기계 학습이 디지털 광고를 어떻게 변화시키고 있는지 보여주는 5가지 예

현대 광고의 모든 발전 중에서 기계 학습보다 더 흥미로운 것은 거의 없습니다. 기업이 데이터를 수집하고 분석하는 방식과 데이터가 할 수 있는 일까지도 변화시키고 있습니다.

그러나 혁신적인 기술에는 큰 질문이 따릅니다. 무엇을, 왜, 어떻게 작동합니까? 오늘 우리는 이것들과 그 이상에 답합니다.

광고에서 머신 러닝이란 무엇입니까?

광고에서 머신 러닝은 광고 기술이 데이터를 가져와 분석하고 결론을 공식화하여 작업을 개선하는 프로세스를 의미합니다. 간단히 말해서 광고 기술이 학습하는 방식입니다.

그것이 배우는 것은 기술에 달려 있습니다. 미디어 구매, 고객 여정 매핑, 잠재고객 세분화 등 광고와 관련된 모든 것이 될 수 있습니다.

머신 러닝 기술이 처리하는 데이터가 많을수록 해당 작업에 대해 더 많이 배우고 더 잘 완료할 수 있습니다. 인간이 그러하듯이.

머신러닝과 인공지능의 차이점

오늘날의 가장 정교한 기술에 대한 대화에서 "머신 러닝" 및 "인공 지능"이라는 용어를 자주 듣게 될 것입니다. 그것들은 관련되어 있지만 상호 교환할 수 없다는 것을 아는 것이 중요합니다.

머신 러닝은 특정 프로세스를 의미하지만, 데이터를 사용하여 "학습"하고 기능을 개선하는 머신이지만 인공 지능은 더 넓은 용어입니다. 전통적으로 인간의 지능이 필요한 작업을 수행할 수 있는 기술을 말합니다. 따라서 기계 학습은 인공 지능의 한 측면이지만 AI와 동의어는 아닙니다.

왜 머신러닝인가?

디지털 거래 및 소매 재고에서 서버실의 온도에 이르기까지 현대 비즈니스에서는 추적할 수 없는 것이 거의 없습니다.

더 많은 데이터가 더 많은 개선 기회를 의미하지만 분석에 필요한 데이터가 있는 경우에만 해당됩니다. 불행히도 대부분의 기업은 그렇지 않습니다.

보고서에 따르면 오늘날 데이터의 절반 이상이 사용되지 않고 있습니다. "다크 데이터"로 알려진 이 데이터가 사용되지 않는 가장 큰 이유는 다음과 같습니다.

도구 부족, 누락된 데이터, 너무 많은 데이터 및 사일로화된 시스템은 모두 기업이 청중을 최대한 활용하는 데 방해가 됩니다. 이 모든 장애물의 근원에는 간단하지만 중요한 문제가 있습니다. 인간이 더 이상 모든 것을 할 수 없다는 것입니다. 식별하고 수집하고 처리해야 할 것이 너무 많습니다.

해결책?

IAB의 Data Center of Excellence의 부사장 겸 전무 이사인 Orchid Richardson은 이것이 AI라고 말합니다.

이미 광고주의 95%가 개인 데이터, 위치 정보 및 관심 분야를 포함하여 거의 아무것도 모르는 잠재 고객을 타겟팅하는 데 사용할 수 있는 페타바이트 규모의 인구 통계 데이터를 보유하고 있습니다. 인공 지능은 해당 데이터를 길들여 다음 단계로 끌어올리는 방법입니다.

AI로 데이터를 길들이고 "다음 단계로" 가져가는 것은 미래 지향적인 개념처럼 보이지만 수년 동안 일어나고 있는 일입니다. 그러나 광고주는 AI 잠재력의 표면을 긁기 시작했을 뿐입니다.

5 광고에서의 기계 학습의 예

광고에서 머신 러닝은 복잡한 처리가 배후에서 일어나기 때문에 항상 쉽게 발견할 수 있는 것은 아닙니다. 좋아하는 도구 중 일부가 기계 학습을 활용하여 당연하게 여기는 통찰력을 제공할 가능성이 높습니다.

