機械学習がデジタル広告をどのように変えているかを示す5つの例

現代の広告におけるすべての進歩の中で、機械学習ほどエキサイティングなものはほとんどありません。 それは、企業がデータを収集および分析する方法、さらにはデータが実行できることさえも変えています。

しかし、革新的なテクノロジーには大きな問題が伴います。 何、なぜ、そしてどのように機能しますか？ 今日、私たちはこれらとより多くに答えます。

広告における機械学習とは何ですか？

広告における機械学習とは、広告テクノロジーがデータを取り込み、分析し、タスクを改善するための結論を導き出すプロセスを指します。 簡単に言えば、それは広告技術が学ぶ方法です。

それが何を学ぶかは技術に依存します。 メディア購入、カスタマージャーニーマッピング、オーディエンスセグメンテーションなど、広告に関連するものであれば何でもかまいません。

機械学習テクノロジーが処理するデータが多ければ多いほど、そのタスクについてより多くのことを学習し、タスクをより適切に完了することができます。 人間と同じように。

機械学習と人工知能の違い

今日の最も洗練されたテクノロジーについての会話で使用される「機械学習」や「人工知能」という用語をよく耳にします。 それらは関連していますが、互換性がないことを知っておくことが重要です。

機械学習とは特定のプロセスを指します。データを使用して機能を「学習」および改善する機械ですが、人工知能はより広い用語です。 これは、伝統的に人間の知性を必要とするタスクを実行できるテクノロジーを指します。 したがって、機械学習は人工知能の側面ですが、AIと同義ではありません。

なぜ機械学習なのか？

デジタル取引や小売在庫からサーバールームの温度まで、現代のビジネスが追跡できないものはほとんどありません。

データが増えると改善の機会が増えることを意味しますが、それはデータを分析するために必要なものがある場合にのみ当てはまります。 残念ながら、ほとんどの企業はそうではありません。

レポートによると、今日のデータの半分以上が未使用になっています。 「ダークデータ」として知られている、それが使用されていない主な理由は次のとおりです。

ツールの欠如、データの欠落、データの多さ、およびサイロ化されたシステムはすべて、企業がオーディエンスを最大限に活用することを妨げています。 これらすべての障害の根底にあるのは、単純ですが大きな問題です。人間はもはやそれをすべて行うことはできません。 識別、収集、処理するには多すぎます。

ソリューション？

IABのデータセンターオブエクセレンスのバイスプレジデント兼マネージングディレクターであるオーキッドリチャードソン氏は、AIだと述べています。

すでに、広告主の95％は、個人データ、位置情報、ほとんど何も知らない見込み客をターゲットにするために使用できる興味など、ペタバイト単位の人口統計データを持っています。 人工知能は、そのデータを飼いならして次のレベルに引き上げる方法です。

AIを使ってデータを使いこなし、「次のレベルに」引き上げるのは未来的な概念のように思えますが、それは何年にもわたって起こっていることです。 それでも、広告主はAIの可能性の表面をかじり始めたばかりです。

5広告における機械学習の例

複雑な処理が舞台裏で行われるため、広告での機械学習を見つけるのは必ずしも簡単ではありません。 お気に入りのツールのいくつかは、機械学習を活用して、当然のことと思っている洞察を提供する可能性があります。

それらが新しいものであろうと、試行錯誤されたものであろうと、機械学習が広告主にできる最大のことのいくつかをここに示します。

1.予期しない洞察を活用する

あなたが優れた広告主であれば、ターゲットを絞ったデータを利用して広告を掲載します。 しかし、そのデータを取得する方法は完璧ではありません。

オファーに関連するすべてのデータポイントを分析したい場合でも、限られた予算で運用しています。 そのため、広告キャンペーンを成功させるために必要な最も重要なデータに優先順位を付ける必要があります。 予算によっては、優先順位付けはデータがほとんどないことを意味します。

