สามวิธีที่ผู้โฆษณาบนมือถือสามารถได้รับประโยชน์จากการเรียนรู้ของเครื่อง

แมชชีนเลิร์นนิงเป็นหนึ่งในสาขาที่ได้รับความสนใจมากที่สุดในช่วงที่ผ่านมา หัวข้อนี้อยู่ภายใต้การวิจัยเชิงทฤษฎีที่เข้มข้น การนำไปใช้จริงในอุตสาหกรรม รวมถึงความกลัวที่ไม่สมเหตุสมผลบางประการ (ส่วนใหญ่เกี่ยวกับหุ่นยนต์ที่ฆ่ามนุษย์ทั้งหมด)

แมชชีนเลิร์นนิงมักจะถูกกำหนดให้เป็น “ ปัญญาประดิษฐ์ ประเภทหนึ่ง (AI) ที่ให้คอมพิวเตอร์มีความสามารถในการทำงานบางอย่าง เช่น การจดจำ การวินิจฉัย การวางแผน การควบคุมหุ่นยนต์ การทำนาย ฯลฯ โดยไม่ได้ตั้งโปรแกรมไว้อย่างชัดเจน โดยมุ่งเน้นไปที่การพัฒนาอัลกอริธึมที่สามารถสอนตัวเองให้เติบโตและเปลี่ยนแปลงเมื่อเปิดเผยข้อมูลใหม่”

สิ่งนี้ทำให้เรามีคำถาม: แมชชีนเลิร์นนิงใช้ในอุตสาหกรรมโฆษณาบนมือถืออย่างไร เรานั่งคุยกับนักวิทยาศาสตร์ข้อมูลสองคนจาก AppLift Dr. Florian Hoppe และ Bruno Wozniak เพื่อทำความเข้าใจว่าอัลกอริธึมแมชชีนเลิร์นนิงสามารถช่วยขับเคลื่อนแคมเปญได้อย่างมีประสิทธิภาพและคุ้มค่ามากขึ้นได้อย่างไร

ต่อไปนี้คือตัวอย่างหลัก 3 ตัวอย่าง ได้แก่ การเสนอราคาแบบเรียลไทม์ (RTB) การกำหนดเป้าหมายที่คล้ายคลึงกัน และการปรับปรุงข้อมูลผู้ใช้

1.DSP ใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อเสนอราคาการรับส่งข้อมูล RTB

พื้นที่แรกของการโฆษณาบนอุปกรณ์เคลื่อนที่ที่สามารถปรับปรุงได้ด้วยแมชชีนเลิร์นนิง (ML) คือการเข้าชมการเสนอราคาแบบเรียลไทม์ (RTB) ในสภาพแวดล้อม RTB แพลตฟอร์มฝั่งดีมานด์ (DSP) จำเป็นต้อง กำหนดจำนวนเงินที่เหมาะสมที่สุดในการเสนอราคาสำหรับการแสดงผลเฉพาะทุก รายการ การแลกเปลี่ยนที่เปิดใช้งาน RTB ส่วนใหญ่จะอนุญาตให้มีเวลาแฝงในการตอบสนองสูงสุด 100 มิลลิวินาที ซึ่งหมายความว่าจะต้องสร้างการประเมินจากข้อมูลของการแสดงผลภายในระยะเวลาอันสั้น

ในการกำหนดราคาเสนอ อัลกอริทึมจำเป็นต้องประเมินความน่าจะเป็นของการแสดงผลซึ่งส่งผลให้มีการวัดประสิทธิภาพที่ดี เช่น อัตราการคลิกผ่าน (CTR) อัตราการแปลง/การติดตั้ง (CR/IR) และแม้แต่หลังการติดตั้ง เหตุการณ์ที่สามารถประมาณมูลค่าตลอดอายุการใช้งาน (LTV) การประเมินนี้ทำแบบเป็นโปรแกรม โดยใช้ข้อมูลที่ให้มาพร้อมกับการแสดงผล ไม่ว่าจะจากผู้เผยแพร่หรือจากแพลตฟอร์มการจัดการข้อมูล (DMP) รวมถึงข้อมูลจากบุคคลที่หนึ่งจากผู้ลงโฆษณาเป็นข้อมูลเข้า

อัลกอริธึม ML ใช้ตัวอย่างข้อมูลในอดีตเพื่อประเมินประสิทธิภาพในอนาคต ตัวอย่างเช่น พวกเขาสามารถระบุได้ว่าแบนเนอร์ที่มาจาก ISP เฉพาะ ระบบปฏิบัติการ เว็บไซต์ ข้อมูลประชากร ฯลฯ มีโอกาส 2% ที่จะทำให้เกิด Conversion ส่วนที่ยากที่สุดของการใช้ตัวอย่างข้อมูลในอดีตคือการรู้ว่าควรใช้ตัวอย่างใด (การกำหนดช่วงเวลาและคุณลักษณะอื่นๆ มากมาย) อัลกอริธึมมีประสิทธิภาพมากกว่ามนุษย์มากในการประเมินว่าแอตทริบิวต์ของการแสดงผลใดเป็นตัวทำนายที่ดีของประสิทธิภาพโฆษณาที่ดีกว่า เนื่องจากสามารถดูได้ทั้งหมดพร้อมกัน ในขณะที่มนุษย์ค่อนข้างจำกัดในการค้นหารูปแบบในชุดข้อมูลประวัติการเข้าชมโฆษณา