새로운 것이든 시도된 것이든 사실이든 간에 머신 러닝을 통해 광고주가 수행할 수 있는 가장 큰 몇 가지 기능은 다음과 같습니다.

1. 예상치 못한 통찰력 활용

당신이 좋은 광고주라면 타겟 데이터의 도움으로 광고를 실행합니다. 그러나 그 데이터를 얻는 방법은 완벽하지 않습니다.

제안과 관련된 모든 데이터 요소를 분석하고 싶지만 제한된 예산으로 운영하고 있습니다. 그러면 성공적인 광고 캠페인을 실행하는 데 필요한 가장 중요한 데이터의 우선 순위를 정해야 합니다. 예산에 따라 우선 순위를 지정하면 데이터가 거의 없을 수 있습니다.

그러나 덜 분명한 문제는 제안과 청중에 대한 가정이 광고 방식을 제한한다는 것입니다. 예: 제품이 비디오 게임인 경우 어린 플레이어와 중년 부모에게 광고를 게재할 수 있지만 조부모나 나이든 플레이어는 고려하지 않을 수 있습니다. 이러한 종류의 가정은 수익을 앗아갈 수 있습니다.

VentureBeat Transform 2018 AI Conference에서 Unity 광고주 솔루션 부사장인 Julie Shumaker가 이 시나리오를 발표했습니다. 머신 러닝으로 해결할 수 있는 문제 유형입니다.

광고주는 22세 플레이어에게 17달러의 게임 설치를 판매하는 것과 같이 매우 구체적인 목표를 가질 수 있다고 그녀는 말했습니다. 그들은 65세 여성에 대해 생각하지 않을 수도 있습니다. 그러나 기계 학습을 통해 이 여성이 3일 동안 약 3.99달러를 지출할 가능성이 있음을 알 수 있습니다. 그리고 획득 비용이 75센트라면 보다 일반적인 광고 타겟에 대한 더 높은 달러 목표만큼 좋은 ROI를 얻을 수 있습니다.

방대한 데이터 세트를 비용 효율적으로 처리할 수 있는 머신 러닝 기술은 예산과 인간의 가정이 제한할 수 있는 수익 기회를 발견하는 데 유용합니다.

청중, 내부 프로세스, 입찰 전략 등에 대한 통찰력이든, 개선 가능성은 클 수 있습니다.

마케팅 데이터 플랫폼인 Singular의 Insights 부사장인 John Koetsier는 머신 러닝을 사용하여 "멋진 것들을 시도할 수 있습니다."라고 말합니다.

예를 들어, Singular의 고객 중 하나는 실제 게임 플레이를 보여주지 않고 비디오 게임 광고를 실행하는 비 전통적인 접근 방식을 취했습니다. 반직관적인 캠페인은 대상 고객 사이에서 제품에 대한 많은 대화를 생성했습니다.

Koetsier는 "기계가 실시간으로 어떤 영향을 미치는지 파악할 수 있기 때문에 많은 것을 시도할 수 있습니다. "당신은 어리석은 일을 할 수 있고 때로는 어리석은 일이 똑똑한 일입니다."

2. 광고 크리에이티브 개선

청중은 광고 크리에이티브에 다르게 반응합니다. 미디어, 서체, 클릭 유도문안 - 사람들이 클릭하거나 관심을 끌게 만드는 창의적인 요소 중 하나입니다.

많은 사람들이 머신 러닝이 엄격한 양적 데이터를 포함한다고 생각하지만 이는 사실이 아닙니다. InMobi의 데이터 과학 및 마켓플레이스 수석 부사장인 Rajiv Bhat은 예측 분석 시스템이 더 나은 크리에이티브 개발에도 도움이 될 수 있다고 말합니다.

