5 ตัวอย่างที่แสดงให้เห็นว่าแมชชีนเลิร์นนิงกำลังเปลี่ยนแปลงการโฆษณาดิจิทัลอย่างไร

ในบรรดาความก้าวหน้าทั้งหมดในการโฆษณาสมัยใหม่ มีเพียงไม่กี่สิ่งที่น่าตื่นเต้นกว่าแมชชีนเลิร์นนิง เป็นการเปลี่ยนแปลงวิธีที่ธุรกิจรวบรวมและวิเคราะห์ข้อมูล และแม้กระทั่งสิ่งที่ข้อมูลสามารถทำได้

แต่ด้วยเทคโนโลยีที่ปฏิวัติวงการมีคำถามใหญ่เข้ามา อะไร ทำไม และมันทำงานอย่างไร? วันนี้เราตอบคำถามเหล่านี้และอื่น ๆ

แมชชีนเลิร์นนิงในการโฆษณาคืออะไร?

แมชชีนเลิร์นนิงในการโฆษณาหมายถึงกระบวนการที่เทคโนโลยีโฆษณาใช้ข้อมูล วิเคราะห์ และกำหนดข้อสรุปเพื่อปรับปรุงงาน ในแง่ที่ง่ายกว่า: เป็นวิธีที่เทคโนโลยีโฆษณาเรียนรู้

สิ่งที่เรียนรู้ขึ้นอยู่กับเทคโนโลยี อาจเป็นอะไรก็ได้ที่เกี่ยวข้องกับการโฆษณา เช่น การซื้อสื่อ การทำแผนที่การเดินทางของลูกค้า การแบ่งกลุ่มผู้ชม ฯลฯ

ยิ่งเทคโนโลยีแมชชีนเลิร์นนิงประมวลผลข้อมูลมากเท่าใด ก็ยิ่งเรียนรู้เกี่ยวกับงานนั้นมากขึ้นเท่านั้น และยิ่งทำให้เสร็จได้ดีขึ้นเท่านั้น อย่างที่มนุษย์ต้องการ

ความแตกต่างระหว่างการเรียนรู้ของเครื่องและปัญญาประดิษฐ์

คุณมักจะได้ยินคำว่า “แมชชีนเลิร์นนิง” และ “ปัญญาประดิษฐ์” ที่ใช้ในการสนทนาเกี่ยวกับเทคโนโลยีที่ทันสมัยที่สุดในปัจจุบัน พวกเขาเกี่ยวข้องกัน แต่สิ่งสำคัญคือต้องรู้ว่าไม่สามารถใช้แทนกันได้

แม้ว่าแมชชีนเลิร์นนิงหมายถึงกระบวนการเฉพาะ: เครื่องจักรที่ใช้ข้อมูลเพื่อ "เรียนรู้" และปรับปรุงการทำงาน ปัญญาประดิษฐ์เป็นคำที่กว้างกว่า หมายถึงเทคโนโลยีที่สามารถทำงานได้ตามธรรมเนียมที่ต้องใช้สติปัญญาของมนุษย์ แมชชีนเลิร์นนิงจึงเป็นแง่มุมหนึ่งของปัญญาประดิษฐ์ แต่ก็ไม่ได้มีความหมายเหมือนกันกับ AI

ทำไมต้องแมชชีนเลิร์นนิง?

ตั้งแต่ธุรกรรมดิจิทัลและสต็อกสินค้าขายปลีกไปจนถึงอุณหภูมิของห้องเซิร์ฟเวอร์ มีเพียงเล็กน้อยที่ธุรกิจสมัยใหม่ไม่สามารถติดตามได้

และแม้ว่าข้อมูลที่มากขึ้นหมายถึงโอกาสในการปรับปรุงมากขึ้น แต่นั่นก็เป็นความจริงถ้าคุณมีสิ่งที่ต้องการวิเคราะห์เท่านั้น น่าเสียดายที่ธุรกิจส่วนใหญ่ไม่ทำ

รายงานระบุว่าข้อมูลของวันนี้มากกว่าครึ่งหนึ่งไม่ได้ใช้ สาเหตุหลักที่เรียกกันว่า "ข้อมูลมืด" ไม่ได้ถูกใช้งานมีดังนี้

การขาดเครื่องมือ ข้อมูลที่ขาดหายไป ข้อมูลมากเกินไป และระบบที่ปิดกั้น ล้วนทำให้ธุรกิจไม่สามารถใช้ประโยชน์จากกลุ่มเป้าหมายได้อย่างเต็มที่ ที่รากของอุปสรรคทั้งหมดเหล่านี้เป็นปัญหาที่เรียบง่ายแต่สำคัญ: มนุษย์ไม่สามารถทำทุกอย่างได้อีกต่อไป มีมากเกินไปที่จะระบุ รวบรวม และดำเนินการ

การแก้ไขปัญหา?

