展示機器學習如何改變數字廣告的 5 個示例

在現代廣告的所有進步中，沒有什麼比機器學習更令人興奮的了。 它正在改變企業收集和分析數據的方式，甚至使用 AI 自動編寫廣告文案。

但隨著革命性技術的出現，大問題也隨之而來。 它是什麼、為什麼以及如何工作？ 今天我們回答這些以及更多。

廣告中的機器學習是什麼？

廣告中的機器學習是指廣告技術獲取數據、分析數據並製定結論以改進任務的過程。 簡而言之：這就是廣告技術的學習方式。

它學到什麼取決於技術。 它可以是與廣告相關的任何事物：媒體購買、客戶旅程圖、受眾細分等。

機器學習技術處理的數據越多，它對任務的了解就越多，完成任務的效果就越好。 就像人類一樣。

機器學習與人工智能的區別

在談論當今最複雜的技術時，您會經常聽到術語“機器學習”和“人工智能”。 它們是相關的，但重要的是要知道它們不可互換。

雖然機器學習指的是一個特定的過程：機器使用數據來“學習”並改進其功能，但人工智能是一個更廣泛的術語。 它指的是可以執行傳統上需要人類智能的任務的技術。 因此，機器學習是人工智能的一個方面，但它並不是人工智能的同義詞。

為什麼是機器學習？

從數字交易和零售庫存到服務器機房的溫度，幾乎沒有什麼是現代企業無法追踪的。

儘管更多的數據意味著更多的改進機會，但只有當您擁有分析數據所需的內容時，情況才會如此。 不幸的是，大多數企業都沒有。

報告顯示，當今超過一半的數據未被使用。 它被稱為“暗數據”，未被使用的主要原因如下：

缺乏工具、缺失數據、太多數據和孤立的系統都阻礙了企業充分利用他們的受眾。 所有這些障礙的根源是一個簡單但主要的問題：人類不能再做所有事情了。 有太多東西需要識別、收集和處理。

解決方案？

IAB 卓越數據中心的副總裁兼董事總經理 Orchid Richardson 說這是人工智能：

95% 的廣告商已經擁有數 TB 甚至 PB 的人口統計數據，包括個人數據、位置信息和興趣，他們可以使用這些數據來定位他們幾乎一無所知的潛在客戶。 人工智能是一種馴服數據並將其提升到新水平的方法。

雖然利用 AI 馴服數據並將其“提升到一個新的水平”似乎是一個未來主義的概念，但它已經發生了很多年。 儘管如此，廣告商才剛剛開始觸及 AI 潛力的皮毛。

廣告中機器學習的 5 個例子

廣告中的機器學習並不總是很容易被發現，因為複雜的處理過程發生在幕後。 您最喜歡的一些工具很可能會利用機器學習來提供您認為理所當然的見解。

無論它們是新的還是久經考驗的，這裡有一些機器學習使廣告商能夠做的最重要的事情：

1. 利用意想不到的見解

如果您是一個優秀的廣告商，您可以在有針對性的數據的幫助下投放廣告。 但是獲取數據的方式並不完美。

儘管您可能想要分析與您的報價相關的每個數據點，但您的運營預算有限。 這將迫使您優先考慮運行成功的廣告活動所需的最重要的數據。 根據您的預算確定優先級可能意味著數據很少。

然而，一個不太明顯的問題是，您對報價及其受眾所做的假設也會限制您做廣告的方式。 例如：如果您的產品是視頻遊戲，您可能會向年輕玩家及其中年父母投放廣告，但不會考慮祖父母或年長玩家。 這些類型的假設可能會損失您的收入。

在 VentureBeat Transform 2018 AI 大會上，Unity 廣告商解決方案副總裁 Julie Shumaker 介紹了這個場景。 這只是機器學習可以解決的問題類型：

她說，廣告商可能有非常具體的目標，比如向 22 歲的玩家出售價值 17 美元的遊戲安裝包。 他們可能不會想到一個 65 歲的女人。 但機器學習可能會揭示這位女士可能會在三天內花費大約 3.99 美元。 如果購置成本為 75 美分，則其產生的投資回報率與更典型廣告目標的更高美元目標一樣好。