이러한 시스템에서 과거 크리에이티브 및 과거 캠페인에 대한 데이터는 크런치되어 지속적인 노력에 효과가 있는 것이 무엇인지 정확하게 결정합니다. 이 AI 애플리케이션을 통해 브랜드는 메시징, 글꼴, 색상, 이미지, 버튼 크기 또는 형식에서 모든 것이 전체 캠페인 성과에 어떤 영향을 미치는지 더 잘 이해할 수 있습니다.”

그렇게 들릴지 모르지만 이와 같은 시스템은 가상이 아닙니다. 모바일 앱 마케팅 자동화 플랫폼인 Bidalgo는 이를 정확히 수행하는 도구를 제공합니다. "Creative AI"라고 불리는 이 머신 러닝 서비스는 비주얼 미디어를 분석하여 성공할 가능성이 있는 창의적인 접근 방식을 찾습니다. CMO인 Rishi Shiva는 다음과 같이 말합니다.

비디오 자산 개발에 수십만 달러를 투자하기 전에 실제로 우리 시스템을 통해 과거 이미지와 비디오를 실행할 수 있으며 실제로 통찰력을 얻을 수 있습니다.

어떤 광고 소재가 청중에게 긍정적인 영향을 미쳤는지 확인할 수 있습니다. 그리고 이 특정 시스템은 사람들이 이미지에서 포즈를 취하는 방식만큼 구체적일 수 있습니다. 완료되면 소프트웨어는 분석을 기반으로 콘텐츠 팀을 위한 크리에이티브 브리프를 제공합니다.

Journal of Consumer Psychology에 자세히 설명된 머신 러닝의 유사한 적용에는 이미지를 성격 유형과 일치시키는 연구 프로젝트가 포함됩니다. 여기에서 연구원들은 알고리즘을 사용하여 색조, 채도, 색상 다양성, 세부 수준, 사람 수 등을 포함하여 이미지의 89가지 다양한 기능을 식별했습니다.

연구에 참여한 745명의 참가자에게 1-7의 척도로 이미지를 평가하도록 요청했습니다. 그들이 완료되었을 때, 그들은 개방성, 성실성, 외향성, 친화성 및 신경증의 5가지 영역에서 평가하는 성격 테스트를 완료했습니다. 그런 다음 그들은 어떤 이미지가 어떤 성격 특성에 호소하는지 알아 내려고 시도했습니다. 무엇보다도 그들은 다음을 발견했습니다.

• 외향적인 사람들은 단순한 이미지와 인물이 등장하는 이미지를 선호했습니다.
• 개방적인 사람들은 사람이 없고 파란색, 검정색과 같은 시원한 색상의 사진을 선호합니다.
• 신경증이 높은 사람들은 조용하고 자극이 적은 장면을 좋아했습니다.

후속 연구에서 연구자들은 피험자들이 자신의 성격에 맞는 광고 이미지를 선호한다는 것을 발견했습니다. 그러나 더 중요한 것은 기계 학습 알고리즘이 성격 유형과 이미지 유형 간의 관계가 제품에 대한 소비자의 관심에 영향을 미칠 수 있다는 것을 발견했다는 것입니다. 사람들은 자신의 성격에 맞는 이미지만 선호하는 것이 아닙니다. 그들은 이러한 브랜드에 대해 더 호의적인 태도와 구매 의도도 보고했습니다.

3. 문맥 관련성 향상

이론적으로 훌륭한 광고를 디자인하는 것은 타겟 고객으로부터 좋은 반응을 얻기에 충분해야 합니다. 물론 결코 쉬운 일이 아닙니다.

잘 디자인된 것 외에도 광고는 적시에 적절한 타겟팅과 함께 적절한 플랫폼에서 실행되어야 합니다. Bhat은 이것이 또한 기계 학습이 개선되고 있는 과정이라고 말합니다.

예를 들어 색상 대비가 더 높은 광고 소재가 밤에 더 잘 작동하거나 스포츠 스타가 등장하는 광고가 주말에 가장 잘 작동할 수 있습니다. AI는 광고 크리에이티브 개발 및 성능에 대해 이러한 수준의 세분화와 통찰력을 제공할 수 있습니다.

