展示机器学习如何改变数字广告的 5 个示例

在现代广告的所有进步中，没有什么比机器学习更令人兴奋的了。 它正在改变企业收集和分析数据的方式，甚至使用 AI 自动编写广告文案。

但随着革命性技术的出现，大问题也随之而来。 它是什么、为什么以及如何工作？ 今天我们回答这些以及更多。

广告中的机器学习是什么？

广告中的机器学习是指广告技术获取数据、分析数据并制定结论以改进任务的过程。 简而言之：这就是广告技术的学习方式。

它学到什么取决于技术。 它可以是与广告相关的任何事物：媒体购买、客户旅程图、受众细分等。

机器学习技术处理的数据越多，它对任务的了解就越多，完成任务的效果就越好。 就像人类一样。

机器学习与人工智能的区别

在谈论当今最复杂的技术时，您会经常听到术语“机器学习”和“人工智能”。 它们是相关的，但重要的是要知道它们不可互换。

虽然机器学习指的是一个特定的过程：机器使用数据来“学习”并改进其功能，但人工智能是一个更广泛的术语。 它指的是可以执行传统上需要人类智能的任务的技术。 因此，机器学习是人工智能的一个方面，但它并不是人工智能的同义词。

为什么是机器学习？

从数字交易和零售库存到服务器机房的温度，几乎没有什么是现代企业无法追踪的。

尽管更多的数据意味着更多的改进机会，但只有当您拥有分析数据所需的内容时，情况才会如此。 不幸的是，大多数企业都没有。

报告显示，当今超过一半的数据未被使用。 它被称为“暗数据”，未被使用的主要原因如下：

缺乏工具、缺失数据、太多数据和孤立的系统都阻碍了企业充分利用他们的受众。 所有这些障碍的根源是一个简单但主要的问题：人类不能再做所有事情了。 有太多东西需要识别、收集和处理。

解决方案？

IAB 卓越数据中心的副总裁兼董事总经理 Orchid Richardson 说这是人工智能：

95% 的广告商已经拥有数 TB 甚至 PB 的人口统计数据，包括个人数据、位置信息和兴趣，他们可以使用这些数据来定位他们几乎一无所知的潜在客户。 人工智能是一种驯服数据并将其提升到新水平的方法。

虽然利用 AI 驯服数据并将其“提升到一个新的水平”似乎是一个未来主义的概念，但它已经发生了很多年。 尽管如此，广告商才刚刚开始触及 AI 潜力的皮毛。

广告中机器学习的 5 个例子

广告中的机器学习并不总是很容易被发现，因为复杂的处理过程发生在幕后。 您最喜欢的一些工具很可能会利用机器学习来提供您认为理所当然的见解。

无论它们是新的还是久经考验的，这里有一些机器学习使广告商能够做的最重要的事情：

1. 利用意想不到的见解

如果您是一个优秀的广告商，您可以在有针对性的数据的帮助下投放广告。 但是获取数据的方式并不完美。

尽管您可能想要分析与您的报价相关的每个数据点，但您的运营预算有限。 这将迫使您优先考虑运行成功的广告活动所需的最重要的数据。 根据您的预算确定优先级可能意味着数据很少。

然而，一个不太明显的问题是，您对报价及其受众所做的假设也会限制您做广告的方式。 例如：如果您的产品是视频游戏，您可能会向年轻玩家及其中年父母投放广告，但不会考虑祖父母或年长玩家。 这些类型的假设可能会损失您的收入。

在 VentureBeat Transform 2018 AI 大会上，Unity 广告商解决方案副总裁 Julie Shumaker 介绍了这个场景。 这只是机器学习可以解决的问题类型：

她说，广告商可能有非常具体的目标，比如向 22 岁的玩家出售价值 17 美元的游戏安装包。 他们可能不会想到一个 65 岁的女人。 但机器学习可能会揭示这位女士可能会在三天内花费大约 3.99 美元。 如果购置成本为 75 美分，则其产生的投资回报率与更典型广告目标的更高美元目标一样好。

机器学习技术具有处理大量数据的成本效益能力，非常适合发现预算和人类假设可能会限制的收入机会。

无论是对受众、内部流程、投标策略还是更多方面的见解，改进的潜力都是巨大的。

借助机器学习，“您可以尝试疯狂的事情，”营销数据平台 Singular 的洞察力副总裁 John Koetsier 说。

例如，Singular 的一位客户采用了一种非常规的方法，即在不显示任何实际游戏玩法的情况下投放视频游戏广告。 违反直觉的活动在目标受众中引发了很多关于产品的讨论。

“你可以尝试很多很多事情，因为你可以让机器实时找出产生影响的因素，”Koetsier 说。 “你可以做愚蠢的事情，有时愚蠢的事情是聪明的事情。”

2.改进广告创意

观众对广告创意的反应不同。 媒体、字体、号召性用语——这些都是让人们点击或退出的创意要素。

虽然许多人认为机器学习涉及严格的定量数据，但事实并非如此。 InMobi 数据科学和市场高级副总裁 Rajiv Bhat 表示，预测分析系统也可以帮助开发更好的创意：