Orchid Richardson รองประธานและกรรมการผู้จัดการของ Data Center of Excellence ของ IAB กล่าวว่ามันคือ AI:

แล้ว 95% ของผู้โฆษณามีเทราไบต์ต่อข้อมูลประชากรหลายเพตะไบต์ ซึ่งรวมถึงข้อมูลส่วนบุคคล ข้อมูลตำแหน่ง และความสนใจที่พวกเขาสามารถใช้เพื่อกำหนดเป้าหมายผู้มีโอกาสเป็นลูกค้าที่พวกเขาแทบไม่รู้อะไรเลย ปัญญาประดิษฐ์เป็นวิธีหนึ่งในการทำให้ข้อมูลเชื่องและนำไปสู่ระดับต่อไป

ในขณะที่การฝึกฝนข้อมูลและนำ "ไปสู่อีกระดับ" ด้วย AI ดูเหมือนจะเป็นแนวคิดที่ล้ำยุค แต่ก็เป็นสิ่งที่เกิดขึ้นมาหลายปีแล้ว กระนั้น ผู้โฆษณาเพิ่งเริ่มขีดข่วนศักยภาพของ AI

5 ตัวอย่างแมชชีนเลิร์นนิงในการโฆษณา

แมชชีนเลิร์นนิงในการโฆษณาอาจมองเห็นได้ไม่ง่ายนัก เนื่องจากการประมวลผลที่ซับซ้อนเกิดขึ้นเบื้องหลัง มีโอกาสดีที่เครื่องมือโปรดของคุณบางตัวจะใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อมอบข้อมูลเชิงลึกที่คุณได้รับ

ไม่ว่าจะเป็นของใหม่หรือของจริง สิ่งสำคัญที่สุดบางส่วนที่แมชชีนเลิร์นนิงทำให้ผู้ลงโฆษณาสามารถทำได้:

1. ใช้ประโยชน์จากข้อมูลเชิงลึกที่ไม่คาดคิด

หากคุณเป็นผู้ลงโฆษณาที่ดี คุณจะลงโฆษณาโดยใช้ข้อมูลเป้าหมาย แต่วิธีที่คุณได้รับข้อมูลนั้นไม่สมบูรณ์แบบ

แม้ว่าคุณอาจต้องการวิเคราะห์ทุกจุดข้อมูลที่เกี่ยวข้องกับข้อเสนอของคุณ แต่คุณกำลังดำเนินการด้วยงบประมาณที่จำกัด และนั่นจะบังคับให้คุณจัดลำดับความสำคัญของข้อมูลที่สำคัญที่สุดที่จำเป็นในการเรียกใช้แคมเปญโฆษณาที่ประสบความสำเร็จ การจัดลำดับความสำคัญ ขึ้นอยู่กับงบประมาณของคุณ อาจหมายถึงข้อมูลเพียงเล็กน้อย

อย่างไรก็ตาม ปัญหาที่ไม่ค่อยชัดเจนนักก็คือ สมมติฐานที่คุณตั้งขึ้นเกี่ยวกับข้อเสนอและผู้ชมจะจำกัดวิธีการโฆษณาของคุณ ตัวอย่างเช่น หากผลิตภัณฑ์ของคุณเป็นวิดีโอเกม คุณอาจแสดงโฆษณาให้กับผู้เล่นที่อายุน้อยและผู้ปกครองวัยกลางคน แต่ไม่ถือว่าปู่ย่าตายายหรือผู้เล่นที่มีอายุมากกว่า สมมติฐานประเภทนี้อาจทำให้คุณต้องเสียรายได้

ในการประชุม AI ของ VentureBeat Transform 2018 สถานการณ์นี้นำเสนอโดย Julie Shumaker รองประธานฝ่ายโซลูชันผู้โฆษณาของ Unity เป็นเพียงประเภทของปัญหาการเรียนรู้ของเครื่องที่สามารถแก้ไขได้:

ผู้โฆษณาอาจมีเป้าหมายที่เฉพาะเจาะจงมาก เช่น ขายการติดตั้งเกม 17 ดอลลาร์ให้กับผู้เล่นอายุ 22 ปี เธอกล่าว พวกเขาคงไม่นึกถึงผู้หญิงอายุ 65 ปี แต่แมชชีนเลิร์นนิงอาจเปิดเผยว่าผู้หญิงคนนี้มีแนวโน้มที่จะใช้จ่ายประมาณ $3.99 ในช่วงสามวัน และหากต้นทุนในการได้มาอยู่ที่ 75 เซ็นต์ ก็จะให้ ROI ที่ดีพอๆ กับเป้าหมายที่สูงกว่าดอลลาร์สำหรับเป้าหมายโฆษณาทั่วไป

สำหรับความสามารถที่คุ้มค่าในการประมวลผลชุดข้อมูลจำนวนมาก เทคโนโลยีแมชชีนเลิร์นนิงเหมาะอย่างยิ่งสำหรับการเปิดเผยโอกาสในการสร้างรายได้ที่งบประมาณและสมมติฐานของมนุษย์อาจจำกัด

ไม่ว่าจะเป็นข้อมูลเชิงลึกเกี่ยวกับผู้ชม กระบวนการภายใน กลยุทธ์การเสนอราคา หรืออื่นๆ ศักยภาพในการปรับปรุงก็ยอดเยี่ยม

John Koetsier รองประธานฝ่าย Insights at Singular ซึ่งเป็นแพลตฟอร์มข้อมูลการตลาดกล่าวว่าด้วยการเรียนรู้ของเครื่อง “คุณสามารถลองใช้สิ่งบ้าๆ ได้”

ตัวอย่างเช่น ลูกค้ารายหนึ่งของ Singular ใช้แนวทางที่แปลกใหม่ในการแสดงโฆษณาสำหรับวิดีโอเกมโดยไม่แสดงการเล่นเกมจริง แคมเปญต่อต้านสัญชาตญาณทำให้เกิดการสนทนามากมายเกี่ยวกับผลิตภัณฑ์ในหมู่ผู้ชมเป้าหมาย

“คุณสามารถลองทำอะไรหลายๆ อย่างได้ เพราะคุณสามารถปล่อยให้เครื่องจักรค้นหาว่าอะไรกำลังสร้างผลกระทบแบบเรียลไทม์” Koetsier กล่าว “คุณสามารถทำสิ่งที่โง่ได้ และบางครั้ง สิ่งที่โง่ก็เป็นสิ่งที่ฉลาด”

2. ปรับปรุงการสร้างสรรค์โฆษณา

ผู้ชมตอบสนองต่อครีเอทีฟโฆษณาต่างกัน สื่อ แบบอักษร คำกระตุ้นการตัดสินใจ — สิ่งเหล่านี้เป็นหนึ่งในส่วนผสมที่สร้างสรรค์ที่ทำให้ผู้คนคลิกหรือปรับแต่ง

ในขณะที่หลายคนคิดว่าแมชชีนเลิร์นนิงเกี่ยวข้องกับข้อมูลเชิงปริมาณอย่างเข้มงวด แต่ก็ไม่เป็นเช่นนั้น Rajiv Bhat รองประธานอาวุโสฝ่าย Data Sciences and Marketplace ของ InMobi กล่าวว่าระบบวิเคราะห์เชิงคาดการณ์สามารถช่วยในการพัฒนาความคิดสร้างสรรค์ที่ดีขึ้นได้เช่นกัน:

ในระบบดังกล่าว ข้อมูลเกี่ยวกับครีเอทีฟโฆษณาในอดีตและแคมเปญในอดีตจะถูกบดขยี้เพื่อกำหนดว่าสิ่งใดจะใช้ได้ผลสำหรับความพยายามอย่างต่อเนื่อง ด้วยแอปพลิเคชั่น AI นี้ แบรนด์ต่างๆ จะเข้าใจได้ดีขึ้นว่าทุกอย่างตั้งแต่การส่งข้อความ แบบอักษร สี ภาพ ขนาดปุ่ม หรือรูปแบบจะส่งผลต่อประสิทธิภาพโดยรวมของแคมเปญอย่างไร”

อาจฟังดูคล้าย ๆ กัน แต่ระบบแบบนี้ไม่ใช่เรื่องสมมุติ Bidalgo ซึ่งเป็นแพลตฟอร์มการตลาดอัตโนมัติของแอปบนอุปกรณ์เคลื่อนที่ ได้จัดเตรียมเครื่องมือที่ทำสิ่งนี้ได้อย่างแท้จริง เรียกว่า “Creative AI” บริการแมชชีนเลิร์นนิงนี้วิเคราะห์สื่อภาพเพื่อค้นหาแนวทางสร้างสรรค์ที่มีแนวโน้มว่าจะประสบความสำเร็จ CMO ของมัน Rishi Shiva กล่าวว่า:

ก่อนที่คุณจะลงทุนหลายแสนดอลลาร์เพื่อพัฒนาเนื้อหาวิดีโอ คุณสามารถเรียกใช้รูปภาพและวิดีโอในอดีตของคุณผ่านระบบของเราได้ และจะให้ข้อมูลเชิงลึกแก่คุณจริงๆ

คุณกำหนดได้ว่าโฆษณาใดส่งผลดีต่อผู้ชม และระบบเฉพาะนี้สามารถเจาะจงได้เหมือนกับวิธีที่ผู้คนโพสท่าในภาพ หลังจากเสร็จแล้ว ซอฟต์แวร์จะนำเสนอบทสรุปเชิงสร้างสรรค์สำหรับทีมเนื้อหาตามการวิเคราะห์

การประยุกต์ใช้แมชชีนเลิร์นนิงที่คล้ายกันซึ่งมีรายละเอียดใน Journal of Consumer Psychology เกี่ยวข้องกับโครงการวิจัยที่จับคู่ภาพกับประเภทบุคลิกภาพ นักวิจัยได้ใช้อัลกอริธึมในการระบุคุณลักษณะต่างๆ ของภาพ 89 แบบ ซึ่งรวมถึงเฉดสี ความอิ่มตัว ความหลากหลายของสี ระดับของรายละเอียด จำนวนคน และอื่นๆ

ผู้เข้าร่วม 745 คนในการศึกษานี้ถูกขอให้ให้คะแนนภาพในระดับ 1-7 เมื่อพวกเขาทำเสร็จแล้ว พวกเขาได้ทำแบบทดสอบบุคลิกภาพที่ให้คะแนนพวกเขาในห้าด้าน ได้แก่ ความเปิดเผย ความมีมโนธรรม การพาดพิงถึง ความพอใจ และโรคประสาท จากนั้นพวกเขาจึงพยายามค้นหาว่าภาพใดดึงดูดลักษณะบุคลิกภาพใด เหนือสิ่งอื่นใด พวกเขาค้นพบ:

• คนพาหิรวัฒน์ชอบภาพธรรมดาๆ และภาพที่เป็นจุดเด่นของผู้คน
• คนใจกว้างชอบภาพที่ไม่มีคนและสีโทนเย็น เช่น สีฟ้าและสีดำ
• คนที่เป็นโรคประสาทสูงชอบฉากที่สงบและกระตุ้นน้อยที่สุด

ในการศึกษาติดตามผล นักวิจัยพบว่าอาสาสมัครต้องการภาพโฆษณาที่เหมาะสมกับบุคลิกของพวกเขา แต่ที่สำคัญกว่านั้น อัลกอริธึมการเรียนรู้ของเครื่องพบว่าความสัมพันธ์ระหว่างประเภทบุคลิกภาพและประเภทภาพอาจส่งผลต่อความสนใจของผู้บริโภคในผลิตภัณฑ์ ผู้คนไม่เพียงแต่ชอบภาพที่เข้ากับบุคลิกของพวกเขาเท่านั้น พวกเขารายงานทัศนคติที่ดีและความตั้งใจในการซื้อต่อแบรนด์เหล่านี้ด้วย

3. เพิ่มความเกี่ยวข้องตามบริบท

ตามทฤษฎีแล้ว การออกแบบโฆษณาที่ดีควรเพียงพอที่จะสร้างการตอบสนองที่ดีจากผู้ชมเป้าหมายของคุณ แน่นอนว่ามันไม่ง่ายอย่างนั้น

นอกจากการออกแบบที่ดีแล้ว โฆษณาของคุณยังต้องทำงานบนแพลตฟอร์มที่เหมาะสม ด้วยการกำหนดเป้าหมายที่ถูกต้อง ในเวลาที่เหมาะสม Bhat กล่าวว่านี่เป็นกระบวนการที่การเรียนรู้ด้วยเครื่องกำลังปรับปรุง:

ตัวอย่างเช่น เป็นไปได้ว่าครีเอทีฟโฆษณาที่มีคอนทราสต์ของสีมากกว่าจะทำงานได้ดีกว่าในตอนกลางคืน หรือโฆษณาที่มีดารากีฬาทำได้ดีที่สุดในช่วงสุดสัปดาห์ AI สามารถให้รายละเอียดและข้อมูลเชิงลึกในระดับนี้แก่การพัฒนาและประสิทธิภาพของโฆษณา

