตฟอร์มนี้ใช้แมชชีนเลิร์นนิงเพื่อระบุว่าใครในกลุ่มผู้ชมนั้นมีแนวโน้มที่จะบรรลุวัตถุประสงค์ที่คุณเสนอราคามากที่สุด

ในขณะเดียวกัน แนวทางปฏิบัตินี้ก็ไม่มีประโยชน์หากคุณจำกัดผู้ชมเป้าหมายให้แคบลงและมอบประสบการณ์โฆษณาแบบเดียวกัน กิลพูดถูกเมื่อกล่าวว่า "โฆษณาที่ดีที่สุดในปัจจุบันคือเนื้อหาที่ดึงดูดใจและเป็นส่วนตัวพร้อมความหมายที่แท้จริงสำหรับผู้ชมของแบรนด์"

ผู้ชมแต่ละรายควรมีโฆษณาที่ปรับแต่งตามข้อมูลของตน และเพื่อให้ประสบการณ์นั้นดำเนินต่อไป โฆษณาแต่ละรายการควรนำผู้ใช้ไปยังหน้าหลังการคลิกซึ่งปรับให้เหมาะกับแต่ละบุคคลเท่าๆ กัน

ลองดูตัวอย่างนี้จาก Abreva ผู้สร้างโฆษณาที่แตกต่างกัน 119 รายการสำหรับผลิตภัณฑ์ของตนตามบริบทที่ดู เมื่อลูกค้าพบโฆษณาในวิดีโอเกี่ยวกับการซุบซิบดารา พวกเขาจะเห็นโฆษณาในลักษณะนี้:

แต่ถ้าพวกเขาเห็นโฆษณาในขณะที่ดูวิดีโอแนะนำ พวกเขาจะเห็นสิ่งนี้:

แคมเปญส่วนบุคคลนำไปสู่การเพิ่มการรับรู้และการพิจารณาที่สำคัญ Abreva สร้างการจำโฆษณาได้เพิ่มขึ้น 41% และความสนใจในการค้นหาบน Google และ YouTube เพิ่มขึ้น 342%

ในเครือข่ายอื่นๆ เช่น การค้นหาโดย Google การเรียนรู้ของเครื่องทำให้กระบวนการรวดเร็วยิ่งขึ้น ด้วยโฆษณาในเครือข่ายการค้นหาที่ปรับเปลี่ยนตามบริบท คุณสามารถป้อนบรรทัดแรก ข้อความ และคำอธิบายได้หลายเวอร์ชัน จากนั้น Google จะทดสอบและให้บริการโฆษณาที่มีประสิทธิภาพดีที่สุดเพียงรายการเดียว โดยเฉลี่ยแล้ว ผู้ลงโฆษณาที่ใช้คุณลักษณะนี้จะสร้างการคลิกเพิ่มขึ้น 15%

5. เสนอราคาอย่างมีกลยุทธ์มากขึ้น

ในการโฆษณาแบบเป็นโปรแกรม การแสดงผลทั้งหมดไม่คุ้มกับที่คุณยินดีเสนอราคา บางสิ่งเป็น. และบางอย่างมีค่ามากกว่านั้น

ด้วยแพลตฟอร์มด้านอุปสงค์ การประเมินการแสดงผลเหล่านี้ไม่จำเป็นต้องคาดเดาอีกต่อไป ด้วยการใช้เทคโนโลยีแมชชีนเลิร์นนิง แพลตฟอร์มเหล่านี้สามารถสร้างการเสนอราคาและการเพิ่มประสิทธิภาพที่ครั้งหนึ่งต้องใช้ผู้ซื้อที่มีประสบการณ์

ยกตัวอย่างเช่น Smart Bidding ของ Google ซึ่งเป็นกลยุทธ์การเสนอราคาอัตโนมัติที่ใช้แมชชีนเลิร์นนิงเพื่อเพิ่มประสิทธิภาพสำหรับ Conversion หรือมูลค่า Conversion ในทุกการประมูล สิ่งนี้เรียกว่า “การเสนอราคาตามเวลาจริงในการประมูล” จากข้อมูลของ Google มีกลยุทธ์ Smart Bidding อยู่ 5 ประเภท:

• • CPA เป้าหมาย: CPA เป้าหมายกำหนดราคาเสนอเพื่อช่วยให้ได้รับ Conversion มากที่สุดเท่าที่จะเป็นไปได้โดยที่หรือต่ำกว่าต้นทุนต่อการดำเนินการเป้าหมาย (CPA) ที่คุณตั้งไว้

