5 个展示机器学习如何改变数字广告的例子

在现代广告的所有进步中，很少有比机器学习更令人兴奋的了。 它正在改变企业收集和分析数据的方式，甚至改变数据可以做的事情。

但革命性的技术带来了大问题。 它是什么、为什么以及如何工作？ 今天我们回答这些以及更多。

什么是广告中的机器学习？

广告中的机器学习是指广告技术接收数据、分析数据并得出结论以改进任务的过程。 简单来说：这就是广告技术的学习方式。

它学到的东西取决于技术。 它可以是与广告相关的任何事情：媒体购买、客户旅程地图、受众细分等。

机器学习技术处理的数据越多，它对该任务的了解就越多，完成任务的能力就越好。 就像人类一样。

机器学习和人工智能的区别

在谈论当今最复杂的技术时，您会经常听到“机器学习”和“人工智能”这两个术语。 它们是相关的，但重要的是要知道它们不可互换。

虽然机器学习是指一个特定的过程：机器使用数据来“学习”并改善其功能，但人工智能是一个更广泛的术语。 它指的是可以执行传统上需要人类智能的任务的技术。 因此，机器学习是人工智能的一个方面，但它并不是人工智能的同义词。

为什么是机器学习？

从数字交易和零售库存到服务器机房的温度，现代企业几乎无法追踪。

尽管更多的数据意味着更多的改进机会，但只有当您拥有需要分析的数据时，这才是正确的。 不幸的是，大多数企业都没有。

报告显示，今天超过一半的数据没有使用。 被称为“暗数据”，它未被使用的主要原因如下：

缺乏工具、数据缺失、数据过多和孤立的系统都使企业无法充分利用受众。 所有这些障碍的根源是一个简单但主要的问题：人类不能再做这一切了。 需要识别、收集和处理的东西太多了。

解决方案？

IAB 卓越数据中心副总裁兼董事总经理 Orchid Richardson 表示，这是人工智能：

已经有 95% 的广告商拥有数 TB 级的人口统计数据，包括个人数据、位置信息和兴趣，他们可以用来定位他们几乎一无所知的潜在客户。 人工智能是一种驯服数据并将其提升到新水平的方法。

虽然驯服数据并通过人工智能将其“提升到一个新的水平”似乎是一个未来主义的概念，但它已经发生了多年。 尽管如此，广告商才刚刚开始触及人工智能潜力的表面。

5 个机器学习在广告中的例子

广告中的机器学习并不总是很容易发现，因为复杂的处理发生在幕后。 您最喜欢的一些工具很有可能利用机器学习来提供您认为理所当然的见解。

无论它们是新的还是经过验证的，以下是机器学习使广告商能够做的一些最重要的事情：

1. 利用意想不到的见解

如果您是一名优秀的广告商，您就会借助有针对性的数据来​​投放广告。 但是您获取数据的方式并不完美。

尽管您可能想要分析与您的报价相关的每个数据点，但您的预算有限。 这将迫使您优先考虑运行成功的广告活动所需的最重要数据。 根据您的预算，优先级可能意味着很少的数据。

然而，一个不太明显的问题是，您对报价及其受众所做的假设也会限制您的广告方式。 例如：如果您的产品是电子游戏，您可能会向年轻玩家及其中年父母投放广告，但不考虑祖父母或年长玩家。 这些类型的假设可能会让您损失收入。

在 VentureBeat Transform 2018 人工智能大会上，Unity 广告商解决方案副总裁 Julie Shumaker 介绍了这一场景。 这只是机器学习可以解决的问题类型：

她说，广告商可能有非常具体的目标，比如向 22 岁的玩家出售 17 美元的游戏安装。 他们可能不会想到一个 65 岁的女人。 但机器学习可能会显示，这位女士在三天内可能会花费约 3.99 美元。 如果获取成本为 75 美分，那么对于更典型的广告目标，它会产生与更高美元目标一样好的投资回报率。

机器学习技术具有处理大量数据的成本效益能力，非常适合发现预算和人类假设可能限制的收入机会。

无论是对受众、内部流程、出价策略还是更多方面的洞察，改进的潜力都很大。

借助机器学习，“您可以尝试疯狂的东西，”营销数据平台 Singular 的洞察副总裁 John Koetsier 说。

例如，Singular 的一位客户采用了一种非常规方法，即在不展示任何实际游戏玩法的情况下为视频游戏投放广告。 违反直觉的活动在目标受众中引发了大量关于该产品的对话。

“你可以尝试很多很多事情，因为你可以让机器实时找出产生影响的因素，”Koetsier 说。 “你可以做愚蠢的事情，有时愚蠢的事情就是聪明的事情。”

2. 改进广告创意

受众对广告创意的反应不同。 媒体、字体、号召性用语——这些都是让人们点击或退出的创意成分。

虽然许多人认为机器学习涉及严格的定量数据，但事实并非如此。 InMobi 数据科学和市场高级副总裁 Rajiv Bhat 表示，预测分析系统也可以帮助开发更好的创意：

