Makine Öğreniminin Dijital Reklamcılığı Nasıl Değiştirdiğini Gösteren 5 Örnek

Modern reklamcılıktaki tüm gelişmeler arasında çok azı makine öğreniminden daha heyecan verici. İşletmelerin veri toplama ve analiz etme şeklini değiştiriyor ve hatta yapay zeka ile reklam metin yazarlığını otomatikleştiriyor.

Ancak devrim niteliğindeki teknolojiyle birlikte büyük sorular da geliyor. Ne, neden ve nasıl çalışır? Bugün bunları ve daha fazlasını cevaplıyoruz.

Reklamcılıkta makine öğrenimi nedir?

Reklamcılıkta makine öğrenimi, reklam teknolojisinin verileri aldığı, analiz ettiği ve bir görevi iyileştirmek için sonuçları formüle ettiği süreci ifade eder. Daha basit bir ifadeyle: reklam teknolojisi böyle öğrenir.

Ne öğrendiği teknolojiye bağlıdır. Reklamcılıkla ilgili herhangi bir şey olabilir: medya satın alma, müşteri yolculuğu haritalama, izleyici segmentasyonu vb.

Bir makine öğrenimi teknolojisi ne kadar çok veri işlerse, o görev hakkında o kadar çok şey öğrenir ve onu tamamlamada o kadar iyi olur. Tıpkı bir insanın yapacağı gibi.

Makine öğrenimi ve yapay zeka arasındaki fark

Günümüzün en gelişmiş teknolojileri hakkındaki konuşmalarda “makine öğrenimi” ve “yapay zeka” terimlerini sık sık duyarsınız. İlişkilidirler, ancak birbirlerinin yerine geçemeyeceklerini bilmek önemlidir.

Makine öğrenimi belirli bir süreci ifade ederken: "Öğrenmek" ve işleyişini iyileştirmek için verileri kullanan makineler, yapay zeka daha geniş bir terimdir. Geleneksel olarak insan zekası gerektiren görevleri yerine getirebilen teknolojileri ifade eder. Bu nedenle makine öğrenimi, yapay zekanın bir yönüdür, ancak yapay zeka ile eşanlamlı değildir.

Neden makine öğrenimi?

Dijital işlemler ve perakende stoktan sunucu odalarının sıcaklığına kadar, modern işletmelerin izleyemeyeceği çok az şey vardır.

Ve daha fazla veri, iyileştirme için daha fazla fırsat anlamına gelse de, bu yalnızca onu analiz etmek için ihtiyacınız olan şeye sahipseniz geçerlidir. Ne yazık ki, çoğu işletme yok.

Raporlar, bugünün verilerinin yarısından fazlasının kullanılmadığını gösteriyor. "Karanlık veri" olarak bilinen verinin kullanılmamasının başlıca nedenleri şunlardır:

Araçların olmaması, eksik veriler, çok fazla veri ve silo haline getirilmiş sistemler, işletmelerin hedef kitlesinden en iyi şekilde yararlanmasını engelliyor. Tüm bu engellerin temelinde basit ama büyük bir sorun var: İnsanlar artık her şeyi yapamıyor. Tanımlanacak, toplanacak ve işlenecek çok fazla şey var.

Çözüm?

IAB'nin Mükemmellik Veri Merkezi'nde başkan yardımcısı ve genel müdür olan Orchid Richardson, yapay zeka olduğunu söylüyor:

Daha şimdiden, reklamverenlerin %95'i, hakkında neredeyse hiçbir şey bilmedikleri potansiyel müşterileri hedeflemek için kullanabilecekleri kişisel veriler, konum bilgileri ve ilgi alanları dahil olmak üzere petabaytlarca terabaytlarca demografik veriye sahip. Yapay zeka, bu verileri evcilleştirmenin ve bir sonraki seviyeye taşımanın bir yoludur.

Yapay zeka ile verileri evcilleştirmek ve onu "bir sonraki seviyeye" taşımak fütüristik bir kavram gibi görünse de, bu yıllardır olan bir şey. Yine de, reklamverenler yapay zekanın potansiyelinin yalnızca yüzeyini çizmeye başlıyor.