규제 기관이 데이터 사용을 단속함에 따라 컨텍스트 관련성이 더욱 중요해지고 있습니다. GDPR은 데이터에 제한을 두었고 다른 국가들도 이를 따르고 있습니다.

청중 데이터에 엄격하게 의존하는 대신, 기계 학습 기술은 페이지 데이터를 처리하는 데 점점 더 많이 사용되고 있습니다. 그리고 그들은 너무 복잡해서 거의 인간에 가까운 방식으로 일을 하고 있습니다. IAS의 글로벌 비즈니스 개발 수석 부사장인 Harmon Lyons는 다음과 같이 말합니다.

현재의 발전은 감정 분석과 같은 응용 프로그램에서 분명히 나타나듯이 인간과 기계 사이의 경계를 모호하게 만들고 있습니다. 기계는 특정 주제나 제품에 대한 작가의 태도를 결정하기 위해 텍스트에 표현된 의견을 점점 더 식별하고 분류할 수 있게 되었습니다. 양수, 음수 또는 중립입니다.

여기서 뉘앙스는 언어가 확장됨에 따라 항상 진화하고 의미를 표현하기 위해 풍자 및 이모티콘과 같은 것을 포함합니다. 딥 러닝의 급속한 발전으로 컴퓨터는 이미지와 비디오를 보다 인간적인 방식으로 처리할 수 있습니다.

기본적으로 페이지 콘텐츠를 이해하면 광고주와 게시자가 관련성 높은 광고를 제공하는 데 도움이 됩니다. 좀 더 복잡한 수준에서 광고주는 몇 가지 인상적인 일을 할 수 있습니다.

보다폰 예

iPhone X를 탑재할 것이라고 광고하려는 영국 Vodafone의 예를 생각해 보십시오. Apple의 매우 엄격한 브랜드 사용 지침으로 인해 회사는 실제로 제품을 언급하는 데 어려움을 겪었습니다.

그래서 그들은 GumGum의 기계 학습 기술을 활용했습니다. 이 기술은 배포 시 페이지 이미지를 분석하여 iPhone 광고를 찾은 다음 그 위에 Vodafone 광고를 배치했습니다. 이는 광고의 연관성에 따라 회사가 iPhone을 휴대할 것임을 이해한 소비자들에게 충분히 명확했습니다.

지프 예

또 다른 GumGum 고객인 Jeep은 행동 모델링을 건너뛰고 대신 컨텍스트를 활용하기로 결정했습니다. 기계 학습 기술을 사용하여 회사는 웹 페이지에서 Toyota RAV4와 같은 Cherokee와 경쟁하는 모델의 이미지를 스캔했습니다. 그런 다음 Vodafone처럼 경쟁 모델 위에 광고를 게재했습니다.

이러한 사용 사례 외에도 머신 러닝은 브랜드 평판에 큰 도움이 될 수 있습니다. 브랜드가 안전하지 않은 게재위치(예: 극단주의 콘텐츠 옆)에서 실행되는 프로그래매틱 광고의 인스턴스가 증가함에 따라 머신 러닝은 광고주가 PR 악몽을 사전에 예방하고 사이트와 잠재적으로 방대한 잠재고객을 보이콧하지 않아도 되도록 도와줍니다. (많은 사람들이 YouTube와 함께 해야 하는 것처럼.)

4. 더 정의된 세그먼트 타겟팅

모든 광고주의 목표는 최고의 관련성입니다. 그리고 관련성을 얻는 방법은 세분화입니다. 잠재고객 세그먼트가 좁을수록 고객이 원하는 1:1 개인화를 제공하는 데 더 가까워집니다.

하지만 1:1 개인화에 가까워지기 위해서는 우선 엄청난 양의 데이터가 필요합니다. 그런 다음 데이터를 선별하여 사용할 수 있는 것으로 전환할 수 있을 만큼 충분히 정교한 기계 학습 알고리즘이 필요합니다.

