5 exemplos que mostram como o aprendizado de máquina está mudando a publicidade digital

De todos os avanços na publicidade moderna, poucos são mais interessantes do que o aprendizado de máquina. Está mudando a maneira como as empresas coletam e analisam dados, e até mesmo as coisas que os dados podem fazer.

Mas com a tecnologia revolucionária vêm grandes questões. O que, por que e como funciona? Hoje respondemos a essas e outras mais.

O que é aprendizado de máquina em publicidade?

O aprendizado de máquina em publicidade se refere ao processo pelo qual a tecnologia de anúncios obtém dados, os analisa e formula conclusões para melhorar uma tarefa. Em termos mais simples: é como a tecnologia de anúncios aprende.

O que aprende depende da tecnologia. Pode ser qualquer coisa relacionada à publicidade: compra de mídia, mapeamento da jornada do cliente, segmentação de público, etc.

Quanto mais dados uma tecnologia de aprendizado de máquina processa, mais ela aprende sobre a tarefa e melhor a conclui. Exatamente como um humano faria.

A diferença entre aprendizado de máquina e inteligência artificial

Freqüentemente, você ouvirá os termos “aprendizado de máquina” e “inteligência artificial” usados ​​em conversas sobre as tecnologias mais sofisticadas de hoje. Eles são relacionados, mas é importante saber que não são intercambiáveis.

Enquanto o aprendizado de máquina se refere a um processo específico: máquinas que usam dados para “aprender” e melhorar seu funcionamento, inteligência artificial é um termo mais amplo. Refere-se a tecnologias que podem realizar tarefas que tradicionalmente requerem inteligência humana. O aprendizado de máquina, portanto, é um aspecto da inteligência artificial, mas não é sinônimo de IA.

Por que aprendizado de máquina?

De transações digitais e estoque de varejo à temperatura das salas de servidores, há pouco que as empresas modernas não possam rastrear.

E embora mais dados signifiquem mais oportunidades de melhorar, isso só é verdade se você tiver o que precisa para analisá-los. Infelizmente, a maioria das empresas não o faz.

Os relatórios mostram que mais da metade dos dados de hoje não são usados. Conhecidos como “dados obscuros”, os principais motivos pelos quais não estão sendo usados ​​são os seguintes:

A falta de ferramentas, dados ausentes, muitos dados e sistemas em silos estão impedindo as empresas de obter o máximo de seu público. Na raiz de todos esses obstáculos está um problema simples, mas importante: os humanos não podem mais fazer tudo. Há muito para identificar, coletar e processar.

A solução?

Orchid Richardson, vice-presidente e diretora administrativa do Data Center of Excellence do IAB, diz que é IA:

Já, 95% dos anunciantes têm terabytes sobre petabytes de dados demográficos, incluindo dados pessoais, informações de localização e interesses que podem usar para atingir clientes em potencial sobre os quais eles não sabem quase nada. A inteligência artificial é uma forma de domar esses dados e levá-los ao próximo nível.

Embora dominar dados e levá-los “para o próximo nível” com IA pareça um conceito futurista, é algo que vem acontecendo há anos. Ainda assim, os anunciantes estão apenas começando a arranhar a superfície do potencial da IA.

5 exemplos de aprendizado de máquina em publicidade

O aprendizado de máquina em publicidade nem sempre é fácil de detectar, pois o processamento complexo ocorre nos bastidores. Há uma boa chance de algumas de suas ferramentas favoritas aproveitarem o aprendizado de máquina para fornecer os insights que você considera garantidos.

Sejam eles novos ou testados e comprovados, aqui estão algumas das principais coisas que o aprendizado de máquina está permitindo que os anunciantes façam:

1. Aproveite as percepções inesperadas

Se você for um bom anunciante, você veicula anúncios com a ajuda de dados direcionados. Mas a maneira como você obtém esses dados não é perfeita.

Embora você possa querer analisar todos os dados relacionados à sua oferta, você está operando com um orçamento limitado. E isso o forçará a priorizar os dados mais importantes necessários para executar uma campanha publicitária de sucesso. A priorização, dependendo do seu orçamento, pode significar muito poucos dados.