5 Reklamcılıkta makine öğrenimi örnekleri

Karmaşık işlemler perde arkasında gerçekleştiğinden, reklamcılıkta makine öğrenimini tespit etmek her zaman kolay değildir. En sevdiğiniz araçlardan bazılarının, kanıksadığınız içgörüleri sunmak için makine öğreniminden yararlanma olasılığı yüksektir.

İster yeni ister denenmiş ve gerçek olsun, makine öğreniminin reklamverenlerin yapmasına olanak sağladığı en önemli şeylerden birkaçı burada:

1. Beklenmedik içgörülerden yararlanın

İyi bir reklamcıysanız, reklamları hedeflenen veriler yardımıyla yayınlarsınız. Ancak bu verileri elde etme şekliniz mükemmel değil.

Teklifinizle ilgili her veri noktasını analiz etmek isteseniz de sınırlı bir bütçeyle çalışıyorsunuz. Bu da sizi başarılı bir reklam kampanyası yürütmek için gereken en önemli verilere öncelik vermeye zorlayacaktır. Bütçenize bağlı olarak önceliklendirme, çok az veri anlamına gelebilir.

Bununla birlikte, daha az belirgin olan bir konu da, teklifiniz ve hedef kitleniz hakkında yaptığınız varsayımların, reklam verme şeklinizi de sınırlayacağıdır. Örneğin: Ürününüz bir video oyunuysa, genç oyunculara ve onların orta yaşlı ebeveynlerine yönelik reklamlar yayınlayabilirsiniz, ancak büyükanne ve büyükbabaları veya daha yaşlı oyuncuları dikkate almayabilirsiniz. Bu tür varsayımlar gelirinize mal olabilir.

VentureBeat Transform 2018 Yapay Zeka Konferansında bu senaryo, Unity reklamveren çözümleri Başkan Yardımcısı Julie Shumaker tarafından sunuldu. Bu, makine öğreniminin çözebileceği türden bir sorundur:

Reklamverenlerin, 22 yaşındaki bir oyuncuya 17 dolarlık bir oyun kurulumu satmak gibi çok özel hedefleri olabileceğini söyledi. 65 yaşındaki bir kadını düşünmeyebilirler. Ancak makine öğrenimi, bu kadının üç gün boyunca yaklaşık 3,99 dolar harcayacağını ortaya çıkarabilir. Ve edinme maliyeti 75 sent ise, daha tipik reklam hedefleri için daha yüksek dolar hedefleri kadar iyi bir YG sağlar.

Makine öğrenimi teknolojileri, geniş veri kümelerini uygun maliyetli işleme yetenekleri nedeniyle, bütçe ve insan varsayımlarının sınırlayabileceği gelir fırsatlarını ortaya çıkarmak için harikadır.

Kitleler, dahili süreçler, teklif verme stratejileri veya daha fazlası hakkında içgörüler olsun, iyileştirme potansiyeli harika olabilir.

Bir pazarlama verileri platformu olan Singular'da İçgörülerden Sorumlu Başkan Yardımcısı John Koetsier, makine öğrenimi ile "çılgınca şeyleri deneyebilirsiniz" diyor.

Örneğin, Singular'ın müşterilerinden biri, herhangi bir gerçek oynanış göstermeden bir video oyunu reklamı yayınlamak gibi alışılmadık bir yaklaşım benimsedi. Sezgilere aykırı olan bu kampanya, hedef kitleleri arasında ürün hakkında çok fazla konuşma yarattı.

Koetsier, "Pek çok şeyi deneyebilirsiniz, çünkü makinenin neyin etki yarattığını gerçek zamanlı olarak anlamasına izin verebilirsiniz," dedi. "Aptalca şeyler yapabilirsin ve bazen aptalca şeyler akıllı şeylerdir."

2. Reklam kreatifini geliştirin

Kitleler, reklam kreatifine farklı tepkiler verir. Medya, yazı biçimi, harekete geçirici mesaj — bunlar, insanların tıklamasına veya dinlememesine neden olan yaratıcı içerikler arasındadır.