ความเกี่ยวข้องตามบริบทมีความสำคัญมากขึ้นในขณะนี้ที่หน่วยงานกำกับดูแลกำลังปราบปรามการใช้ข้อมูล GDPR ได้กำหนดข้อจำกัดเกี่ยวกับข้อมูล และประเทศอื่นๆ ก็กำลังปฏิบัติตาม

แทนที่จะพึ่งพาข้อมูลผู้ชมอย่างเคร่งครัด เทคโนโลยีแมชชีนเลิร์นนิงถูกนำมาใช้มากขึ้นในการประมวลผลข้อมูลในหน้า และพวกเขากำลังทำมันในรูปแบบที่ซับซ้อนจนเกือบจะเป็นมนุษย์ Harmon Lyons รองประธานอาวุโสฝ่ายพัฒนาธุรกิจระดับโลกของ IAS กล่าวว่า:

ความก้าวหน้าในปัจจุบันทำให้เส้นแบ่งระหว่างมนุษย์กับเครื่องจักรไม่ชัดเจน เช่น การวิเคราะห์ความเชื่อมั่น เครื่องจักรสามารถระบุและจัดหมวดหมู่ความคิดเห็นที่แสดงเป็นข้อความได้มากขึ้น เพื่อกำหนดว่าทัศนคติของผู้เขียนที่มีต่อหัวข้อหรือผลิตภัณฑ์เฉพาะ เป็นบวก ลบ หรือเป็นกลาง

ความแตกต่างเล็กน้อยที่นี่มีการพัฒนาอยู่เสมอเมื่อภาษาขยายตัวและรวมถึงสิ่งต่างๆ เช่น การเสียดสีและอีโมติคอนเพื่อแสดงความหมาย ความก้าวหน้าอย่างรวดเร็วในการเรียนรู้เชิงลึกทำให้คอมพิวเตอร์สามารถประมวลผลภาพและวิดีโอในลักษณะที่เหมือนมนุษย์มากขึ้น

ในระดับพื้นฐาน การเข้าใจเนื้อหาของหน้าเว็บจะช่วยให้ผู้โฆษณาและผู้เผยแพร่โฆษณาแสดงโฆษณาที่เกี่ยวข้องมากขึ้นได้ ในระดับที่ซับซ้อนยิ่งขึ้น ทำให้ผู้ลงโฆษณาสามารถทำสิ่งที่น่าประทับใจได้

ตัวอย่าง Vodafone

ลองพิจารณาตัวอย่างจาก Vodafone ในสหราชอาณาจักรที่ต้องการโฆษณาว่าจะใช้ iPhone X เนื่องด้วยแนวทางการใช้แบรนด์ที่เข้มงวดของ Apple บริษัทจึงประสบปัญหาในการกล่าวถึงผลิตภัณฑ์จริงๆ

ดังนั้นพวกเขาจึงใช้เทคโนโลยีการเรียนรู้ของเครื่องจาก GumGum เมื่อปรับใช้ เทคโนโลยีนี้จะวิเคราะห์รูปภาพในหน้าเพื่อค้นหาโฆษณา iPhone แล้ววางโฆษณา Vodafone ไว้ด้านบน สิ่งนี้ชัดเจนเพียงพอสำหรับผู้บริโภคที่เข้าใจว่าบริษัทจะพก iPhone ตามความเกี่ยวข้องของโฆษณา

ตัวอย่างรถจี๊ป

Jeep ซึ่งเป็นลูกค้าของ GumGum อีกคนหนึ่ง ตัดสินใจที่จะข้ามการสร้างแบบจำลองพฤติกรรมและแทนที่จะใช้ประโยชน์จากบริบทแทน ด้วยเทคโนโลยีแมชชีนเลิร์นนิง บริษัทสแกนหน้าเว็บเพื่อค้นหาภาพของรถรุ่นต่างๆ ที่แข่งขันกับรถเชอโรกี เช่น Toyota RAV4 จากนั้น เช่นเดียวกับ Vodafone พวกเขาวางโฆษณาไว้เหนือรุ่นคู่แข่ง