Uma questão menos óbvia, entretanto, é que as suposições que você faz sobre sua oferta e seu público-alvo também limitarão a maneira como você anuncia. Por exemplo: se seu produto for um videogame, você pode exibir anúncios para jogadores jovens e seus pais de meia-idade, mas não considera avós ou jogadores mais velhos. Esses tipos de premissas podem gerar receita para você.

Na Conferência AI VentureBeat Transform 2018, esse cenário foi apresentado por Julie Shumaker, vice-presidente de soluções para anunciantes da Unity. É exatamente o tipo de problema que o aprendizado de máquina pode resolver:

Os anunciantes podem ter objetivos muito específicos, como vender a instalação de um jogo de US $ 17 para um jogador de 22 anos, disse ela. Eles podem não pensar em uma mulher de 65 anos. Mas o aprendizado de máquina pode revelar que essa mulher provavelmente gastará cerca de US $ 3,99 ao longo de três dias. E se o custo de aquisição for 75 centavos, ele renderá um ROI tão bom quanto as metas de dólares mais altos para destinos de anúncios mais comuns.

Por sua capacidade econômica de processar grandes conjuntos de dados, as tecnologias de aprendizado de máquina são ótimas para descobrir oportunidades de receita que o orçamento e as suposições humanas podem limitar.

Sejam eles insights sobre públicos, processos internos, estratégias de licitação ou mais, o potencial de melhoria pode ser grande.

Com o aprendizado de máquina, “você pode experimentar coisas malucas”, diz John Koetsier, VP de Insights da Singular, uma plataforma de dados de marketing.

Um dos clientes do Singular, por exemplo, adotou a abordagem não convencional de veicular um anúncio de videogame sem mostrar a jogabilidade real. A campanha contra-intuitiva gerou muita conversa sobre o produto entre seu público-alvo.

“Você pode tentar muitas, muitas coisas porque pode deixar a máquina descobrir em tempo real o que está gerando impacto”, disse Koetsier. “Você pode fazer coisas estúpidas, e às vezes coisas estúpidas são coisas inteligentes.”

2. Melhore o criativo do anúncio

O público responde de maneira diferente ao criativo do anúncio. Mídia, fonte, call to action - esses são alguns dos ingredientes criativos que fazem as pessoas clicarem ou desligarem.

Embora muitos considerem que o aprendizado de máquina envolve dados estritamente quantitativos, esse não é o caso. Rajiv Bhat, vice-presidente sênior de Data Sciences e Marketplace da InMobi, diz que um sistema de análise preditiva também pode ajudar no desenvolvimento de criativos melhores:

Nesse sistema, os dados sobre criativos e campanhas anteriores são analisados ​​para determinar precisamente o que funcionaria para os esforços em andamento. Com esta aplicação de IA, as marcas podem ter uma noção melhor de como tudo, desde mensagens, fontes, cores, imagens, tamanhos de botões ou formatos, afetam o desempenho geral da campanha. ”

Pode parecer, mas um sistema como esse não é hipotético. Bidalgo, uma plataforma de automação de marketing de aplicativos móveis, fornece uma ferramenta que faz exatamente isso. Chamado de “IA criativa”, este serviço de aprendizado de máquina analisa a mídia visual para encontrar abordagens criativas com probabilidade de sucesso. Seu CMO, Rishi Shiva, diz:

Antes de investir centenas de milhares de dólares no desenvolvimento de ativos de vídeo, você pode realmente executar suas imagens e vídeos históricos por meio de nosso sistema, e ele realmente fornecerá insights.

Você pode determinar qual criativo teve um impacto positivo no público. E esse sistema particular pode ser tão específico quanto a maneira como as pessoas posam nas imagens. Depois disso, o software fornece um resumo criativo para as equipes de conteúdo com base na análise.