ただし、それほど明白ではない問題は、オファーとそのオーディエンスについて行う仮定によって、宣伝方法も制限されることです。 例：製品がビデオゲームの場合、若いプレーヤーとその中年の親に広告を掲載できますが、祖父母や年配のプレーヤーは考慮しません。 これらの種類の仮定はあなたに収入を犠牲にする可能性があります。

VentureBeat Transform 2018 AI Conferenceで、このシナリオはUnity広告主ソリューションVPのJulieShumakerによって発表されました。 これは、機械学習で修正できる問題の種類にすぎません。

広告主は、22歳のプレーヤーに17ドルのゲームインストールを販売するなど、非常に具体的な目標を持っている可能性があると彼女は語った。 彼らは65歳の女性のことを考えていないかもしれません。 しかし、機械学習により、この女性は3日間で約3.99ドルを費やす可能性が高いことが明らかになる可能性があります。 また、取得コストが75セントの場合、より一般的な広告ターゲットの高額な目標と同じくらい優れたROIが得られます。

膨大なデータセットを処理する費用効果の高い機能のために、機械学習テクノロジーは、予算や人間の想定が制限する可能性のある収益機会を明らかにするのに最適です。

オーディエンス、内部プロセス、入札戦略などに関する洞察であっても、改善の可能性は非常に高くなります。

機械学習を使用すると、「クレイジーなものを試すことができます」と、マーケティングデータプラットフォームであるSingularのInsights担当副社長であるJohnKoetsier氏は述べています。

たとえば、Singularのクライアントの1つは、実際のゲームプレイを表示せずにビデオゲームの広告を掲載するという型破りなアプローチを採用しました。 直感に反するキャンペーンは、ターゲットオーディエンスの間で製品について多くの会話を生み出しました。

「何が影響を生み出しているのかをマシンにリアルタイムで把握させることができるので、多くのことを試すことができます」とKoetsier氏は述べています。 「あなたは愚かなことをすることができます、そして時々愚かなことは賢いことです。」

2.広告クリエイティブを改善する

視聴者は広告クリエイティブに対して異なる反応を示します。 メディア、書体、召喚状—これらは、人々がクリックしたり、調整したりするための創造的な要素の1つです。

多くの人が機械学習には厳密に定量的なデータが含まれると考えていますが、そうではありません。 InMobiのデータサイエンスおよびマーケットプレイス担当シニアバイスプレジデントであるRajivBhatは、予測分析システムは、より優れたクリエイティブの開発にも役立つと述べています。

このようなシステムでは、過去のクリエイティブと過去のキャンペーンに関するデータを処理して、継続的な取り組みに何が役立つかを正確に判断します。 このAIのアプリケーションを使用すると、ブランドは、メッセージング、フォント、色、画像、ボタンサイズ、フォーマットなど、すべてがキャンペーン全体のパフォーマンスにどのように影響するかをよりよく理解できます。」

そのように聞こえるかもしれませんが、このようなシステムは架空のものではありません。 モバイルアプリのマーケティング自動化プラットフォームであるBidalgoは、これを正確に行うツールを提供します。 「クリエイティブAI」と呼ばれるこの機械学習サービスは、ビジュアルメディアを分析して、成功する可能性のあるクリエイティブなアプローチを見つけます。 そのCMOであるRishiShivaは次のように述べています。

ビデオアセットの開発に数十万ドルを投資する前に、実際に過去の画像やビデオをシステムで実行することができ、実際に洞察を得ることができます。

どのクリエイティブがオーディエンスにプラスの影響を与えたかを判断できます。 そして、この特定のシステムは、人々が画像でポーズをとる方法と同じくらい具体的になる可能性があります。 それが行われた後、ソフトウェアは分析に基づいてコンテンツチームにクリエイティブブリーフを提供します。