Birçoğu, makine öğreniminin kesinlikle nicel verileri içerdiğini düşünse de, durum böyle değil. InMobi'de Veri Bilimleri ve Pazar Yeri Kıdemli Başkan Yardımcısı Rajiv Bhat, tahmine dayalı bir analitik sisteminin daha iyi yaratıcılığın geliştirilmesine de yardımcı olabileceğini söylüyor:

Böyle bir sistemde, devam eden çabalar için tam olarak neyin işe yarayacağını belirlemek için geçmiş kreatifler ve geçmiş kampanyalarla ilgili veriler toplanır. Bu yapay zeka uygulamasıyla markalar, mesajlaşma, yazı tipleri, renkler, görüntüler, düğme boyutları veya biçimleri gibi her şeyin genel kampanya performansını nasıl etkilediğini daha iyi anlayabilir."

Kulağa öyle gelebilir ama böyle bir sistem varsayımsal değildir. Bir mobil uygulama pazarlama otomasyonu platformu olan Bidalgo, tam olarak bunu yapan bir araç sağlar. "Yaratıcı AI" olarak adlandırılan bu makine öğrenimi hizmeti, başarılı olma olasılığı yüksek yaratıcı yaklaşımlar bulmak için görsel medyayı analiz eder. CMO'su Rishi Shiva şöyle diyor:

Video varlıkları geliştirmek için yüzbinlerce dolar yatırım yapmadan önce, geçmiş görüntülerinizi ve videolarınızı sistemimiz aracılığıyla gerçekten çalıştırabilirsiniz ve bu size gerçekten fikir verecektir.

Hangi kreatifin kitle üzerinde olumlu bir etkisi olduğunu belirleyebilirsiniz. Ve bu özel sistem, insanların resimlerde poz verme biçimleri kadar spesifik olabilir. Bu yapıldıktan sonra yazılım, analize dayalı olarak içerik ekipleri için yaratıcı bir brief sunar.

Journal of Consumer Psychology'de ayrıntıları verilen benzer bir makine öğrenimi uygulaması, görüntüleri kişilik tipleriyle eşleştiren bir araştırma projesini içeriyor. İçinde araştırmacılar, görüntüler için ton, doygunluk, renk çeşitliliği, ayrıntı düzeyi, insan sayısı ve daha fazlası dahil olmak üzere 89 farklı özelliği tanımlamak için algoritmalar kullandılar.

Çalışmadaki 745 katılımcıdan görüntüleri 1-7 arasında derecelendirmeleri istendi. Bitirdiklerinde, kendilerini beş alanda derecelendiren bir kişilik testi tamamladılar: açıklık, vicdanlılık, dışadönüklük, uyumluluk ve nevrotiklik. Daha sonra hangi imgelerin hangi kişilik özelliklerine hitap ettiğini keşfetmeye çalıştılar. Diğer şeylerin yanı sıra şunları keşfettiler:

• Dışa dönük insanlar, insanları öne çıkaran basit görselleri ve görselleri tercih ettiler.
• Açık fikirli insanlar, içinde kimsenin olmadığı, mavi ve siyah gibi soğuk renklerin kullanıldığı resimleri tercih ediyorlardı.
• Nevrotikliği yüksek olan insanlar, sakin ve minimal düzeyde uyarıcı sahneleri severdi.

Bir takip çalışmasında araştırmacılar, deneklerin kişiliklerine uygun reklam resimlerini tercih ettiğini buldu. Ancak daha da önemlisi, makine öğrenimi algoritması, kişilik tipi ile imaj tipi arasındaki ilişkinin, tüketicinin bir ürüne olan ilgisini etkileyebileceğini buldu. İnsanlar sadece kişiliklerine uyan görüntüleri tercih etmiyorlardı. Bu markalara karşı da daha olumlu tutumlar ve satın alma niyetleri bildirdiler.

3. Bağlamsal alaka düzeyini artırın

Teorik olarak, harika bir reklam tasarlamak, hedef kitlenizden harika bir yanıt almak için yeterli olmalıdır. Tabii ki, asla o kadar kolay değil.

İyi tasarlanmış olmasının yanı sıra, reklamınızın doğru platformda, doğru hedeflemeyle, doğru zamanda yayınlanması gerekir. Bhat, bunun aynı zamanda makine öğreniminin geliştirdiği bir süreç olduğunu söylüyor:

Örneğin, daha fazla renk kontrastına sahip reklam öğelerinin geceleri daha iyi performans göstermesi veya spor yıldızlarının yer aldığı reklamların en iyi performansı hafta sonu göstermesi mümkündür. Yapay zeka, reklam kreatifi geliştirme ve performans için bu düzeyde ayrıntı düzeyi ve içgörü sağlayabilir.