Uma aplicação semelhante de aprendizado de máquina, detalhada no Journal of Consumer Psychology, envolve um projeto de pesquisa que combina imagens a tipos de personalidade. Nele, os pesquisadores usaram algoritmos para identificar 89 recursos diferentes para imagens, incluindo matiz, saturação, diversidade de cores, nível de detalhe, número de pessoas e muito mais.

Os 745 participantes do estudo foram solicitados a avaliar as imagens em uma escala de 1 a 7. Quando terminaram, eles completaram um teste de personalidade que os avaliou em cinco áreas: abertura, conscienciosidade, extroversão, afabilidade e neuroticismo. Em seguida, eles tentaram descobrir quais imagens apelavam para quais traços de personalidade. Entre outras coisas, eles descobriram:

• Pessoas extrovertidas preferiam imagens simples e imagens que apresentavam pessoas
• Pessoas de mente aberta preferiam fotos sem pessoas e com cores legais como azul e preto
• Pessoas com alto nível de neuroticismo gostam de cenas calmas e minimamente estimulantes

Em um estudo posterior, os pesquisadores descobriram que os participantes preferiam imagens de anúncios que combinassem com suas personalidades. Porém, o mais importante é que o algoritmo de aprendizado de máquina descobriu que a relação entre o tipo de personalidade e o tipo de imagem pode afetar o interesse do consumidor por um produto. As pessoas não preferiam apenas imagens que combinassem com suas personalidades. Eles relataram atitudes e intenções de compra mais favoráveis ​​em relação a essas marcas também.

3. Aumente a relevância contextual

Em teoria, criar um ótimo anúncio deve ser o suficiente para gerar uma ótima resposta do seu público-alvo. Claro, nunca é tão fácil.

Além de ser bem projetado, seu anúncio precisa ser veiculado na plataforma certa, com a segmentação certa, no momento certo. Bhat diz que este também é um processo que o aprendizado de máquina está aprimorando:

Por exemplo, é possível que os criativos com mais contraste de cor tenham um desempenho melhor à noite ou que os anúncios que apresentam estrelas do esporte tenham um desempenho melhor no fim de semana. A IA pode fornecer esse nível de granularidade e insights para o desenvolvimento e desempenho de criativos de anúncios.

A relevância contextual está se tornando mais importante agora que os reguladores estão reprimindo o uso de dados. O GDPR impôs restrições aos dados e outros países estão seguindo o exemplo.

Em vez de depender estritamente de dados de público, as tecnologias de aprendizado de máquina são cada vez mais usadas para processar dados na página. E eles estão fazendo isso de maneiras tão complexas que são quase humanas. Harmon Lyons, vice-presidente sênior de desenvolvimento de negócios globais da IAS, diz:

Os avanços atuais estão confundindo os limites entre humano e máquina, como fica evidente em aplicativos como a análise de sentimento - as máquinas são cada vez mais capazes de identificar e categorizar as opiniões expressas em um trecho de texto, a fim de determinar se a atitude do escritor em relação a um determinado tópico ou produto é positivo, negativo ou neutro.

Nuance aqui está sempre evoluindo conforme a linguagem se expande e inclui coisas como sarcasmo e emoticons para expressar significado. Avanços rápidos no aprendizado profundo estão permitindo que os computadores processem imagens e vídeos de uma forma mais humana.

Em um nível básico, a compreensão do conteúdo de uma página pode ajudar o anunciante e o editor a veicular anúncios mais relevantes. Em um nível mais complexo, está permitindo que os anunciantes façam coisas impressionantes.

Exemplo Vodafone

Considere um exemplo da Vodafone no Reino Unido, que queria anunciar que carregaria o iPhone X. Como resultado das diretrizes de uso da marca altamente restritivas da Apple, a empresa teve dificuldade em mencionar o produto.

Então, eles aproveitaram a tecnologia de aprendizado de máquina da GumGum. Quando implantada, essa tecnologia analisava imagens na página para encontrar anúncios do iPhone e, em seguida, colocava anúncios da Vodafone em cima delas. Isso foi claro o suficiente para os consumidores, que entenderam que a empresa iria vender o iPhone com base na associação de anúncios.