在这样的系统中，过去的创意和过去的活动的数据被处理，以准确地确定什么对正在进行的工作有效。 通过人工智能的这种应用，品牌可以更好地了解消息传递、字体、颜色、图像、按钮大小或格式等所有内容如何影响整体活动绩效。”

听起来可能是这样，但这样的系统并不是假设的。 Bidalgo 是一个移动应用营销自动化平台，它提供的工具可以准确地做到这一点。 这项名为“创意人工智能”的机器学习服务分析视觉媒体，以寻找可能成功的创意方法。 其首席营销官 Rishi Shiva 表示：

在您投入数十万美元开发视频资产之前，您实际上可以通过我们的系统运行您的历史图像和视频，它实际上会给您一些见解。

您可以确定哪些创意对受众产生了积极影响。 这个特定的系统可以像人们在图像中摆姿势的方式一样具体。 完成后，该软件会根据分析为内容团队提供创意简报。

《消费者心理学杂志》中详细介绍了机器学习的一个类似应用，涉及一个将图像与性格类型相匹配的研究项目。 在其中，研究人员使用算法来识别图像的 89 种不同特征，包括色调、饱和度、颜色多样性、细节层次、人数等。

该研究的 745 名参与者被要求以 1-7 的等级对图像进行评分。 完成后，他们完成了一项性格测试，该测试从五个方面对他们进行了评分：开放性、责任心、外向性、宜人性和神经质。 然后，他们试图发现哪些图像吸引了哪些人格特质。 除其他外，他们发现：

• 外向的人更喜欢简单的图像和有人物特色的图像
• 心胸开阔的人更喜欢没有人物、蓝黑等冷色调的照片
• 高度神经质的人喜欢平静和刺激性最低的场景

在后续研究中，研究人员发现受试者更喜欢适合他们个性的广告图片。 但更重要的是，机器学习算法发现个性类型和图像类型之间的关系可能会影响消费者对产品的兴趣。 人们不仅仅喜欢符合他们个性的图像。 他们也报告了对这些品牌更有利的态度和购买意向。

3. 提高上下文相关性

从理论上讲，设计出色的广告应该足以引起目标受众的强烈反响。 当然，这从来都不是那么容易。

除了精心设计之外，您的广告还需要在正确的平台上以正确的定位在正确的时间投放。 Bhat 说这也是机器学习正在改进的一个过程：

例如，颜色对比度更高的创意可能在晚上表现更好，或者以体育明星为主角的广告在周末效果最好。 AI 可以为广告创意开发和性能提供这种级别的粒度和洞察力。

由于监管机构正在打击数据使用，上下文相关性变得越来越重要。 GDPR 对数据施加了限制，其他国家也纷纷效仿。

机器学习技术不再严格依赖受众数据，而是越来越多地用于处理页面数据。 他们正在以非常复杂的方式来做这件事，他们几乎是人类。 IAS 全球业务发展高级副总裁 Harmon Lyons 说：

当前的进步正在模糊人与机器之间的界限，这在情感分析等应用中很明显——机器越来越能够识别和分类一段文本中表达的观点，以确定作者对特定主题或产品的态度是正面的、负面的或中性的。

这里的细微差别总是随着语言的扩展而演变，包括讽刺和表情符号等表达意义的东西。 深度学习的快速发展使计算机能够以更像人类的方式处理图像和视频。

在基础层面上，了解页面内容可以帮助广告商和发布商提供更相关的广告。 在更复杂的层面上，它允许广告商做一些令人印象深刻的事情。

沃达丰示例

以英国 Vodafone 为例，该公司想要宣传其将携带 iPhone X。由于 Apple 严格限制品牌使用指南，该公司实际上很难提及该产品。

因此，他们利用了 GumGum 的机器学习技术。 部署后，该技术分析页面图像以查找 iPhone 广告，然后将 Vodafone 广告置于其上。 这对消费者来说已经足够清楚了，他们知道公司会根据广告联想来销售 iPhone。

吉普车例子

GumGum 的另一个客户 Jeep 决定跳过行为建模，而是利用上下文。 凭借其机器学习技术，该公司扫描网页以查找与他们的切诺基竞争的车型图像，例如丰田 RAV4。 然后，像沃达丰一样，他们将广告放在竞争机型之上。

除了这些用例之外，机器学习还可以为品牌声誉做出巨大贡献。 随着越来越多的程序化广告投放在品牌不安全的位置（例如极端主义内容旁边），机器学习可以帮助广告商在公关噩梦发生之前预防它，并避免不得不抵制网站及其潜在的大量受众（就像许多人被迫使用 YouTube 一样。）

4. 瞄准更明确的细分市场

每个广告商的目标都是最高相关性。 相关性的方法是细分。 您的受众群体越窄，您就越接近提供客户渴望的 1:1 个性化服务。

但要获得接近 1:1 的个性化，您首先需要大量数据。 然后，你需要一个足够复杂的机器学习算法来筛选数据并将其转化为可用的东西。

幸运的是，这些都是 Facebook、Google 和 LinkedIn 等主要网络的功能。 他们收集了大量关于用户的数据——爱好、兴趣、位置、职位等——广告商可以使用这些数据来缩小他们的目标细分市场。 Metadata.io 的联合创始人兼首席执行官 Gil Allouche 表示，这样的数据非常有价值，因为它可以更轻松地处理其他数据：