機器學習技術具有處理大量數據的成本效益能力，非常適合發現預算和人類假設可能會限制的收入機會。

無論是對受眾、內部流程、投標策略還是更多方面的見解，改進的潛力都是巨大的。

借助機器學習，“您可以嘗試瘋狂的事情，”營銷數據平台 Singular 的洞察力副總裁 John Koetsier 說。

例如，Singular 的一位客戶採用了一種非常規的方法，即在不顯示任何實際遊戲玩法的情況下投放視頻遊戲廣告。 違反直覺的活動在目標受眾中引發了很多關於產品的討論。

“你可以嘗試很多很多事情，因為你可以讓機器實時找出產生影響的因素，”Koetsier 說。 “你可以做愚蠢的事情，有時愚蠢的事情是聰明的事情。”

2.改進廣告創意

觀眾對廣告創意的反應不同。 媒體、字體、號召性用語——這些都是讓人們點擊或退出的創意要素。

雖然許多人認為機器學習涉及嚴格的定量數據，但事實並非如此。 InMobi 數據科學和市場高級副總裁 Rajiv Bhat 表示，預測分析系統也可以幫助開發更好的創意：

在這樣的系統中，過去的創意和過去的活動的數據被處理，以準確地確定什麼對正在進行的工作有效。 通過人工智能的這種應用，品牌可以更好地了解消息傳遞、字體、顏色、圖像、按鈕大小或格式等所有內容如何影響整體活動績效。”

聽起來可能是這樣，但這樣的系統並不是假設的。 Bidalgo 是一個移動應用營銷自動化平台，它提供的工具可以準確地做到這一點。 這項名為“創意人工智能”的機器學習服務分析視覺媒體，以尋找可能成功的創意方法。 其首席營銷官 Rishi Shiva 表示：

在您投入數十萬美元開發視頻資產之前，您實際上可以通過我們的系統運行您的歷史圖像和視頻，它實際上會給您一些見解。

您可以確定哪些創意對受眾產生了積極影響。 這個特定的系統可以像人們在圖像中擺姿勢的方式一樣具體。 完成後，該軟件會根據分析為內容團隊提供創意簡報。

《消費者心理學雜誌》中詳細介紹了機器學習的一個類似應用，涉及一個將圖像與性格類型相匹配的研究項目。 在其中，研究人員使用算法來識別圖像的 89 種不同特徵，包括色調、飽和度、顏色多樣性、細節層次、人數等。

該研究的 745 名參與者被要求以 1-7 的等級對圖像進行評分。 完成後，他們完成了一項性格測試，該測試從五個方面對他們進行了評分：開放性、責任心、外向性、宜人性和神經質。 然後，他們試圖發現哪些圖像吸引了哪些人格特質。 除其他外，他們發現：

• 外向的人更喜歡簡單的圖像和有人物特色的圖像
• 心胸開闊的人更喜歡沒有人物、藍黑等冷色調的照片
• 高度神經質的人喜歡平靜和刺激性最低的場景

在後續研究中，研究人員發現受試者更喜歡適合他們個性的廣告圖片。 但更重要的是，機器學習算法發現個性類型和圖像類型之間的關係可能​​會影響消費者對產品的興趣。 人們不僅僅喜歡符合他們個性的圖像。 他們也報告了對這些品牌更有利的態度和購買意向。

3. 提高上下文相關性

從理論上講，設計出色的廣告應該足以引起目標受眾的強烈反響。 當然，這從來都不是那麼容易。

除了精心設計之外，您的廣告還需要在正確的平台上以正確的定位在正確的時間投放。 Bhat 說這也是機器學習正在改進的一個過程：

例如，顏色對比度更高的創意可能在晚上表現更好，或者以體育明星為主角的廣告在周末效果最好。 AI 可以為廣告創意開發和性能提供這種級別的粒度和洞察力。

由於監管機構正在打擊數據使用，上下文相關性變得越來越重要。 GDPR 對數據施加了限制，其他國家也紛紛效仿。

機器學習技術不再嚴格依賴受眾數據，而是越來越多地用於處理頁面數據。 他們正在以非常複雜的方式來做這件事，他們幾乎是人類。 IAS 全球業務發展高級副總裁 Harmon Lyons 說：