Exemplo de jipe

Jeep, outro cliente GumGum, decidiu pular a modelagem comportamental e, em vez disso, capitalizar no contexto. Com sua tecnologia de aprendizado de máquina, a empresa escaneou páginas da web em busca de imagens de modelos que competiam com seu Cherokee, como o Toyota RAV4. Então, como a Vodafone, eles colocaram seus anúncios no topo dos modelos concorrentes.

Além desses casos de uso, o aprendizado de máquina pode fazer grandes coisas para a reputação da marca. Com o aumento da ocorrência de anúncios programáticos em veiculações que não são seguras para a marca (como próximo a conteúdo extremista, por exemplo), o aprendizado de máquina pode ajudar os anunciantes a evitar um pesadelo de relações públicas antes que aconteça e evitar ter que boicotar um site e seu público potencialmente massivo (como muitos foram forçados a fazer com o YouTube).

4. Segmente segmentos mais definidos

O objetivo de cada anunciante é o pico de relevância. E o caminho para a relevância é a segmentação. Quanto mais estreitos se tornam seus segmentos de público, mais perto você chega de entregar a personalização 1: 1 que os clientes desejam.

Mas para chegar perto da personalização 1: 1, você precisa de uma grande quantidade de dados, para começar. Em seguida, você precisa de um algoritmo de aprendizado de máquina sofisticado o suficiente para filtrar os dados e transformá-los em algo utilizável.

Felizmente, esses são recursos de redes importantes como Facebook, Google e LinkedIn. Eles acumulam vastas coleções de dados sobre seus usuários - hobbies, interesses, localização, cargos, etc. - que os anunciantes podem usar para restringir seus segmentos-alvo. Gil Allouche, cofundador e CEO da Metadata.io, diz que dados como esse são tão valiosos que tornam mais fácil trabalhar com outros dados:

Não quero ficar muito “meta” aqui, mas metadados são informações que fornecem informações sobre outros dados. Digamos novamente de uma maneira diferente: os metadados resumem as informações básicas sobre os dados, o que torna mais fácil localizar e trabalhar com instâncias específicas de dados. De acordo com o Smart Insights, “os metadados mostram a rotina diária de um indivíduo, interações, pontos de vista e associações, e a razão pela qual são tão úteis é que não mentem.

Quando você reúne esse tipo de dados, obtém o que Gil e a equipe da Metadata.io chamam de “'bilhete de amor' para futuros insights de negócios” porque é “uma expressão da verdade por escrito”.

Para as empresas, a verdade na forma de informações do cliente não é fácil de encontrar. Então, quando é coletado em abundância e alavancado por redes como Facebook e Google, torna-se uma forma valiosa de estreitar significativamente seu público-alvo para um com mais probabilidade de reivindicar sua oferta.

O Facebook coleta dados e permite que você crie públicos. Ainda mais importante, a plataforma usa aprendizado de máquina para determinar quem entre esse público tem maior probabilidade de cumprir o objetivo para o qual você está definindo.

Ao mesmo tempo, essa prática é inútil se você simplesmente restringir seu público-alvo e fornecer a mesma experiência de anúncio. Gil está certo quando diz “Os melhores anúncios hoje são conteúdo atraente e personalizado com um significado real para o público de uma marca”.

Cada público deve ter um anúncio personalizado com base em seus dados. E para continuar essa experiência, cada anúncio deve direcionar os usuários a uma página de pós-clique igualmente personalizada.

Veja este exemplo da Abreva, que criou 119 anúncios diferentes para seu produto com base no contexto em que foi visualizado. Quando os clientes encontrassem o anúncio em um vídeo sobre, digamos, fofoca de celebridades, eles veriam um anúncio como este:

Mas se eles vissem um anúncio enquanto assistiam a um tutorial em vídeo, eles veriam algo assim:

A campanha personalizada levou a um grande impulso em conscientização e consideração. A Abreva gerou um aumento de 41% no recall do anúncio e um aumento de 342% no interesse de pesquisa no Google e no YouTube.