운 좋게도 이 두 가지 모두 Facebook, Google 및 LinkedIn과 같은 주요 네트워크의 기능입니다. 그들은 사용자에 대한 방대한 데이터 모음(취미, 관심사, 위치, 직함 등)을 축적하여 광고주가 타겟 세그먼트를 좁히는 데 사용할 수 있습니다. Metadata.io의 공동 설립자이자 CEO인 Gil Allouche는 이와 같은 데이터가 다른 데이터로 작업하기가 더 쉬워지기 때문에 이와 같은 데이터가 매우 중요하다고 말합니다.

여기에서 너무 "메타"를 얻지는 않지만 메타데이터는 다른 데이터에 대한 정보를 제공하는 정보입니다. 다시 다른 방식으로 말해봅시다. 메타데이터는 데이터에 대한 기본 정보를 요약하므로 데이터의 특정 인스턴스를 더 쉽게 찾고 작업할 수 있습니다. Smart Insights에 따르면 "메타데이터는 개인의 일상, 상호 작용, 관점 및 연관성에 대한 그림을 그립니다. 메타데이터가 매우 유용한 이유는 거짓말을 하지 않기 때문입니다.

이러한 종류의 데이터를 수집하면 Metadata.io의 Gil과 팀이 "미래 비즈니스 통찰력을 위한 '러브 노트''라고 부르는 것을 얻게 됩니다. 왜냐하면 그것이 "진실을 서면으로 표현한 것"이기 때문입니다.

기업의 경우 고객 정보라는 형태의 진실을 얻기가 쉽지 않습니다. 따라서 Facebook 및 Google과 같은 네트워크에서 풍부하게 수집되고 활용될 때 귀하의 제안을 주장할 가능성이 더 높은 사람으로 대상 잠재고객을 크게 좁힐 수 있는 귀중한 방법이 됩니다.

Facebook은 데이터를 수집하고 고객을 만들 수 있습니다. 더 중요한 것은 플랫폼이 머신 러닝을 사용하여 해당 청중 중에서 입찰하려는 목표를 완료할 가능성이 가장 높은 사람을 결정한다는 것입니다.

동시에, 단순히 타겟 고객을 좁히고 동일한 광고 경험을 제공한다면 이 방법은 무의미합니다. Gil은 “오늘날 최고의 광고는 브랜드 청중에게 진정한 의미를 지닌 매력적이고 개인화된 콘텐츠입니다.”라고 말한 것이 옳습니다.

각 잠재고객은 데이터를 기반으로 개인화된 광고를 가져야 합니다. 그리고 이러한 경험을 계속하기 위해 각 광고는 사용자를 클릭 후 페이지와 동일하게 개인화된 페이지로 안내해야 합니다.

제품이 조회된 컨텍스트를 기반으로 제품에 대해 119개의 서로 다른 광고를 만든 Abreva의 예를 들어보겠습니다. 고객이 유명인의 가십에 관한 동영상에서 광고를 접하면 다음과 같은 광고가 표시됩니다.

그러나 비디오 자습서를 시청하는 동안 광고를 본 경우 다음과 같이 표시됩니다.

개인화된 캠페인을 통해 인지도와 구매 고려도가 크게 높아졌습니다. Abreva는 Google 및 YouTube에서 광고 회상을 41%, 검색 관심도를 342% 높였습니다.

Google 검색과 같은 다른 네트워크에서 기계 학습은 프로세스를 훨씬 더 빠르게 만듭니다. 반응형 검색 광고를 사용하면 여러 버전의 헤드라인, 문구 및 설명을 입력할 수 있으며 Google은 가장 실적이 좋은 광고를 테스트하고 제공합니다. 평균적으로 이 기능을 사용하는 광고주는 클릭수가 15% 증가합니다.

5. 보다 전략적으로 입찰

프로그래밍 방식 광고에서 모든 노출이 기꺼이 입찰할 가치가 있는 것은 아닙니다. 일부는 있습니다. 그리고 일부는 훨씬 더 가치가 있습니다.