นอกเหนือจากกรณีการใช้งานเหล่านี้แล้ว แมชชีนเลิร์นนิงสามารถทำสิ่งที่ดีเยี่ยมเพื่อชื่อเสียงของแบรนด์ได้ ด้วยอินสแตนซ์ที่เพิ่มขึ้นของโฆษณาแบบเป็นโปรแกรมที่ทำงานในตำแหน่งที่ไม่ปลอดภัยต่อแบรนด์ (เช่น ถัดจากเนื้อหาหัวรุนแรง เป็นต้น) การเรียนรู้ด้วยเครื่องสามารถช่วยผู้ลงโฆษณาในการป้องกันฝันร้ายของการประชาสัมพันธ์ก่อนที่จะเกิดขึ้น และหลีกเลี่ยงการคว่ำบาตรไซต์และอาจมีผู้ชมจำนวนมาก (เหมือนหลายๆ คนถูกบังคับให้ทำกับ YouTube)

4. กำหนดเป้าหมายกลุ่มที่กำหนดไว้มากขึ้น

เป้าหมายของผู้โฆษณาทุกคนมีความเกี่ยวข้องสูงสุด และวิธีการที่เกี่ยวข้องคือการแบ่งส่วน ยิ่งกลุ่มผู้ชมของคุณแคบลง ก็ยิ่งเข้าใกล้การส่งมอบส่วนบุคคลแบบ 1:1 ที่ลูกค้าต้องการมากขึ้นเท่านั้น

แต่หากต้องการเข้าถึงการตั้งค่าส่วนบุคคลแบบ 1:1 ได้ทุกที่ คุณต้องมีข้อมูลจำนวนมหาศาลเพื่อเริ่มต้น จากนั้น คุณต้องมีอัลกอริธึมแมชชีนเลิร์นนิงที่ซับซ้อนเพียงพอเพื่อกรองข้อมูลและเปลี่ยนให้เป็นสิ่งที่ใช้งานได้

โชคดีที่สิ่งเหล่านี้เป็นคุณสมบัติทั้งสองของเครือข่ายหลัก เช่น Facebook, Google และ LinkedIn พวกเขารวบรวมข้อมูลมากมายเกี่ยวกับผู้ใช้ของตน เช่น งานอดิเรก ความสนใจ สถานที่ ตำแหน่งงาน ฯลฯ ซึ่งผู้โฆษณาสามารถใช้เพื่อจำกัดกลุ่มเป้าหมายให้แคบลงได้ Gil Allouche ผู้ร่วมก่อตั้งและซีอีโอของ Metadata.io กล่าวว่าข้อมูลเช่นนี้มีค่ามาก เพราะช่วยให้ทำงานกับข้อมูลอื่นๆ ได้ง่ายขึ้น:

เพื่อไม่ให้มี "เมตา" มากเกินไป แต่ข้อมูลเมตาคือข้อมูลที่ให้ข้อมูลเกี่ยวกับข้อมูลอื่นๆ สมมุติอีกครั้งในวิธีที่ต่างออกไป: Metadata สรุปข้อมูลพื้นฐานเกี่ยวกับข้อมูล ซึ่งทำให้การค้นหาและทำงานกับอินสแตนซ์เฉพาะของข้อมูลง่ายขึ้น ตามข้อมูลของ Smart Insights "ข้อมูลเมตาวาดภาพเกี่ยวกับกิจวัตรประจำวัน ปฏิสัมพันธ์ มุมมองและความสัมพันธ์ของแต่ละบุคคล และเหตุผลที่มีประโยชน์ก็คือมันไม่ได้โกหก

เมื่อคุณรวบรวมข้อมูลประเภทนี้ คุณจะเข้าใจสิ่งที่ Gil และทีมงานที่ Metadata.io เรียกว่า "'บันทึกรัก' สำหรับข้อมูลเชิงลึกทางธุรกิจในอนาคต" เพราะเป็น "การแสดงความจริงในรูปแบบลายลักษณ์อักษร"

สำหรับธุรกิจ ความจริงในรูปแบบของข้อมูลลูกค้าไม่ใช่เรื่องง่าย ดังนั้น เมื่อมีการรวบรวมจำนวนมากและใช้ประโยชน์จากเครือข่ายต่างๆ เช่น Facebook และ Google มันจะกลายเป็นวิธีอันมีค่าในการจำกัดกลุ่มเป้าหมายของคุณให้แคบลงเหลือเพียงกลุ่มเดียวที่มีแนวโน้มว่าจะรับข้อเสนอของคุณ

Facebook รวบรวมข้อมูลและอนุญาตให้คุณสร้างผู้ชม ที่สำคัญกว่านั้นคือ แพลตฟอร์มนี้ใช้แมชชีนเลิร์นนิงในการพิจารณาว่าใครในกลุ่มผู้ชมนั้นมีแนวโน้มที่จะบรรลุวัตถุประสงค์ที่คุณเสนอราคามากที่สุด