การตั้งค่าอัลกอริธึม ML ยังคงเป็นส่วนที่ยากที่สุด เนื่องจากนักวิทยาศาสตร์ด้านข้อมูลจำเป็นต้องตัดสินใจอย่างชาญฉลาดเกี่ยวกับตัวแปรจำนวนมากภายในอัลกอริธึม เช่น วิธีที่จะใช้ (เช่น โลจิสติก/การถดถอยปัวซอง, Bayesian Bandit; ดูรายการทั้งหมดที่นี่) ซึ่งมีความยาว ของช่วงเวลาในการจัดสรรเพื่อสร้างชุดข้อมูลในอดีต ตลอดจนรูปแบบการเข้ารหัสใดที่จะนำเสนอการแสดงผลให้กับอัลกอริทึมด้วย

2. กลุ่มสำหรับการกำหนดเป้าหมายที่คล้ายกันถูกกำหนดด้วยอัลกอริธึมการเรียนรู้ของเครื่อง

ฟิลด์ที่สองของการโฆษณาบนมือถือที่อัลกอริทึมการเรียนรู้ของเครื่องมาให้บริการคือการจัดกลุ่มผู้ชมและการกำหนดเป้าหมายที่คล้ายคลึงกัน ผู้ชมที่คล้ายคลึงกันกลายเป็นที่รู้จักมากขึ้นผ่าน Facebook ซึ่งข้อมูลบุคคลที่หนึ่งจำนวนมากทำให้ฟังก์ชันนี้มีประสิทธิภาพมาก

ทุกวันนี้ เครือข่ายโฆษณาและการแลกเปลี่ยนเสนอตัวเลือกการกำหนดเป้าหมายแบบละเอียดให้กับผู้ซื้อ อย่างน้อยก็ในระดับอุปกรณ์ ตัวอย่างเช่น คุณสามารถแสดงโฆษณาต่อผู้ใช้ Android ที่อาศัยอยู่ในเขตชิคาโก ส่วนที่ยากคือการรู้ว่าคลัสเตอร์หรือชุดของแอตทริบิวต์ใดที่เกี่ยวข้องกับเป้าหมายสำหรับวัตถุประสงค์เฉพาะ บทบาทของอัลกอริธึม ML คือการ ช่วยกำหนดกลุ่มผู้ชมที่ดีที่สุด ตามที่กำหนดโดยชุดแอตทริบิวต์เฉพาะ เพื่อกำหนดเป้าหมายกลุ่มที่คล้ายกัน – คล้ายคลึงกัน

โดยเฉพาะอย่างยิ่ง อัลกอริธึม ML จะกำหนดจากชุดของแอตทริบิวต์ที่มีอยู่ ซึ่งแอตทริบิวต์ที่เกี่ยวข้องมากที่สุดเพื่อบรรลุวัตถุประสงค์บางอย่าง ดังนั้นจึงสร้างกลุ่มผู้ชม เพื่อยกตัวอย่างที่ตรงไปตรงมา พวกเขาจะพบว่าผู้หญิงที่มีอายุมากกว่า 30 ปีมีแนวโน้มที่จะจบการสอนเล่นเกมให้จบ เจาะลึกลงไปอีกเล็กน้อย อัลกอริทึม ML จะได้รับกฎเพื่อกำหนดผู้ใช้ใหม่ให้กับกลุ่มที่กำหนดโดยอัตโนมัติ และในท้ายที่สุดคาดการณ์ว่าผู้ใช้รายนี้จะตอบสนองต่อโฆษณาที่กำหนดอย่างไร ด้วยทั้งคลัสเตอร์และกฎสำหรับการจัดสรรผู้ใช้ที่กำหนดไว้ การกำหนดเป้าหมายที่คล้ายคลึงกันสามารถนำมาใช้เพื่อแสดงโฆษณาเฉพาะต่อผู้ใช้ที่มีแนวโน้มสูงสุดในการแสดงความสนใจในผลิตภัณฑ์ที่โฆษณา

