Łukasz Abgarowicz: czym jest sztuczna inteligencja w świecie e-marketingu?

Wykorzystanie machine learningu, czyli samouczących się systemów, które w istotnym stopniu zawładnęły całym reklamowym środowiskiem, jest jedną z przyczyn wzrostu wydatków na rozwiązania bazujące na SI.

RTB (real-time bidding) - czyli technologia umożliwiająca zakup i sprzedaż powierzchni reklamowych online w zautomatyzowany sposób, w czasie rzeczywistym - jest tego świetnym przykładem. Samouczące się algorytmy, oparte w dużej mierze na machine learningu, są wykorzystywane między innymi do prowadzenia kampanii internetowych. To one zapewniają reklamodawcom możliwość identyfikacji kluczowych e-klientów i dostarczenie im właściwych banerów zachęcających do podjęcia pożądanych działań. Zdecydowaną przewagą takiej automatyzacji jest m.in. fakt, że algorytmy nie potrzebują snu czy przerwy na kawę. Bezustannie analizują rynek i dostępne na nim dane - 24 godziny na dobę, 7 dni w tygodniu dostosowując swoje działania do każdej, nawet najmniejszej zmiany.

Deep learning zmienia sposób obliczania potencjału zakupowego klientów

Deep Learning (głębokie uczenie) to podkategoria machine learningu (uczenie maszynowe), której zadaniem jest rozwiązywanie problemów za pomocą tworzonych sieci neuronowych inspirowanych biologiczną aktywnością ludzkiego mózgu.

Rozwiązanie to jest obecnie wykorzystywane w wielu dziedzinach. Już dziś algorytmy są podstawą rozpoznawania obrazów i mowy, a w 2017 roku ich stosowanie będzie miało ogromy wpływ także na zautomatyzowane kampanie reklamowe. Z pomocą deep learningu możliwa jest bardziej wiarygodna predykcja zachowań użytkowników oraz pozyskanie wiedzy dotyczącej potencjału zakupowego poszczególnych klientów. Dane te mogą mieć decydujące znaczenie w planowaniu działań reklamowych, a ich analiza dokonywana jest przez maszyny, bez konieczności zaangażowania ze strony człowieka.

Zastosowanie deep learningu jest szczególnie istotne między innymi w kontekście estymacji potencjału zakupowego i może pomóc retargeterom w maksymalizacji efektywności licytacji powierzchni w modelu RTB. Jak to możliwe?

Zazwyczaj informacje niezbędne do oceny potencjału zakupowego danego użytkownika e-sklepu pochodzą z jego działań na stronie (np. odstępu czasu między ostatnią wizytą i wewnętrznych danych wydawcy dotyczących wszystkich użytkowników). Mogą też wynikać z bardziej logicznych przesłanek, stanowiących odpowiedź na choćby takie pytanie jak: czy użytkownik dodał niedawno jakieś produkty do koszyka? Kampanie szyte na miarę wymagają ingerencji człowieka, który dokona odpowiedniego przeglądu i ponownie przeanalizuje wybrane informacje na potrzeby każdego z nowych reklamodawców. Co więcej, dane gromadzone są dopiero w momencie wyświetlania banera. To z kolei sprawia, że przy typowym sposobie estymacji potencjału konwersji, nie jest brana pod uwagę wiedza o użytkownikach, którzy nie mieli wcześniej styczności z konkretnym materiałem reklamowym. By dowiedzieć się więcej także o nich, potrzebny jest deep learning.

Odwiedzając stronę reklamodawcy, każdy użytkownik wykonuje wiele małych kroków, a jego aktywność i poszczególne działania analizowane są przez algorytmy. Deep learning pozwala zidentyfikować wszystkie pozostawione przez odwiedzającego ślady i znaleźć wzorzec, jakim kieruje się podczas podejmowania decyzji. Jest to możliwe dzięki analizie większej ilości danych, nie tylko tych związanych z kliknięciami czy wyświetleniami, ale także przeglądaniem konkretnych ofert, czy kategorii cieszących się zainteresowaniem.

Wykorzystując deep learning możemy próbować odpowiedzieć na wiele pytań: Jaki będzie kolejny krok naszego klienta? Czy będzie to wizyta na stronie głównej i powrót do listy produktów? A może poszukiwanie szczegółowych informacji o konkretnym artykule i finalizacja transakcji? Następstwem tych pytań powinna być dogłębna ocena możliwości zakupowych każdego użytkownika, opierająca się przede wszystkim na wiedzy naukowej, a nie ludzkiej intuicji. Standardowe modele statystyczne oraz modele oparte o machine learning nie zawsze na to pozwalają.

Deep learning ułatwi analizę zachowań użytkowników, którzy nie kliknęli w reklamę

Posiadane przez reklamodawców informacje to tylko część historii o e-konsumentach. Bez innowacyjnego podejścia mamy wiedzę jedynie o tych użytkownikach, którzy konwertują. Deep learning otwiera nowe możliwości analizy danych i pozwala na wysnuwanie wniosków także na temat tych spośród odwiedzających stronę e-sklepu, którzy nie dokonali zakupu.

Mówi się, że wiedza to potęga. Przewidywanie potencjału konwersji przy pomocy deep learningu, wykorzystywane w personalizowanych działaniach RTB, przekłada się na wydajność kampanii. Dzięki większej ilości szczegółowych informacji, uzyskiwanych w czasie rzeczywistym oraz inteligentnym rozwiązaniom kontekstowym, reklamodawcy mogą jeszcze lepiej optymalizować prowadzone działania.

Łukasz Abgarowicz, business development director w RTB House