在这样的系统中，对过去的创意和过去的活动数据进行处理，以准确确定哪些对正在进行的工作有效。 通过人工智能的这种应用，品牌可以更好地了解信息、字体、颜色、图像、按钮大小或格式等所有内容如何影响整体营销活动绩效。”

听起来可能是这样，但这样的系统并不是假设的。 Bidalgo 是一个移动应用营销自动化平台，它提供了一个完全可以做到这一点的工具。 这种机器学习服务被称为“创意人工智能”，它分析视觉媒体以寻找可能成功的创意方法。 其首席营销官 Rishi Shiva 说：

在您投入数十万美元开发视频资产之前，您实际上可以通过我们的系统运行您的历史图像和视频，它实际上会为您提供见解。

您可以确定哪些创意对观众产生了积极影响。 这个特定的系统可以像人们在图像中摆姿势一样具体。 完成后，该软件会根据分析为内容团队提供创意简报。

《消费者心理学杂志》中详细介绍了机器学习的类似应用，其中涉及一个将图像与个性类型相匹配的研究项目。 在其中，研究人员使用算法来识别图像的 89 种不同特征，包括色调、饱和度、颜色多样性、细节水平、人数等。

研究中的 745 名参与者被要求按 1-7 的等级对图像进行评分。 完成后，他们完成了一项性格测试，对他们进行了五个方面的评分：开放性、尽责性、外向性、宜人性和神经质。 然后，他们试图发现哪些图像吸引了哪些个性特征。 除其他外，他们发现：

• 外向的人更喜欢简单的图像和以人物为特色的图像
• 思想开放的人更喜欢没有人的图片和蓝色和黑色等冷色调
• 神经质高的人喜欢平静和刺激性最低的场景

在后续研究中，研究人员发现受试者更喜欢适合其个性的广告图片。 但更重要的是，机器学习算法发现个性类型和图像类型之间的关系会影响消费者对产品的兴趣。 人们不仅仅喜欢与他们的个性相匹配的图像。 他们也报告了对这些品牌的更有利的态度和购买意向。

3. 提高上下文相关性

从理论上讲，设计一个出色的广告应该足以让您的目标受众产生巨大的反响。 当然，事情从来没有那么容易。

除了精心设计之外，您的广告还需要在正确的平台、正确的定位和正确的时间投放。 Bhat 说这也是机器学习正在改进的一个过程：

例如，色彩对比度较高的广告素材可能在夜间效果更好，或者以体育明星为特色的广告在周末效果最佳。 人工智能可以为广告创意开发和表现提供这种级别的粒度和洞察力。

由于监管机构正在打击数据使用，上下文相关性变得越来越重要。 GDPR 对数据进行了限制，其他国家也纷纷效仿。

机器学习技术不再严格依赖受众数据，而是越来越多地用于处理页面数据。 他们的工作方式非常复杂，几乎像人类一样。 IAS 全球业务发展高级副总裁 Harmon Lyons 说：

当前的进步正在模糊人与机器之间的界限，这在情感分析等应用中很明显——机器越来越能够识别和分类文本中表达的观点，以确定作者是否对特定主题或产品的态度是积极的、消极的或中性的。

这里的细微差别总是随着语言的扩展而演变，包括讽刺和表情符号等来表达意义。 深度学习的快速发展使计算机能够以更像人类的方式处理图像和视频。

在基础层面上，了解页面内容可以帮助广告商和发布商提供更相关的广告。 在更复杂的层面上，它允许广告商做一些令人印象深刻的事情。

沃达丰示例

以英国沃达丰的一个例子为例，该公司希望宣传其将搭载 iPhone X。由于 Apple 严格限制品牌使用指南，该公司很难真正提及该产品。

因此，他们利用了 GumGum 的机器学习技术。 部署后，该技术会分析页面图像以查找 iPhone 广告，然后将 Vodafone 广告置于这些广告之上。 这对消费者来说已经足够清楚了，他们知道公司会根据广告的关联来携带 iPhone。

吉普车示例

Jeep 是 GumGum 的另一个客户，决定跳过行为建模，而是利用上下文。 凭借其机器学习技术，该公司扫描网页以查找与其切诺基竞争的车型的图像，例如丰田 RAV4。 然后，像沃达丰一样，他们将广告放在竞争机型之上。

除了这些用例之外，机器学习还可以为品牌声誉做大事。 随着程序化广告在品牌不安全的展示位置（例如极端主义内容旁边）运行的实例越来越多，机器学习可以帮助广告商在公关噩梦发生之前防止它发生，并避免不得不抵制网站及其潜在的大量受众（就像许多人被迫使用 YouTube 一样。）

4. 定位更明确的细分市场

每个广告商的目标都是达到最高相关性。 而实现相关性的方法是细分。 您的细分受众群越窄，您就越接近提供客户渴望的 1:1 个性化。

但要实现接近 1:1 的个性化，您首先需要大量数据。 然后，您需要一个足够复杂的机器学习算法来筛选数据并将其转化为可用的东西。

幸运的是，这些都是 Facebook、Google 和 LinkedIn 等主要网络的功能。 他们收集了大量关于用户的数据——爱好、兴趣、位置、职位等——广告商可以使用这些数据来缩小他们的目标群体。 Metadata.io 的联合创始人兼首席执行官 Gil Allouche 表示，像这样的数据非常有价值，因为它可以更轻松地处理其他数据：