Journal of Consumer Psychologyで詳しく説明されている機械学習の同様のアプリケーションには、画像を性格タイプに一致させる研究プロジェクトが含まれます。 その中で、研究者はアルゴリズムを使用して、色相、彩度、色の多様性、詳細レベル、人数など、画像の89の異なる特徴を識別しました。

研究の745人の参加者は、1〜7のスケールで画像を評価するように求められました。 彼らが終わったとき、彼らは5つの領域で彼らを評価した性格検査を完了しました：開放性、誠実性、外向性、快感、そして神経症。 次に、どの画像がどの性格特性にアピールするかを発見しようとしました。 とりわけ、彼らは次のことを発見しました。

• 外向的な人々は、単純な画像と人々を特集した画像を好みました
• オープンマインドな人々は、人がいない、青や黒のようなクールな色の写真を好みました
• 神経症傾向の高い人々は、穏やかで刺激の少ないシーンが好きでした

追跡調査で、研究者は被験者が自分の性格に合った広告画像を好むことを発見しました。 しかし、さらに重要なことに、機械学習アルゴリズムは、性格タイプと画像タイプの関係が、製品に対する消費者の関心に影響を与える可能性があることを発見しました。 人々は自分の個性に合った画像を好むだけではありませんでした。 彼らはまた、これらのブランドに対してより好ましい態度と購入意向を報告しました。

3.コンテキストの関連性を高める

理論的には、優れた広告をデザインすることで、ターゲットオーディエンスから優れた反応を生み出すのに十分なはずです。 もちろん、それは決して簡単なことではありません。

適切に設計されていることに加えて、広告は適切なプラットフォームで適切なターゲティングを使用して適切なタイミングで掲載する必要があります。 Bhatは、これは機械学習が改善しているプロセスでもあると言います。

たとえば、色のコントラストが高いクリエイティブのパフォーマンスが夜間に向上したり、スポーツスターを取り上げた広告が週末に最も効果的に機能したりする可能性があります。 AIは、このレベルの粒度と洞察を広告クリエイティブの開発とパフォーマンスに提供できます。

規制当局がデータ使用量を取り締まっている今、文脈上の関連性はますます重要になっています。 GDPRはデータに制限を課しており、他の国もそれに追随しています。

オーディエンスデータに厳密に依存する代わりに、機械学習テクノロジーがページ上のデータの処理にますます使用されています。 そして、彼らは非常に複雑な方法でそれを行っており、ほとんど人間です。 IASのグローバルビジネス開発担当シニアバイスプレジデントであるハーモンライオンズは次のように述べています。

現在の進歩は、感情分析などのアプリケーションで明らかなように、人間と機械の境界線を曖昧にしています-機械は、特定のトピックまたは製品に対する作家の態度を判断するために、テキストで表現された意見を識別および分類することがますます可能になっていますポジティブ、ネガティブ、またはニュートラルです。

ここでのニュアンスは、言語が拡大するにつれて常に進化しており、意味を表現するための皮肉や顔文字などが含まれています。 ディープラーニングの急速な進歩により、コンピューターはより人間らしい方法で画像やビデオを処理できるようになりました。

基本的なレベルでは、ページのコンテンツを理解することで、広告主とサイト運営者がより関連性の高い広告を配信できるようになります。 より複雑なレベルでは、広告主がいくつかの印象的なことを行うことができます。

ボーダフォンの例

英国のVodafoneの例を考えてみましょう。この例では、iPhone Xを搭載することを宣伝したいと考えていました。Appleの非常に制限されたブランド使用ガイドラインの結果、同社は実際に製品について言及するのに苦労しました。

そこで、彼らはGumGumの機械学習テクノロジーを利用しました。 このテクノロジーを導入すると、ページ上の画像を分析してiPhone広告を見つけ、その上にVodafone広告を配置しました。 これは、同社が広告の関連付けに基づいてiPhoneを携帯することを理解していた消費者にとっては十分に明白でした。