• • ROAS เป้าหมาย: ROAS เป้าหมายให้คุณเสนอราคาตามผลตอบแทนเป้าหมายจากค่าโฆษณา (ROAS) กลยุทธ์นี้ช่วยให้คุณได้รับมูลค่า Conversion หรือรายได้มากขึ้นตามผลตอบแทนเป้าหมายจากค่าโฆษณา (ROAS) ที่คุณตั้งไว้

• • เพิ่มจำนวน Conversion สูงสุด: เพิ่มจำนวน Conversion สูงสุดโดยอัตโนมัติจะกำหนดราคาเสนอเพื่อช่วยให้แคมเปญของคุณได้รับ Conversion มากที่สุดโดยใช้งบประมาณของคุณ

• CPC ที่ปรับปรุงแล้ว: ราคาต่อหนึ่งคลิกที่ปรับปรุงแล้ว (ECPC) ช่วยให้คุณได้รับ Conversion มากขึ้นจากการเสนอราคาด้วยตนเอง ECPC ทำงานโดยปรับการเสนอราคาด้วยตนเองโดยอัตโนมัติสำหรับคลิกที่มีแนวโน้มว่าจะนำไปสู่การขายหรือการแปลงบนเว็บไซต์ของคุณมากหรือน้อย

ที่คุณเลือกขึ้นอยู่กับเป้าหมายของแคมเปญ งบประมาณ และปัจจัยอื่นๆ ไม่ว่าคุณจะมั่นใจได้อย่างไรว่าอัลกอริทึม Smart Bidding ของ Google ได้รับการฝึกอบรมมาเป็นอย่างดี ตามข้อมูลของ Google มีการรับและวิเคราะห์ข้อมูลอย่างต่อเนื่องเพื่อทำความเข้าใจว่าราคาเสนอและการแสดงผลใดมีประสิทธิภาพมากที่สุดสำหรับเป้าหมายที่คุณเลือก ข้อมูลนี้มีพารามิเตอร์ที่หลากหลายเกินกว่าทีมหรือบุคคลเดียวจะประมวลผลได้

ซึ่งรวมถึงปัจจัยพื้นฐาน เช่น อุปกรณ์และตำแหน่งที่สามารถปรับเปลี่ยนได้ด้วยตนเอง ตลอดจนสัญญาณอัตโนมัติที่มีเฉพาะใน Smart Bidding สิ่งเหล่านี้มีจำนวนมากกว่ามาก คุณสามารถค้นหาหลายรายการได้ที่นี่ รวมถึงพฤติกรรมของไซต์ คุณลักษณะของผลิตภัณฑ์ ตำแหน่งเว็บ และอื่นๆ

เนื่องจาก Smart Bidding สามารถเพิ่มประสิทธิภาพโดยอิงตามข้อมูลจากแคมเปญทั้งหมดของคุณ แม้แต่แคมเปญใหม่ก็สามารถเห็นประสิทธิภาพที่เพิ่มขึ้นได้ ถึงกระนั้น คุณไม่ควรตัดสินใจทางธุรกิจโดยพิจารณาจากผลลัพธ์ของแคมเปญจนกว่าคุณจะมีตัวอย่างที่มากพอ: อย่างน้อย 30 Conversion (50 สำหรับ ROAS เป้าหมาย) และ/หรือมากกว่าหนึ่งเดือนของเวลาทำงาน

เริ่มใช้แมชชีนเลิร์นนิงเพื่อเพิ่ม Conversion

ผู้ลงโฆษณาตั้งตารอที่จะใช้เทคโนโลยีปัจจุบันให้ดียิ่งขึ้นอยู่เสมอ นั่นคือกรณีของแมชชีนเลิร์นนิงเช่นเดียวกับเรื่องอื่น: แชทบอทที่ดีขึ้น การจดจำเสียง การประมวลผลภาพ ฯลฯ

แต่แมชชีนเลิร์นนิงสามารถส่งผลดีอย่างมากต่อแคมเปญของคุณ ในปัจจุบัน กลยุทธ์การเสนอราคา ครีเอทีฟ และที่สำคัญที่สุดคือการปรับเปลี่ยนในแบบของคุณ สามารถปรับปรุงแบบทวีคูณเมื่อคุณพบโมเดลแมชชีนเลิร์นนิงที่เหมาะกับคุณ ไม่ต้องสงสัยเลยว่ามีบางอย่างสำหรับทุกคน แม้ว่าจะเป็นเพียง Smart Bidding หรือโฆษณาในเครือข่ายการค้นหาที่ปรับเปลี่ยนตามบริบทของ Google

เรียนรู้วิธีใช้ประโยชน์จากแมชชีนเลิร์นนิงของคุณให้มากขึ้นด้วยการเชื่อมต่อแลนดิ้งเพจหลังการคลิกส่วนบุคคลจาก Instapage รับการสาธิตที่นี่