在这里不要太“元”，但元数据是提供有关其他数据的信息的信息。 让我们换一种方式再说一遍：元数据总结了有关数据的基本信息，这使得查找和处理特定数据实例变得更加容易。 根据 Smart Insights 的说法，“元数据描绘了一幅关于个人日常生活、互动、观点和关联的图景，它如此有用的原因是它不会说谎。

当您收集此类数据时，您会得到 Gil 和 Metadata.io 团队所说的“未来商业洞察力的‘情书’”，因为它“以书面形式表达了真相”。

对于企业而言，客户信息形式的真相并非易事。 因此，当它被 Facebook 和 Google 等网络大量收集并加以利用时，它就成为将目标受众显着缩小到更有可能获得您的报价的人的一种有价值的方式。

Facebook 收集数据并允许您创建受众。 更重要的是，该平台使用机器学习来确定哪些受众最有可能完成您竞标的目标。

同时，如果您只是缩小目标受众范围并提供相同的广告体验，则这种做法毫无价值。 Gil 说得对，“当今最好的广告是对品牌受众具有真正意义的引人入胜的个性化内容。”

每个受众都应该有一个基于其数据的个性化广告。 为了继续这种体验，每个广告都应该将用户引导到同样个性化的点击后页面。

以 Abreva 的这个例子为例，他们根据查看产品的上下文为他们的产品制作了 119 个不同的广告。 当客户在视频中看到有关名人八卦的广告时，他们会看到这样的广告：

但如果他们在观看视频教程时看到广告，他们会看到如下内容：

个性化活动极大地提高了认知度和考虑度。 Abreva 的广告回想度提高了 41%，Google 和 YouTube 上的搜索兴趣提高了 342%。

在其他网络上，如谷歌搜索，机器学习使这个过程更快。 使用自适应搜索广告，您可以输入多个版本的标题、文案和说明，Google 将测试并提供表现最佳的一个。 平均而言，使用此功能的广告商将产生 15% 的点击量提升。

5. 更具策略性地出价

在程序化广告中，并非所有展示都值得您愿意出价。 有些是。 有些甚至更值钱。

多亏了需求方平台，评估这些印象不再需要猜测。 使用机器学习技术，这些平台可以进行曾经需要有经验的买家的出价和优化。

以 Google 的智能出价为例：一种自动出价策略，它使用机器学习来优化每次拍卖中的转化次数或转化价值。 这被称为“实时出价”。 根据谷歌的说法，有五种类型的智能出价策略：

• 目标每次转化费用：目标每次转化费用设置出价以帮助获得尽可能多的转化次数，达到或低于您设置的目标每次操作费用 (CPA)。
• 目标 ROAS：目标 ROAS 可让您根据目标广告支出回报率 (ROAS) 出价。 此策略可帮助您以您设定的目标广告支出回报率 (ROAS) 获得更多转化价值或收入。
• 最大化转化次数：最大化转化次数会自动设置出价，以帮助您在花费预算的同时为您的广告系列获得最多的转化次数。
• 成本效益：成本效益管理，效益管理系统帮助您从手动出价获得更多转换。 智能点击付费的工作原理是自动调整您的人工出价，以针对似乎或多或少可能在您的网站上促成销售或转化的点击。

您选择哪个取决于您的广告系列目标、预算和其他因素。 无论如何，您可以确信 Google 的智能出价算法训练有素。 根据谷歌的说法，它不断获取和分析数据，以了解哪些出价和展示对您选​​择的目标最有效。 该数据包含的参数范围比任何单个团队或个人都可以处理的范围要大得多。

它包括可手动调整的设备和位置等基本因素，以及智能出价独有的自动信号。 这些数量要多得多。 您可以在此处找到一些内容，包括网站行为、产品属性、网站展示位置等。

由于智能出价可以根据您所有广告系列的数据进行优化，因此即使是新广告也可以提高效果。 尽管如此，在获得足够大的样本之前，您不应根据广告系列结果做出任何业务决策：至少 30 次转化（目标 ROAS 为 50 次）和/或超过一个月的运行时间。

开始使用机器学习来提高转化率

广告商总是期待更好地应用当前技术。 机器学习的情况与其他任何情况一样多：更好的聊天机器人、语音识别、图像处理等。

但是机器学习可以对您今天的活动产生重大的积极影响。 当您找到适合您的机器学习模型时，出价策略、创意以及最重要的个性化可以成倍提高。 毫无疑问，每个人都有自己的东西。 即使只是智能出价，或 Google 的响应式搜索广告。

通过从 Instapage 连接个性化的点击后登录页面，了解如何从您的机器学习工作中获得更多收益。 在此处获取演示。