ジープの例

別のGumGumクライアントであるJeepは、行動モデリングをスキップし、代わりにコンテキストを利用することにしました。 同社は機械学習技術を使用して、トヨタRAV4などのチェロキーと競合するモデルの画像をWebページでスキャンしました。 次に、Vodafoneのように、競合するモデルの上に広告を配置しました。

これらのユースケースを超えて、機械学習はブランドの評判に素晴らしいことをすることができます。 ブランドが安全でないプレースメント（過激派コンテンツの隣など）で実行されるプログラマティック広告のインスタンスが増えると、機械学習は、広告主がPRの悪夢を未然に防ぎ、サイトとその潜在的に大勢のオーディエンスをボイコットする必要をなくすのに役立ちます。 （多くの人がYouTubeでやらなければならなかったように。）

4.より定義されたセグメントをターゲットにする

すべての広告主の目標は、関連性のピークです。 そして、関連性への道はセグメンテーションです。 オーディエンスセグメントが狭くなるほど、顧客が切望する1：1のパーソナライズを提供することに近づきます。

しかし、1：1のパーソナライズに近づけるには、そもそも大量のデータが必要です。 次に、データをふるいにかけて使用可能なものに変換するのに十分な高度な機械学習アルゴリズムが必要です。

幸いなことに、これらは両方ともFacebook、Google、LinkedInなどの主要なネットワークの機能です。 趣味、興味、場所、役職など、ユーザーに関する膨大なデータのコレクションを蓄積し、広告主はこれを使用してターゲットセグメントを絞り込むことができます。 Metadata.ioの共同創設者兼CEOであるGilAlloucheは、このようなデータは非常に価値があるため、他のデータを簡単に操作できると述べています。

ここでは「メタ」になりすぎないようにしますが、メタデータは他のデータに関する情報を提供する情報です。 もう一度別の方法で言いましょう。メタデータはデータに関する基本情報を要約するため、データの特定のインスタンスを見つけて操作するのが簡単になります。 Smart Insightsによると、「メタデータは、個人の日常生活、相互作用、視点、関連性についての絵を描きます。メタデータが非常に役立つ理由は、嘘をつかないからです。

この種のデータを収集すると、GilとMetadata.ioのチームが、「書面による真実の表現」であるため、「将来のビジネス洞察のための「ラブノート」」と呼ぶものが得られます。

企業にとって、顧客情報という形での真実を知ることは容易ではありません。 したがって、FacebookやGoogleなどのネットワークで大量に収集されて活用されると、ターゲットオーディエンスをオファーを主張する可能性の高いオーディエンスに大幅に絞り込むための貴重な方法になります。

Facebookはデータを収集し、オーディエンスを作成できるようにします。 さらに重要なことに、プラットフォームは機械学習を使用して、そのオーディエンスの中で誰があなたが入札している目的を達成する可能性が最も高いかを判断します。

同時に、単にターゲットオーディエンスを絞り込み、同じ広告エクスペリエンスを提供する場合、この方法は無意味です。 ギルは、「今日の最高の広告は、ブランドのオーディエンスにとって真の意味を持つ魅力的でパーソナライズされたコンテンツです」と言ったときは正しいです。

各オーディエンスは、そのデータに基づいてパーソナライズされた広告を持っている必要があります。 そして、その体験を継続するために、各広告は、同様にパーソナライズされたクリック後のページにユーザーを誘導する必要があります。

視聴されたコンテキストに基づいて製品の119の異なる広告を作成した、Abrevaのこの例を見てください。顧客が、たとえば有名人のゴシップに関するビデオで広告に遭遇すると、次のような広告が表示されます。

しかし、ビデオチュートリアルを見ているときに広告を見た場合、次のようなものが表示されます。

パーソナライズされたキャンペーンは、意識と配慮の大幅な向上につながりました。 Abrevaは、GoogleとYouTubeでの広告想起を41％向上させ、検索インタレストを342％向上させました。

