Как бренды используют искусственный интеллект (AI) и машинное обучение (ML) в программатик-рекламе
В программатик-рекламе AI всегда был основополагающим звеном, однако по мере развития технологий алгоритмический подход машинного обучения, основанный на данных, со временем стал базовым инструментом, вместе с ним рекламные стратегии стали более доступными и понятными, что в конечном итоге привело к повышению эффективности при работе с рекламными платформами. В чем же разница между искусственным интеллектом (AI) и машинным обучением (ML)? Хотя эти термины могут использоваться как взаимозаменяемые, они не являются синонимами. Давайте вместе разложим все по полочкам!
Итак, пойдем по порядку:
Artificial Intelligence относится к более широкой концепции компьютерных систем, которые могут имитировать человеческий интеллект, включая такие задачи, как распознавание речи, решение проблем и принятие решений.
Machine Learning является одним из разделов AI, который фокусируется на разработке алгоритмов и статистических моделей, позволяющих компьютерам обучаться на основе данных без классического программирования. Это практическая реализация AI, использующая модели, основанные на данных, для точного прогнозирования и оптимизации производительности рекламных кампаний.
Deep Learning — это вид ML, который использует многослойные нейронные сети для самообучения на больших наборах данных. Этот подход позволяет нейросетям находить алгоритмы решения задач и улучшать результаты с каждой итерацией обучения. DL традиционно применяется в компьютерном зрении, машинном переводе и распознавании речи.
Data Science в программатик-рекламе применяется для автоматизации процесса покупки рекламных мест и таргетирования рекламы на наиболее подходящую аудиторию. Используя алгоритмы и машинное обучение, Data Science анализирует большие объемы данных о пользователях, их поведении и предпочтениях, чтобы в режиме реального времени нацеливать рекламные объявления.
Роль AI в программатик при data-driven подходе:
AI позволяет рекламодателям получать ценные сведения и возможности в сжатые сроки. Как искусственный интеллект улучшает работу программатик:
Точный аудиторный таргетинг: алгоритмы анализируют огромные объемы данных, включая демографические характеристики, поведение и предпочтения пользователей, для создания подробных профилей потенциальных клиентов. Это позволяет DSP-платформам показывать рекламные объявления наиболее релевантной аудитории, повышая вероятность вовлечения и конверсии.
Таргетинг по особенностям языка региона: возможно применить в рекламных объявлениях особенности языка конкретного региона, для этого используются актуальные ключевые фразы и идиомы, помогающие сделать объявление яснее, ближе и интереснее для ЦА.
Таргетинг по местоположению: точка нахождения пользователя может быть использована инструментами AI для нацеливания на покупку в тот момент, когда он ее сможет совершить в ближайшей местности от офлайн-точки продаж бренда.
Оптимизация онлайн: алгоритмы могут оценивать возможности ставок в режиме реального времени, определяя оптимальную цену для размещения объявлений на основе таких факторов, как релевантность аудитории, исторические показатели и цели кампании.
Аналитика и анализ эффективности РК: можно получать исчерпывающие данные о стратегиях и поведении пользователей и практические выводы для оценки эффективности кампаний. На их основе рекламодатели могут принимать решения, основанные на данных, и дорабатывать свои кампании для достижения лучших результатов.
Улучшение рекламных креативов: инструменты AI и ML позволяют анализировать эффективность различных рекламных креативов и автоматически оптимизировать их для достижения максимальной эффективности. В Genius Group активно развивают направление работы с AI и уже используют в работе для рекламных кампаний брендов, генерируют баннеры, видео и контент с помощью нейросетей.
Усовершенствование работы DSP, SSP. Новейшие инструменты AI используют алгоритмы машинного обучения для анализа огромных объемов данных и принятия решений о торгах в режиме реального времени. В результате повышается уровень конверсии, и снижается бюджет на рекламу, которая не приносит конверсии. Также автоматически обнаруживается и блокируется фрод. Data-driven подход помогает оценивать вклад медийной рекламы в общую цепочку взаимодействия с сайтом до фактической конверсии, окупаемость инвестиций и влияние медийной рекламы на перформанс-каналы, позволяет считать пост-вью и пост-клик конверсии по всем рекламным каналам.
Метрики для оценки эффективности ML
В диджитал-рекламе оценивать работу Machine Learning поможет вычисление количества правильно угаданных успехов (кликов, конверсий) на общее число наблюдений. Under- и Overpredict — то, насколько кол-во предсказанных значений отклоняется от кол-ва фактов (сколько кликов предсказали / сколько кликов реально получили).
Более усложненные метрики:
Полнота (Recall или Sensitivity): показывает, сколько из всех положительных случаев было верно предсказано.
Специфичность (Specificity): доля верно предсказанных отрицательных значений указывает на то, насколько хорошо модель способна различать отрицательные случаи.
F1-мера (F1 Score): гармоническое среднее между точностью и полнотой. Она объединяет точность и полноту в одну метрику, чтобы учесть как верно предсказанные положительные, так и верно предсказанные отрицательные значения.
ROC-кривая (Receiver Operating Characteristic): график, который показывает зависимость между долей верно предсказанных положительных случаев и долей ложно предсказанных положительных случаев при различных порогах классификации. Чем больше площадь под кривой, тем лучше качество модели.
DSP и искусственный интеллект
Chat GPT и другие большие языковые модели в первую очередь направлены на генерацию смыслового текста. DSP решает другие задачи — покупает качественный инвентарь по оптимальной цене в условиях, ограниченных таргетингами. То есть, GPT модели непосредственно не дают прямого прироста в эффективности. Стоит учитывать, что DSP-платформа должна сформировать ответ на запрос показа рекламы за 40 мс, а текущие GPT модели не способны удовлетворить таких запросов по скорости ответа. Однако применение GPT в рабочих процессах DSP-платформ поможет решению определенных задач, например, в маркировке креативов, генерации текстов для Native, модерировании кода HTML-креатива.
Будущее AI в программатик
AdTech-компании продолжают развиваться и внедрять инновации, обеспечивая более сложные и точные процессы таргетинга, персонализированный рекламный опыт и успешные результаты кампаний. Потенциал для новых инструментов и ресурсов в отрасли остается открытым, и компаниям необходимо адаптироваться, чтобы продолжать предоставлять маркетологам первоклассные технологии.Сотрудничая с рекламной платформой, которая работает с ML и AI, бренды расширяют возможности для достижения бизнес-задач.
Россия на данный момент в первых рядах по росту рынка ML, AI, что дает стабильные перспективы развития и внедрения новых технологий. Искусственный интеллект давно используют многие крупные бизнесы, и сейчас почти не осталось успешных платформ, которые не использовали бы ML. Любой Performance и CTR строится на моделях предсказания, что является подвидом ML. С помощью предиктора, построенного на ML, в DSP Cobrazz решается задача поиска и закупки оптимального трафика в многомерном пространстве (устройства, каналы, типы креативов, размеры баннеров).
Прочитать актуальные рекламные кейсы с Machine Learning здесь:
Просто о сложном
Неделя рекламы 
Новости 
Кейсы 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Проверено ADPASS 
Рекламные кампании 