當前的進步正在模糊人與機器之間的界限，這在情感分析等應用中很明顯——機器越來越能夠識別和分類一段文本中表達的觀點，以確定作者對特定主題或產品的態度是正面的、負面的或中性的。

這裡的細微差別總是隨著語言的擴展而演變，包括諷刺和表情符號等表達意義的東西。 深度學習的快速發展使計算機能夠以更像人類的方式處理圖像和視頻。

在基礎層面上，了解頁面內容可以幫助廣告商和發布商提供更相關的廣告。 在更複雜的層面上，它允許廣告商做一些令人印象深刻的事情。

沃達丰示例

以英國 Vodafone 為例，該公司想要宣傳其將攜帶 iPhone X。由於 Apple 嚴格限製品牌使用指南，該公司實際上很難提及該產品。

因此，他們利用了 GumGum 的機器學習技術。 部署後，該技術分析頁面圖像以查找 iPhone 廣告，然後將 Vodafone 廣告置於其上。 這對消費者來說已經足夠清楚了，他們知道公司會根據廣告聯想來銷售 iPhone。

吉普車例子

GumGum 的另一個客戶 Jeep 決定跳過行為建模，而是利用上下文。 憑藉其機器學習技術，該公司掃描網頁以查找與他們的切諾基競爭的車型圖像，例如豐田 RAV4。 然後，像沃達丰一樣，他們將廣告放在競爭機型之上。

除了這些用例之外，機器學習還可以為品牌聲譽做出巨大貢獻。 隨著越來越多的程序化廣告投放在品牌不安全的位置（例如極端主義內容旁邊），機器學習可以幫助廣告商在公關噩夢發生之前預防它，並避免不得不抵製網站及其潛在的大量受眾（就像許多人被迫使用 YouTube 一樣。）

4. 瞄準更明確的細分市場

每個廣告商的目標都是最高相關性。 相關性的方法是細分。 您的受眾群體越窄，您就越接近提供客戶渴望的 1:1 個性化服務。

但要獲得接近 1:1 的個性化，您首先需要大量數據。 然後，你需要一個足夠複雜的機器學習算法來篩選數據並將其轉化為可用的東西。

幸運的是，這些都是 Facebook、Google 和 LinkedIn 等主要網絡的功能。 他們收集了大量關於用戶的數據——愛好、興趣、位置、職位等——廣告商可以使用這些數據來縮小他們的目標細分市場。 Metadata.io 的聯合創始人兼首席執行官 Gil Allouche 表示，這樣的數據非常有價值，因為它可以更輕鬆地處理其他數據：

在這裡不要太“元”，但元數據是提供有關其他數據的信息的信息。 讓我們換一種方式再說一遍：元數據總結了有關數據的基本信息，這使得查找和使用特定數據實例變得更加容易。 根據 Smart Insights 的說法，“元數據描繪了一幅關於個人日常生活、互動、觀點和聯想的圖畫，它之所以如此有用，是因為它不會說謊。

當你收集這類數據時，你會得到 Gil 和 Metadata.io 的團隊所說的“未來商業洞察力的‘情書’”，因為它是“以書面形式表達真相”。

對於企業來說，客戶信息形式的真相並不容易獲得。 因此，當它被大量收集並被 Facebook 和 Google 等網絡利用時，它就成為一種有價值的方式，可以將您的目標受眾顯著縮小到更有可能要求您提供的人。