Em outras redes, como a pesquisa do Google, o aprendizado de máquina torna o processo ainda mais rápido. Com os anúncios de pesquisa responsivos, você pode inserir várias versões de título, texto e descrição, e o Google testará e exibirá o que tiver melhor desempenho. Em média, os anunciantes que usam esse recurso vão gerar um aumento de 15% nos cliques.

5. Licite de forma mais estratégica

Na publicidade programática, nem todas as impressões valem o que você deseja dar a elas. Alguns são. E alguns valem ainda mais.

Graças às plataformas do lado da demanda, avaliar essas impressões não requer mais suposições. Usando a tecnologia de aprendizado de máquina, essas plataformas podem fazer lances e otimizações que antes exigiam compradores experientes.

Pegue o Lances inteligentes do Google, por exemplo: uma estratégia de lances automáticos que usa aprendizado de máquina para otimizar as conversões, ou valor de conversão, em cada leilão. Isso é conhecido como "lance durante o leilão". De acordo com o Google, existem cinco tipos de estratégias de Lances inteligentes:

• CPA desejado : o CPA desejado define os lances para ajudar a obter o máximo de conversões possível ao custo por ação (CPA) desejado ou abaixo dele.
• ROAS desejado: o ROAS desejado permite que você defina lances com base em um retorno do investimento em publicidade (ROAS) desejado. Essa estratégia ajuda você a obter mais valor de conversão ou receita com o retorno do investimento em publicidade (ROAS) que você definir.
• Maximize as conversões: Maximize as conversões define lances automaticamente para ajudar a obter o máximo de conversões para sua campanha enquanto gasta seu orçamento.
• CPC otimizado: o custo por clique otimizado (ECPC) ajuda você a obter mais conversões com o lance manual. O ECPC funciona ajustando automaticamente seus lances manuais para cliques que parecem mais ou menos prováveis ​​de levar a uma venda ou conversão em seu site.

A sua escolha depende do objetivo da sua campanha, do seu orçamento e de outros fatores. Independentemente disso, você pode ter certeza de que o algoritmo de Lances inteligentes do Google é bem treinado. Está constantemente adquirindo e analisando dados, de acordo com o Google, para entender quais lances e impressões são mais eficazes para a meta escolhida. Esses dados contêm uma gama muito mais ampla de parâmetros do que qualquer equipe ou pessoa poderia processar.

Inclui fatores básicos como dispositivo e local, que podem ser ajustados manualmente, bem como sinais automáticos exclusivos dos Lances inteligentes. Estes são muito maiores em número. Você pode encontrar vários aqui, incluindo comportamento do site, atributos do produto, posicionamento na web e muito mais.

Como os Lances inteligentes podem otimizar com base nos dados de todas as suas campanhas, mesmo as novas podem ter um desempenho aprimorado. Ainda assim, você não deve tomar nenhuma decisão de negócios com base nos resultados da campanha até ter uma amostra grande o suficiente: pelo menos 30 conversões (50 para o ROAS desejado) e / ou mais de um mês de tempo de execução.

Comece a usar o aprendizado de máquina para aumentar as conversões

Os anunciantes sempre buscam melhores aplicações das tecnologias atuais. Esse é o caso do aprendizado de máquina tanto quanto de qualquer outro: melhores chatbots, reconhecimento de voz, processamento de imagem etc.

Mas o aprendizado de máquina pode ter um grande impacto positivo em suas campanhas hoje . Estratégias de lances, criativos e, acima de tudo, personalização, podem melhorar exponencialmente quando você encontra um modelo de aprendizado de máquina que funciona para você. Sem dúvida, há algo para todos. Mesmo que seja apenas Lances inteligentes ou anúncios de pesquisa responsivos do Google.

Saiba como aproveitar ainda mais seus esforços de aprendizado de máquina conectando páginas de destino pós-clique personalizadas do Instapage. Obtenha uma demonstração aqui.