Bağlamsal alaka düzeyi, düzenleyicilerin veri kullanımı konusunda katı önlemler almasıyla birlikte artık daha önemli hale geliyor. GDPR, verilere kısıtlamalar getirdi ve diğer ülkeler de aynı şeyi yapıyor.

Kitle verilerine tamamen güvenmek yerine, makine öğrenimi teknolojileri sayfa verilerini işlemek için giderek daha fazla kullanılıyor. Ve bunu o kadar karmaşık şekillerde yapıyorlar ki neredeyse insan gibiler. IAS Küresel İş Geliştirme Kıdemli Başkan Yardımcısı Harmon Lyons şöyle diyor:

Mevcut gelişmeler, duygu analizi gibi uygulamalarda açıkça görüldüğü gibi, insan ve makine arasındaki çizgileri bulanıklaştırıyor - makineler, yazarın belirli bir konuya veya ürüne yönelik tutumunun olup olmadığını belirlemek için bir metin parçasında ifade edilen görüşleri giderek daha fazla tanımlayıp kategorize edebiliyor. pozitif, negatif veya nötrdür.

Buradaki nüans, dil genişledikçe ve anlamı ifade etmek için iğneleme ve ifadeler gibi şeyler dahil ettikçe her zaman gelişmektedir. Derin öğrenmedeki hızlı ilerlemeler, bilgisayarların görüntüleri ve videoları daha insan benzeri bir şekilde işlemesine olanak tanıyor.

Temel düzeyde, bir sayfanın içeriğinin anlaşılması, reklamverenin ve yayıncının daha ilgili reklamlar sunmasına yardımcı olabilir. Daha karmaşık bir düzeyde, reklamverenlerin bazı etkileyici şeyler yapmasına izin veriyor.

Vodafone örneği

iPhone X'i taşıyacağının reklamını yapmak isteyen İngiltere'deki Vodafone örneğini ele alalım. Apple'ın son derece kısıtlayıcı marka kullanım yönergelerinin bir sonucu olarak, şirket üründen fiilen bahsetmekte zorlandı.

Böylece, GumGum'un makine öğrenimi teknolojisinden yararlandılar. Bu teknoloji devreye alındığında, iPhone reklamlarını bulmak için sayfadaki görüntüleri analiz etti ve ardından bunların üzerine Vodafone reklamlarını yerleştirdi. Bu, şirketin iPhone'u reklamların ilişkilendirmesine dayanarak taşıyacağını anlayan tüketiciler için yeterince açıktı.

Jeep örneği

Başka bir GumGum müşterisi olan Jeep, davranışsal modellemeyi atlamaya ve bunun yerine bağlamdan yararlanmaya karar verdi. Makine öğrenimi teknolojisiyle şirket, Toyota RAV4 gibi Cherokee'leriyle rekabet eden modellerin resimleri için web sayfalarını taradı. Ardından Vodafone gibi reklamlarını rakip modellerin üzerine yerleştirdiler.

Bu kullanım durumlarının ötesinde, makine öğrenimi marka itibarı için harika şeyler yapabilir. Marka açısından güvenli olmayan yerleşimlerde (örneğin, aşırılık yanlısı içeriğin yanında olduğu gibi) yayınlanan programatik reklamların artan örnekleriyle, makine öğrenimi, reklamverenlerin bir PR kabusunu gerçekleşmeden önce önlemesine ve bir siteyi ve potansiyel olarak büyük kitlesini boykot etmekten kaçınmasına yardımcı olabilir. (çoğunun YouTube ile yapmak zorunda kaldığı gibi.)

4. Daha tanımlanmış segmentleri hedefleyin

Her reklamverenin hedefi alaka düzeyinin zirvesidir. Ve alaka düzeyine giden yol segmentasyondur. Kitle segmentleriniz ne kadar daralırsa, müşterilerin can attığı 1:1 kişiselleştirmeyi sunmaya o kadar yaklaşırsınız.