Google検索などの他のネットワークでは、機械学習によってプロセスがさらに高速になります。 レスポンシブ検索広告を使用すると、見出し、コピー、説明の複数のバージョンを入力できます。Googleは、1人の最高のパフォーマンスをテストして提供します。 この機能を使用する広告主は、平均してクリック数が15％増加します。

5.より戦略的に入札する

プログラマティック広告では、すべてのインプレッションがあなたがそれらに入札しても構わないと思っている価値があるわけではありません。 いくつかあります。 そして、いくつかはさらに価値があります。

デマンドサイドプラットフォームのおかげで、これらのインプレッションを評価するために推測を行う必要がなくなりました。 これらのプラットフォームは、機械学習テクノロジーを使用して、かつては経験豊富なバイヤーが必要だった入札と最適化を行うことができます。

たとえば、Googleのスマート入札を考えてみましょう。機械学習を使用して、すべてのオークションでコンバージョンまたはコンバージョン値を最適化する自動入札戦略です。 これは「オークション時間入札」として知られています。 Googleによると、スマート入札戦略には5つのタイプがあります。

• ターゲットCPA：ターゲットCPAは、設定したターゲットアクション単価（CPA）以下で可能な限り多くのコンバージョンを獲得できるように入札単価を設定します。
• ターゲットROAS：ターゲットROASを使用すると、ターゲット広告費用対効果（ROAS）に基づいて入札できます。 この戦略は、設定した目標の広告費用対効果（ROAS）でより多くのコンバージョン値または収益を得るのに役立ちます。
• コンバージョンの最大化：コンバージョンの最大化は、予算を使いながらキャンペーンで最も多くのコンバージョンを獲得できるように入札単価を自動的に設定します。
• 強化されたクリック単価：強化されたクリック単価（ECPC）は、手動入札からより多くのコンバージョンを獲得するのに役立ちます。 ECPCは、ウェブサイトでの販売やコンバージョンにつながる可能性が高いと思われるクリックの手動入札単価を自動的に調整することで機能します。

どちらを選択するかは、キャンペーンの目標、予算、およびその他の要因によって異なります。 とにかく、Googleのスマート入札アルゴリズムは十分に訓練されていると確信できます。 Googleによると、選択した目標に最も効果的な入札単価とインプレッションを把握するために、常にデータを取得して分析しています。 このデータには、単一のチームや個人が処理できるよりもはるかに広い範囲のパラメーターが含まれています。

これには、手動で調整できるデバイスや場所などの基本的な要素と、スマート入札に固有の自動信号が含まれます。 これらの数ははるかに多いです。 ここでは、サイトの動作、製品の属性、Webの配置など、いくつかを見つけることができます。

スマート入札ではすべてのキャンペーンのデータに基づいて最適化できるため、新しいキャンペーンでもパフォーマンスが向上する可能性があります。 それでも、十分なサンプルが得られるまで、キャンペーンの結果に基づいてビジネス上の決定を下すべきではありません。少なくとも30回のコンバージョン（ターゲットROASの場合は50回）、および/または1か月以上の実行時間です。

機械学習を使用してコンバージョンを促進します

広告主は常に現在の技術のより良いアプリケーションを楽しみにしています。 これは、他のどの機械学習と同じように、より優れたチャットボット、音声認識、画像処理などに当てはまります。

しかし、機械学習は今日のキャンペーンに大きなプラスの影響を与える可能性があります。 自分に合った機械学習モデルを見つけると、入札戦略、創造性、そして何よりもパーソナライズが飛躍的に向上します。 間違いなく、誰にとっても何かがあります。 スマート入札やGoogleのレスポンシブ検索広告であっても。

Instapageからパーソナライズされたクリック後のランディングページを接続して、機械学習の取り組みをさらに活用する方法を学びましょう。 ここでデモを入手してください。