수요측 플랫폼 덕분에 이러한 노출을 평가하는 데 더 이상 추측이 필요하지 않습니다. 머신 러닝 기술을 사용하여 이러한 플랫폼은 한때 경험 많은 구매자가 필요했던 입찰 및 최적화를 수행할 수 있습니다.

Google의 스마트 자동 입찰을 예로 들어 보겠습니다. 머신 러닝을 사용하여 모든 경매에서 전환 또는 전환 가치를 최적화하는 자동 입찰 전략입니다. 이를 "실시간 입찰"이라고 합니다. Google에 따르면 스마트 자동 입찰 전략에는 5가지 유형이 있습니다.

• 타겟 CPA: 타겟 CPA는 설정한 타겟 전환당비용(CPA) 이하로 최대한 많은 전환이 발생하도록 입찰가를 설정합니다.
• 타겟 ROAS: 타겟 ROAS를 사용하면 타겟 광고 투자수익(ROAS)을 기반으로 입찰할 수 있습니다. 이 전략을 사용하면 설정한 타겟 광고 투자수익(ROAS)에서 더 많은 전환 가치 또는 수익을 얻을 수 있습니다.
• 전환수 최대화: 전환수 최대화는 예산을 지출하면서 캠페인에서 가장 많은 전환을 얻을 수 있도록 입찰가를 자동으로 설정합니다.
• 향상된 CPC 입찰기능: 향상된 클릭당 비용(ECPC)을 사용하면 수동 입찰에서 더 많은 전환을 얻을 수 있습니다. 향상된 CPC 입찰기능은 웹사이트에서 판매 또는 전환으로 이어질 가능성이 다소 높은 클릭에 대해 수동 입찰가를 자동으로 조정하는 방식으로 작동합니다.

선택하는 항목은 캠페인 목표, 예산 및 기타 요인에 따라 다릅니다. 그럼에도 불구하고 Google의 스마트 자동 입찰 알고리즘은 잘 훈련되어 있다고 확신할 수 있습니다. Google에 따르면 선택한 목표에 가장 효과적인 입찰가와 노출수를 파악하기 위해 지속적으로 데이터를 수집하고 분석합니다. 이 데이터에는 단일 팀이나 개인이 처리할 수 있는 것보다 훨씬 광범위한 매개변수가 포함되어 있습니다.

여기에는 수동으로 조정할 수 있는 기기 및 위치와 같은 기본 요소와 스마트 자동 입찰 고유의 자동 신호가 포함됩니다. 그 수가 훨씬 더 많습니다. 사이트 동작, 제품 속성, 웹 배치 등을 포함하여 여기에서 몇 가지를 찾을 수 있습니다.

스마트 자동 입찰은 모든 캠페인의 데이터를 기반으로 최적화할 수 있으므로 새로운 캠페인이라도 실적이 향상될 수 있습니다. 그러나 최소한 30건의 전환(타겟 광고 투자수익(ROAS)의 경우 50건) 및/또는 한 달 이상의 실행 시간과 같이 충분히 큰 샘플을 얻을 때까지 캠페인 결과를 기반으로 비즈니스 결정을 내려서는 안 됩니다.

기계 학습을 사용하여 전환율 높이기 시작

광고주는 항상 최신 기술의 더 나은 적용을 기대합니다. 더 나은 챗봇, 음성 인식, 이미지 처리 등 머신 러닝의 경우도 마찬가지입니다.

그러나 머신 러닝은 오늘날 캠페인에 긍정적인 영향을 미칠 수 있습니다 . 입찰 전략, 크리에이티브, 그리고 무엇보다도 개인화는 자신에게 적합한 기계 학습 모델을 찾을 때 기하급수적으로 향상될 수 있습니다. 의심할 여지 없이 모든 사람을 위한 것이 있습니다. 스마트 자동 입찰이나 Google의 반응형 검색 광고일지라도 말입니다.

Instapage에서 개인화된 클릭 후 방문 페이지를 연결하여 머신 러닝 노력을 더 많이 활용하는 방법을 알아보세요. 여기에서 데모를 받으세요.