Ancak 1:1 kişiselleştirmeye yakın bir yere ulaşmak için en başta çok büyük miktarda veriye ihtiyacınız var. Ardından, verileri elemek ve kullanılabilir bir şeye dönüştürmek için yeterince gelişmiş bir makine öğrenimi algoritmasına ihtiyacınız var.

Neyse ki, bunların ikisi de Facebook, Google ve LinkedIn gibi büyük ağların özellikleridir. Reklamverenlerin hedef segmentlerini daraltmak için kullanabilecekleri, kullanıcıları hakkında (hobiler, ilgi alanları, konum, iş unvanları vb.) Metadata.io'nun Kurucu Ortağı ve CEO'su Gil Allouche, bunun gibi verilerin çok değerli olduğunu ve diğer verilerle çalışmayı kolaylaştırdığını söylüyor:

Burada çok "meta" olmasın ama metadata diğer veriler hakkında bilgi sağlayan bilgidir. Bunu yine farklı bir şekilde söyleyelim: Meta veriler, verilerle ilgili temel bilgileri özetler, bu da belirli veri örneklerini bulmayı ve bunlarla çalışmayı kolaylaştırır. Smart Insights'a göre, “meta veriler, bireyin günlük rutini, etkileşimleri, bakış açıları ve çağrışımları hakkında bir resim çiziyor ve bu kadar yararlı olmasının nedeni yalan söylememesi.

Bu tür verileri bir araya getirdiğinizde, Gil ve Metadata.io'daki ekibin "gelecekteki iş içgörüleri için 'aşk notu'" dediği şeyi elde edersiniz çünkü bu "gerçeğin yazılı biçimde bir ifadesidir."

İşletmeler için müşteri bilgileri biçimindeki gerçeğe ulaşmak kolay değildir. Dolayısıyla, bol miktarda toplandığında ve Facebook ve Google gibi ağlar tarafından kullanıldığında, hedef kitlenizi, teklifinizi talep etme olasılığı daha yüksek bir kitleye önemli ölçüde daraltmak için değerli bir yol haline gelir.

Facebook veri toplar ve hedef kitleler oluşturmanıza olanak tanır. Daha da önemlisi, platform, teklif verdiğiniz hedefi tamamlama olasılığı en yüksek olan kitleyi belirlemek için makine öğrenimini kullanır.

Aynı zamanda, sadece hedef kitlenizi daraltırsanız ve aynı reklam deneyimini sunarsanız, bu uygulamanın hiçbir değeri yoktur. Gil, "Günümüzün en iyi reklamları, bir markanın hedef kitlesi için gerçek anlamı olan ilgi çekici, kişiselleştirilmiş içeriklerdir" derken haklıdır.

Her kitlenin, verilerine göre kişiselleştirilmiş bir reklamı olmalıdır. Ve bu deneyimi sürdürmek için, her bir reklam, kullanıcıları eşit derecede kişiselleştirilmiş bir tıklama sonrası sayfasına yönlendirmelidir.

Bu örneği, ürünleri için, görüntülendiği bağlama göre 119 farklı reklam oluşturan Abreva'dan alalım. Müşteriler, örneğin ünlülerin dedikodularıyla ilgili bir videoda reklamla karşılaştıklarında, onlara şuna benzer bir reklam gösterilir:

Ancak bir eğitim videosu izlerken bir reklam görürlerse, şöyle bir şey görürler:

Kişiselleştirilmiş kampanya, farkındalık ve üzerinde düşünmede büyük bir artışa yol açtı. Abreva, Google ve YouTube'da reklam hatırlanabilirliğinde %41, arama ilgisinde %342 artış sağladı.

Google arama gibi diğer ağlarda, makine öğrenimi süreci daha da hızlandırır. Duyarlı arama ağı reklamlarıyla birden çok başlık, metin ve açıklama sürümü girebilirsiniz; Google, en iyi performansı göstereni test edip sunar. Ortalama olarak, bu özelliği kullanan reklamverenler, tıklamalarda %15'lik bir artış elde edecektir.

5. Daha stratejik teklif verin

Programatik reklamcılıkta, tüm gösterimler, onlar için vermek istediğiniz teklife değmez. Bazıları. Ve bazıları daha da değerli.

