Эта статья написана руководителем отдела исследований и разработок BidMotion Жеромом Миланом, и ее можно найти в блоге компании здесь.

Корни платной рекламы

В 1836 году Эмиль де Жирарден запустил в Париже первую французскую газету La Presse, которая пользовалась почти немедленным успехом, в немалой степени благодаря очень привлекательной цене. Но какое это имеет значение? На самом деле, La Presse считается первым периодическим изданием, которое обобщило включение платной рекламы на свою страницу, чтобы снизить ее стоимость. То, что тогда было особенностью, станет неотъемлемой частью индустрии контента на протяжении веков: от издателей газет до радио- и телевещателей в 20-м веке, издателей веб-сайтов в девяностых и, конечно же, до индустрии мобильных приложений в последнее десятилетие. .

Подсчитано, что глобальные расходы на рекламу во всем мире в 2015 году составили около 500 миллиардов долларов, из которых около 60 миллиардов долларов пришлось на мобильную рекламу. Хотя мобильная реклама еще относительно молода, она является быстро развивающейся и быстро меняющейся отраслью, в которой появились новые посредники. Среди этих объектов торговые площадки цифровых агентств, такие как BidMotion, которые Forrester Research определяет как:

Централизованная сервисная организация, которая служит уровнем управляемых сервисов, обычно поверх лицензированной платформы на стороне спроса (DSP) и других технологий покупки аудитории; управляет программными, основанными на ставках медиа и покупкой аудитории. Работает как внутренний «центр передового опыта» агентства, поддерживая команды агентства, желающие использовать эту новую модель закупок от имени клиентов агентства.

Еще одним довольно новым, но важным игроком в сфере мобильной рекламы являются платформы ставок в реальном времени (RTB) — система, основанная на аукционах, где издатели в режиме реального времени продают свои места для показов тем, кто предложит самую высокую цену. Широкое признание RTB в качестве стандартного в отрасли метода приобретения мобильного рекламного пространства способствовало тому, что отрасль стала еще более конкурентоспособной, чем раньше, и тем самым подтвердила необходимость все более сложных технологий, чтобы оставаться актуальными.

Реакция ИИ на сложность RTB

Технологии, используемые в рекламной индустрии, в совокупности называются AdTech: недавний термин-портмоне для рекламы и технологий, которым уже пренебрегают в пользу еще более современного MarTech для маркетинговых технологий. ».

По мере того, как программные закупки захватили рекламную индустрию, полумифическая концепция машинного обучения стала центральной частью AdTech, используемой для оптимизации рентабельности инвестиций путем нацеливания на конкретных пользователей, которые, как известно, с большей вероятностью будут взаимодействовать с продвигаемым контентом.

За последние два десятилетия машинное обучение проникло почти во все отрасли промышленности до такой степени, что теперь трудно представить область, в которой оно не могло бы принести пользу.

Однако слишком часто машинное обучение рассматривается как какая-то непонятная техника черной магии, которую могут понять лишь несколько просвещенных мастеров. Термин «машинное обучение» обычно приписывают американскому ученому-компьютерщику и пионеру в области искусственного интеллекта Артуру Л. Сэмюэлю, который описал его как предоставление компьютерам «способности учиться без явного программирования».

Ключевое слово здесь, явно, вероятно, придает этой области ауру загадочности в сознании широкой публики. Действительно, машинное обучение можно использовать для решения проблем, которые мы не знаем, как решить в явном виде. Здесь нет никакого оккультизма, но умные приложения передовой математической статистики, использующие вычислительную мощность современного оборудования, для расчета наиболее вероятных результатов при заданном наборе входных данных.

За счет дикого упрощения методы машинного обучения можно классифицировать как «контролируемые» и «неконтролируемые». Как правило, контролируемые методы можно использовать для прогнозирования на основе классификации (например, «является ли это письмо спамом?»), в то время как неконтролируемые методы используются для извлечения скрытых структур в данных (например, «данный корпус электронных писем автоматически классифицировать их по темам»). Грубо говоря, алгоритм машинного обучения можно рассматривать как механизм данных, который берет наборы входных данных для обучения и учится выявлять закономерности и скрытые корреляции в этих наборах. Из этой структуры алгоритм может создать прогностическую модель, которую затем можно применить к новым наборам данных.

Мобильный интеллект на основе данных

BidMotion использует различные виды алгоритмов машинного обучения (такие как деревья решений, факторный анализ или регрессия k-ближайших соседей и многие другие) для обработки исторических данных для моделирования своей аудитории и, в конечном счете, для оптимизации кампаний своих клиентов путем получения трафика по лучшей цене. и показ рекламы перед целевыми пользователями с высоким потенциалом долгосрочной ценности (LTV).

Хотя в настоящее время BidMotion использует лишь небольшой процент своего обширного пула данных, он по-прежнему обрабатывает сотни гигабайт данных каждую ночь, анализируя десятки функций (таких как интернет-провайдер, страна, ОС устройства, марка устройства, модель устройства, используемые приложения, версия отображаемые креативы, время и т. д.) для извлечения небольших кусочков ценной информации, которую мы называем «пониманием». Эти идеи затем используются группой бизнес-операций в качестве инструмента поддержки принятия решений при настройке кампаний.

Хотя распространение рекламы в нашей повседневной жизни не обходится без некоторых неприятностей, трудно возразить против способности рекламы сделать контент более доступным для всех, будь то новости, знания или развлечения. Стоит отметить, что повсеместное использование машинного обучения не только помогает рекламодателям максимизировать рентабельность инвестиций за счет лучшего знания своей аудитории, но и делает рекламу более интересной и даже информативной для пользователей, отфильтровывая нерелевантные предложения.

Ежедневно по всему миру создаются терабайты данных, поэтому использование искусственного интеллекта с помощью алгоритмов машинного обучения находится на пути к полному использованию этого необработанного ресурса. Для MarTech это означает постоянное обеспечение детализации таргетинга, точное определение интеллектуальных предложений для конкретных пользователей, чтобы максимизировать долгосрочное взаимодействие и ценность.