3. DMP ใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อปรับปรุงข้อมูลผู้ใช้

พื้นที่ที่สามที่อัลกอริธึมการเรียนรู้ของเครื่องช่วยปรับปรุงการโฆษณาบนอุปกรณ์เคลื่อนที่คือการเพิ่มประสิทธิภาพข้อมูลการแสดงผลสำหรับแพลตฟอร์มการจัดการข้อมูล (DMP) ในสภาพแวดล้อม RTB การแสดงผลมักจะมาพร้อมกับข้อมูลผู้ใช้และอุปกรณ์จากระดับผู้เผยแพร่ หลังสามารถครอบคลุมมากหรือน้อยขึ้นอยู่กับขอบเขตของข้อมูลที่รวบรวมโดยผู้จัดพิมพ์ อย่างไรก็ตาม มักไม่เพียงพอสำหรับผู้ซื้อในการตัดสินใจซื้อ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมแบบเป็นโปรแกรมที่มีความต้องการสูง ตัวอย่างเช่น ผู้เผยแพร่โฆษณาจำนวนไม่มากที่สามารถนำเสนอข้อมูลประชากรเกี่ยวกับผู้ใช้ (เฉพาะ Facebook และอีกไม่กี่แห่งเท่านั้นที่ทำได้) แต่ข้อมูลประเภทนี้มีความสำคัญต่อผู้ซื้อ นี่คือที่มาของ DMP เพื่อเพิ่มคุณค่าและเพิ่มข้อมูลด้านอุปทานเพื่อให้ภาพที่ดีขึ้นกับด้านอุปสงค์ ของสิ่งที่พวกเขาเสนอราคา

ในบริบทนี้ อัลกอริธึมแมชชีนเลิร์นนิงช่วยปรับปรุงการตัดสินใจซื้อโดยเพิ่มข้อมูลผู้ใช้สำหรับการแสดงผลแต่ละครั้ง ด้วยการใช้แบบจำลองทางสถิติที่สร้างแบบไดนามิก พวกเขาได้ข้อมูลที่เกี่ยวข้องเพิ่มเติมเกี่ยวกับผู้ใช้จากชุดข้อมูลของบุคคลที่สาม ผู้เผยแพร่สามารถให้ข้อมูลบุคคลที่สามนี้ได้โดยตรง (อุปกรณ์ แอพ หรือเว็บไซต์มือถือที่ผู้ใช้อยู่) หรืออาจมาจากชุดข้อมูลภายนอก (บทวิจารณ์ของผู้ใช้)

โดยเฉพาะอย่างยิ่ง โดยการกลั่นความสัมพันธ์ข้ามทางสถิติจากข้อมูลบุคคลที่สาม จากนั้น DMP จะอนุมานแอตทริบิวต์ที่ไม่รู้จักเป็นอย่างอื่นได้ เช่น ข้อมูลประชากรของผู้ใช้ ซึ่งมีความสำคัญต่อการกำหนดเป้าหมาย ในท้ายที่สุด อัลกอริธึมช่วยรับมือกับความไม่ถูกต้องโดยธรรมชาติของข้อมูลดังกล่าว โดยการคำนวณความน่าจะเป็นที่แอตทริบิวต์การแสดงผลที่กำหนดสามารถนำมาใช้เพื่อให้ได้มาซึ่งแอตทริบิวต์เพิ่มเติมซึ่งเฉพาะเจาะจงและเกี่ยวข้องกับผู้ลงโฆษณามากขึ้น ตัวอย่างเช่น พวกเขาสามารถคำนวณความเป็นไปได้ที่ผู้ใช้จะเป็นผู้ชาย อายุต่ำกว่า 21 ปี และเป็นผู้เล่นเกมวางแผนบ่อยครั้ง

ด้วยความช่วยเหลือของอัลกอริธึมการเรียนรู้ของเครื่อง ทำให้ DMP สามารถช่วยให้ DSP ปรับปรุงการกำหนดราคาเสนอสำหรับการแสดงผลเฉพาะได้

อัลกอริธึมแมชชีนเลิร์นนิงมีบทบาทสำคัญในระบบนิเวศ RTB บนมือถือ ซึ่งเป็นส่วนที่เพิ่มขึ้นของวงกลมโฆษณาบนมือถือและออนไลน์ องค์ประกอบทั่วไปของกรณีการใช้งานทั้งหมดข้างต้นคือข้อเท็จจริงที่ว่าอัลกอริทึมเปิดใช้งานการคาดคะเนแบบอัตโนมัติที่ปรับขนาดได้ตามข้อมูลในอดีต จุดแข็งสูงสุดของพวกเขาคือการช่วยให้ผู้ลงโฆษณาบนมือถือ พร้อมด้วยผู้เล่นรายอื่นๆ ของระบบนิเวศ adtech สามารถ เอาชนะข้อจำกัดของการวิเคราะห์เมตริกรวมสำหรับการตัดสินใจ แต่กลับทำให้สามารถเพิ่มประสิทธิภาพได้ในระดับที่ละเอียดที่สุดเท่าที่จะเป็นไปได้ นั่นคือ ทุกการโต้ตอบ ของผู้ใช้

คุณมีคำถามหรือต้องการแบ่งปันประสบการณ์การทำงานกับอัลกอริธึมการเรียนรู้ของเครื่องหรือไม่? แจ้งให้เราทราบในความคิดเห็น!

หมายเหตุ: เวอร์ชันของบทความนี้เผยแพร่ครั้งแรกในบล็อก AppLift

ชอบบทความนี้? ลงทะเบียนเพื่อรับอีเมลสรุปบล็อกของเรา