在这里不要太“元”，但元数据是提供有关其他数据的信息的信息。 让我们换一种方式再说一遍：元数据总结了有关数据的基本信息，这使得查找和使用特定数据实例变得更加容易。 根据 Smart Insights 的说法，“元数据描绘了一幅关于个人日常生活、互动、观点和联想的图画，它之所以如此有用，是因为它不会说谎。

当你收集这类数据时，你会得到 Gil 和 Metadata.io 的团队所说的“未来商业洞察力的‘情书’”，因为它是“以书面形式表达真相”。

对于企业来说，客户信息形式的真相并不容易获得。 因此，当它被大量收集并被 Facebook 和 Google 等网络利用时，它就成为一种有价值的方式，可以将您的目标受众显着缩小到更有可能要求您提供的人。

Facebook 收集数据并允许您创建受众。 更重要的是，该平台使用机器学习来确定受众中谁最有可能完成您竞标的目标。

同时，如果您只是缩小目标受众范围并提供相同的广告体验，这种做法毫无价值。 吉尔说得对：“当今最好的广告是引人入胜的个性化内容，对品牌的受众具有真正的意义。”

每个受众都应该有一个基于其数据的个性化广告。 为了延续这种体验，每个广告都应将用户引导至同样个性化的点击后页面。

以 Abreva 的这个例子为例，他根据观看的上下文为他们的产品制作了 119 个不同的广告。当客户在有关名人八卦的视频中看到广告时，他们会看到这样的广告：

但是，如果他们在观看视频教程时看到广告，他们会看到如下内容：

个性化的活动大大提高了认知度和考虑度。 Abreva 在 Google 和 YouTube 上的广告回想度提高了 41%，搜索兴趣提高了 342%。

在谷歌搜索等其他网络上，机器学习使这个过程更快。 使用响应式搜索广告，您可以输入多个版本的标题、文案和描述，Google 将测试并投放效果最佳的广告。 平均而言，使用此功能的广告商将产生 15% 的点击次数提升。

5.更有策略地出价

在程序化广告中，并非所有展示都值得您愿意为其出价。 有些是。 有些甚至更值钱。

多亏了需求方平台，评估这些印象不再需要猜测。 使用机器学习技术，这些平台可以进行出价和优化，而这曾经需要有经验的买家才能完成。

以 Google 的智能出价为例：一种自动出价策略，使用机器学习来优化每次拍卖中的转化次数或转化价值。 这被称为“拍卖时间出价”。 根据谷歌的说法，有五种智能出价策略：

• • 目标每次转化费用：目标每次转化费用设置出价，以帮助在等于或低于您设置的目标每次操作费用 (CPA) 的情况下获得尽可能多的转化。

• • 目标 ROAS：目标 ROAS 可让您根据目标广告支出回报率 (ROAS) 出价。 此策略可帮助您以您设定的目标广告支出回报率 (ROAS) 获得更多转化价值或收入。

• • 最大化转化：最大化转化会自动设置出价，以帮助您在花费预算的同时为您的广告系列获得最多的转化。

• 智能点击付费：智能点击付费 (ECPC) 可帮助您通过人工出价获得更多转化。 智能点击付费的工作原理是自动调整您对似乎或多或少可能在您的网站上促成销售或转化的点击的手动出价。

您选择哪一个取决于您的广告系列目标、预算和其他因素。 无论如何，您可以确信 Google 的智能出价算法训练有素。 据谷歌称，它会不断获取和分析数据，以了解哪些出价和印象对您选择的目标最有效。 该数据包含的参数范围比任何单个团队或个人所能处理的范围都要广得多。

它包括可手动调整的设备和位置等基本因素，以及智能出价独有的自动信号。 这些数量要多得多。 您可以在这里找到几个，包括网站行为、产品属性、网络布局等等。

由于智能出价可以根据您所有广告系列的数据进行优化，因此即使是新广告系列也能提升效果。 尽管如此，在您拥有足够大的样本之前，您不应该根据活动结果做出任何业务决策：至少 30 次转化（目标 ROAS 为 50 次）和/或超过一个月的运行时间。

开始使用机器学习来提高转化率

广告商总是期待当前技术得到更好的应用。 机器学习和其他任何事物一样都是如此：更好的聊天机器人、语音识别、图像处理等。

但是机器学习可以对您今天的活动产生重大的积极影响。 当您找到适合您的机器学习模型时，出价策略、创意，最重要的是个性化，可以成倍地提高。 毫无疑问，每个人都能找到适合自己的东西。 即使只是智能出价，或谷歌的自适应搜索广告。

了解如何通过连接来自 Instapage 的个性化点击后登录页面，从您的机器学习工作中获得更多收益。 在此处获取演示。