ในขณะเดียวกัน แนวทางปฏิบัตินี้ก็ไร้ค่าหากคุณเพียงแค่จำกัดกลุ่มเป้าหมายและมอบประสบการณ์โฆษณาแบบเดียวกัน Gil พูดถูกเมื่อเขากล่าวว่า "โฆษณาที่ดีที่สุดในปัจจุบันคือเนื้อหาที่น่าสนใจและเป็นส่วนตัวซึ่งมีความหมายที่แท้จริงสำหรับผู้ชมของแบรนด์"

ผู้ชมแต่ละคนควรมีโฆษณาที่ปรับเปลี่ยนในแบบของคุณตามข้อมูล และเพื่อสัมผัสประสบการณ์นั้นต่อไป โฆษณาแต่ละรายการควรนำผู้ใช้ไปยังหน้าหลังการคลิกที่มีการปรับเปลี่ยนในแบบของคุณเท่าๆ กัน

นำตัวอย่างนี้จาก Abreva ผู้สร้างโฆษณาที่แตกต่างกัน 119 รายการสำหรับผลิตภัณฑ์ของตนตามบริบทที่มีการดู เมื่อลูกค้าพบโฆษณาในวิดีโอเกี่ยวกับเรื่องซุบซิบดารา พวกเขาจะแสดงโฆษณาในลักษณะนี้:

แต่ถ้าพวกเขาเห็นโฆษณาขณะดูวิดีโอแนะนำ พวกเขาจะเห็นสิ่งนี้:

แคมเปญเฉพาะบุคคลนำไปสู่การเพิ่มการรับรู้และการพิจารณาที่สำคัญ Abreva สร้างการจำโฆษณาได้เพิ่มขึ้น 41% และความสนใจในการค้นหาใน Google และ YouTube เพิ่มขึ้น 342%

ในเครือข่ายอื่นๆ เช่น การค้นหาของ Google แมชชีนเลิร์นนิงทำให้กระบวนการนี้เร็วยิ่งขึ้น ด้วยโฆษณาในเครือข่ายการค้นหาที่ปรับเปลี่ยนตามบริบท คุณสามารถป้อนบรรทัดแรก สำเนา และคำอธิบายได้หลายเวอร์ชัน จากนั้น Google จะทดสอบและให้บริการเวอร์ชันที่ทำงานได้ดีที่สุด โดยเฉลี่ยแล้ว ผู้โฆษณาที่ใช้คุณลักษณะนี้จะสร้างการคลิกเพิ่มขึ้น 15%

5. เสนอราคาอย่างมีกลยุทธ์มากขึ้น

ในการโฆษณาแบบเป็นโปรแกรม การแสดงผลบางรายการอาจไม่คุ้มกับราคาที่คุณยินดีเสนอราคา บางสิ่งเป็น. และบางอย่างก็มีค่ามากกว่านั้น

ต้องขอบคุณแพลตฟอร์มฝั่งดีมานด์ การประเมินการแสดงผลเหล่านี้ไม่จำเป็นต้องคาดเดาอีกต่อไป การใช้เทคโนโลยีแมชชีนเลิร์นนิงทำให้แพลตฟอร์มเหล่านี้สามารถเสนอราคาและการเพิ่มประสิทธิภาพซึ่งครั้งหนึ่งเคยต้องการผู้ซื้อที่มีประสบการณ์

ลองใช้ Smart Bidding ของ Google เช่น กลยุทธ์การเสนอราคาอัตโนมัติที่ใช้แมชชีนเลิร์นนิงเพื่อเพิ่มประสิทธิภาพสำหรับ Conversion หรือมูลค่า Conversion ในทุกการประมูล สิ่งนี้เรียกว่า "การเสนอราคาตามเวลาจริงในการประมูล" จากข้อมูลของ Google กลยุทธ์ Smart Bidding มีห้าประเภท:

• CPA เป้าหมาย: CPA เป้าหมายจะกำหนดราคาเสนอเพื่อช่วยให้ได้รับ Conversion มากที่สุดเท่าที่จะเป็นไปได้ที่หรือต่ำกว่าต้นทุนต่อการดำเนินการเป้าหมาย (CPA) ที่คุณตั้งไว้
• ROAS เป้าหมาย: ROAS เป้าหมายช่วยให้คุณเสนอราคาตามผลตอบแทนเป้าหมายจากค่าโฆษณา (ROAS) กลยุทธ์นี้ช่วยให้คุณได้รับมูลค่า Conversion หรือรายได้เพิ่มขึ้นตามผลตอบแทนจากค่าโฆษณา (ROAS) เป้าหมายที่คุณตั้งไว้
• เพิ่มจำนวน Conversion สูงสุด: การ เพิ่มจำนวน Conversion สูงสุดจะกำหนดราคาเสนอโดยอัตโนมัติเพื่อช่วยให้ได้รับ Conversion มากที่สุดสำหรับแคมเปญของคุณโดยใช้งบประมาณของคุณ
• CPC ที่ปรับปรุงแล้ว: ราคาต่อหนึ่งคลิกที่ปรับปรุงแล้ว (ECPC) ช่วยให้คุณได้รับ Conversion มากขึ้นจากการเสนอราคาด้วยตนเอง ECPC ทำงานโดยการปรับราคาเสนอที่คุณกำหนดเองโดยอัตโนมัติสำหรับการคลิกที่มีแนวโน้มมากหรือน้อยที่จะนำไปสู่การขายหรือการแปลงบนเว็บไซต์ของคุณ

ที่คุณเลือกขึ้นอยู่กับเป้าหมายของแคมเปญ งบประมาณ และปัจจัยอื่นๆ ไม่ว่าคุณจะมั่นใจแค่ไหนว่าอัลกอริทึม Smart Bidding ของ Google ได้รับการฝึกอบรมมาเป็นอย่างดี Google ได้รับและวิเคราะห์ข้อมูลอย่างต่อเนื่อง เพื่อให้เข้าใจว่าราคาเสนอและการแสดงผลใดมีประสิทธิภาพมากที่สุดสำหรับเป้าหมายที่คุณเลือก ข้อมูลนี้มีพารามิเตอร์ที่หลากหลายกว่าทีมเดียวหรือบุคคลใดที่สามารถประมวลผลได้

ซึ่งรวมถึงปัจจัยพื้นฐาน เช่น อุปกรณ์และตำแหน่ง ซึ่งปรับเปลี่ยนได้ด้วยตนเอง รวมถึงสัญญาณอัตโนมัติที่ไม่ซ้ำใครใน Smart Bidding เหล่านี้มีจำนวนมากกว่ามาก คุณสามารถค้นหาข้อมูลต่างๆ ได้ที่นี่ รวมถึงพฤติกรรมของไซต์ คุณลักษณะของผลิตภัณฑ์ ตำแหน่งเว็บ และอื่นๆ

เนื่องจาก Smart Bidding สามารถเพิ่มประสิทธิภาพโดยอิงจากข้อมูลจากทุกแคมเปญของคุณ แม้แต่แคมเปญใหม่ก็มีประสิทธิภาพเพิ่มขึ้น ถึงกระนั้น คุณไม่ควรตัดสินใจทางธุรกิจใดๆ ตามผลลัพธ์ของแคมเปญ จนกว่าคุณจะมีตัวอย่างมากพอ: อย่างน้อย 30 Conversion (50 สำหรับ ROAS เป้าหมาย) และ/หรือระยะเวลาดำเนินการนานกว่าหนึ่งเดือน

เริ่มใช้แมชชีนเลิร์นนิงเพื่อเพิ่ม Conversion

ผู้โฆษณามักตั้งตารอการใช้งานเทคโนโลยีปัจจุบันที่ดีขึ้นอยู่เสมอ นั่นคือกรณีของแมชชีนเลิร์นนิงมากพอๆ กับที่อื่นๆ: แชทบอทที่ดีขึ้น การจดจำเสียง การประมวลผลภาพ ฯลฯ

แต่แมชชีนเลิร์นนิงสามารถส่งผลในเชิงบวกอย่างมากต่อแคมเปญของคุณ ในปัจจุบัน กลยุทธ์การเสนอราคา ความคิดสร้างสรรค์ และที่สำคัญที่สุดคือ การปรับเปลี่ยนในแบบของคุณ ปรับปรุงได้อย่างมากเมื่อคุณพบโมเดลแมชชีนเลิร์นนิงที่เหมาะกับคุณ ไม่ต้องสงสัยเลยว่ามีบางอย่างสำหรับทุกคน แม้ว่าจะเป็นเพียง Smart Bidding หรือโฆษณาในเครือข่ายการค้นหาที่ปรับเปลี่ยนตามบริบทของ Google

เรียนรู้วิธีใช้ประโยชน์จากแมชชีนเลิร์นนิงของคุณให้มากขึ้นด้วยการเชื่อมต่อหน้า Landing Page หลังคลิกส่วนบุคคลจาก Instapage รับการสาธิตที่นี่