Talep tarafı platformları sayesinde, bu gösterimleri değerlendirmek artık tahminde bulunmayı gerektirmiyor. Makine öğrenimi teknolojisini kullanan bu platformlar, bir zamanlar deneyimli alıcılar gerektiren teklifler ve optimizasyonlar yapabilir.

Örneğin Google'ın Akıllı Teklifini ele alalım: her açık artırmada dönüşümleri veya dönüşüm değerini optimize etmek için makine öğrenimini kullanan bir otomatik teklif stratejisi. Bu, "açık artırma anında teklif verme" olarak bilinir. Google'a göre, beş tür Akıllı Teklif stratejisi vardır:

• • Hedef EBM: Hedef EBM, belirlediğiniz işlem başına maliyet (EBM) hedefinde veya altında mümkün olduğunca çok dönüşüm elde etmenize yardımcı olacak teklifler belirler.

• • Hedef ROAS: Hedef ROAS, reklam harcamalarından elde edilen gelir (ROAS) hedefine göre teklif vermenizi sağlar. Bu strateji, belirlediğiniz reklam harcamalarından elde edilen gelir (ROAS) hedefinde daha fazla dönüşüm değeri veya gelir elde etmenize yardımcı olur.

• • Dönüşümleri En Üst Düzeye Çıkarma: Dönüşümleri En Üst Düzeye Çıkarma, bütçenizi harcarken kampanyanız için en fazla dönüşümü elde etmenize yardımcı olacak teklifleri otomatik olarak ayarlar.

• Geliştirilmiş TBM: Geliştirilmiş tıklama başına maliyet (GTBM), manuel teklif verme yoluyla daha fazla dönüşüm elde etmenize yardımcı olur. GTBM, web sitenizde bir satış veya dönüşümle sonuçlanma olasılığı daha yüksek veya daha düşük görünen tıklamalar için manuel tekliflerinizi otomatik olarak ayarlayarak çalışır.

Hangisini seçeceğiniz, kampanyanızın amacına, bütçenize ve diğer faktörlere bağlıdır. Ne olursa olsun, Google'ın Akıllı Teklif algoritmasının iyi eğitilmiş olduğundan emin olabilirsiniz. Google'a göre, seçtiğiniz hedef için hangi tekliflerin ve gösterimlerin en etkili olduğunu anlamak için sürekli olarak veri topluyor ve analiz ediyor. Bu veriler, herhangi bir ekibin veya kişinin işleyebileceğinden çok daha geniş bir parametre yelpazesi içerir.

Manuel olarak ayarlanabilen cihaz ve konum gibi temel faktörlerin yanı sıra Akıllı Teklif'e özgü otomatik sinyalleri içerir. Bunların sayısı çok daha fazladır. Site davranışı, ürün özellikleri, web yerleşimi ve daha fazlası dahil olmak üzere birkaçını burada bulabilirsiniz.

Akıllı Teklif, tüm kampanyalarınızdaki verilere dayalı olarak optimizasyon yapabildiğinden, yeni kampanyalar bile daha yüksek performans görebilir. Yine de, yeterince büyük bir örnek elde edene kadar kampanya sonuçlarına dayalı herhangi bir iş kararı vermemelisiniz: en az 30 dönüşüm (Hedef ROAS için 50) ve/veya bir aydan fazla çalışma süresi.

Dönüşümleri artırmak için makine öğrenimini kullanmaya başlayın

Reklamverenler her zaman mevcut teknolojilerin daha iyi uygulamalarını dört gözle beklemektedir. Bu, diğerleri kadar makine öğreniminde de geçerli: daha iyi sohbet robotları, ses tanıma, görüntü işleme vb.

Ancak makine öğreniminin bugünkü kampanyalarınız üzerinde büyük bir olumlu etkisi olabilir. Size uygun bir makine öğrenimi modeli bulduğunuzda teklif verme stratejileri, yaratıcı ve hepsinden önemlisi kişiselleştirme katlanarak gelişebilir. Şüphesiz, herkes için bir şeyler var. Yalnızca Akıllı Teklif veya Google'ın duyarlı arama ağı reklamları olsa bile.

Instapage'den kişiselleştirilmiş tıklama sonrası açılış sayfalarını birbirine bağlayarak makine öğrenimi çabalarınızdan nasıl daha fazla yararlanacağınızı öğrenin. Buradan bir demo alın.