Facebook 收集數據並允許您創建受眾。 更重要的是，該平台使用機器學習來確定受眾中誰最有可能完成您競標的目標。

同時，如果您只是縮小目標受眾範圍並提供相同的廣告體驗，這種做法毫無價值。 吉爾說得對：“當今最好的廣告是引人入勝的個性化內容，對品牌的受眾具有真正的意義。”

每個受眾都應該有一個基於其數據的個性化廣告。 為了延續這種體驗，每個廣告都應將用戶引導至同樣個性化的點擊後頁面。

以 Abreva 的這個例子為例，他根據觀看的上下文為他們的產品製作了 119 個不同的廣告。當客戶在有關名人八卦的視頻中看到廣告時，他們會看到這樣的廣告：

但是，如果他們在觀看視頻教程時看到廣告，他們會看到如下內容：

個性化的活動大大提高了認知度和考慮度。 Abreva 在 Google 和 YouTube 上的廣告回想度提高了 41%，搜索興趣提高了 342%。

在谷歌搜索等其他網絡上，機器學習使這個過程更快。 使用響應式搜索廣告，您可以輸入多個版本的標題、文案和描述，Google 將測試並投放效果最佳的廣告。 平均而言，使用此功能的廣告商將產生 15% 的點擊次數提升。

5.更有策略地出價

在程序化廣告中，並非所有展示都值得您願意為其出價。 有些是。 有些甚至更值錢。

多虧了需求方平台，評估這些印像不再需要猜測。 使用機器學習技術，這些平台可以進行出價和優化，而這曾經需要有經驗的買家才能完成。

以 Google 的智能出價為例：一種自動出價策略，使用機器學習來優化每次拍賣中的轉化次數或轉化價值。 這被稱為“拍賣時間出價”。 根據谷歌的說法，有五種智能出價策略：

• • 目標每次轉化費用：目標每次轉化費用設置出價，以幫助在等於或低於您設置的目標每次操作費用 (CPA) 的情況下獲得盡可能多的轉化。

• • 目標 ROAS：目標 ROAS 可讓您根據目標廣告支出回報率 (ROAS) 出價。 此策略可幫助您以您設定的目標廣告支出回報率 (ROAS) 獲得更多轉化價值或收入。

• • 最大化轉化：最大化轉化會自動設置出價，以幫助您在花費預算的同時為您的廣告系列獲得最多的轉化。

• 智能點擊付費：智能點擊付費 (ECPC) 可幫助您通過人工出價獲得更多轉化。 智能點擊付費的工作原理是自動調整您對似乎或多或少可能在您的網站上促成銷售或轉化的點擊的手動出價。

您選擇哪一個取決於您的廣告系列目標、預算和其他因素。 無論如何，您可以確信 Google 的智能出價算法訓練有素。 據谷歌稱，它會不斷獲取和分析數據，以了解哪些出價和印像對您選擇的目標最有效。 該數據包含的參數範圍比任何單個團隊或個人所能處理的範圍都要廣得多。

它包括可手動調整的設備和位置等基本因素，以及智能出價獨有的自動信號。 這些數量要多得多。 您可以在這裡找到幾個，包括網站行為、產品屬性、網絡佈局等等。

由於智能出價可以根據您所有廣告系列的數據進行優化，因此即使是新廣告系列也能提升效果。 儘管如此，在您擁有足夠大的樣本之前，您不應該根據活動結果做出任何業務決策：至少 30 次轉化（目標 ROAS 為 50 次）和/或超過一個月的運行時間。

開始使用機器學習來提高轉化率

廣告商總是期待當前技術得到更好的應用。 機器學習和其他任何事物一樣都是如此：更好的聊天機器人、語音識別、圖像處理等。

但是機器學習可以對您今天的活動產生重大的積極影響。 當您找到適合您的機器學習模型時，出價策略、創意，最重要的是個性化，可以成倍地提高。 毫無疑問，每個人都能找到適合自己的東西。 即使只是智能出價，或谷歌的自適應搜索廣告。

了解如何通過連接來自 Instapage 的個性化點擊後登錄頁面，從您的機器學習工作中獲得更多收益。 在此處獲取演示。