W jakich dziedzinach marketingu i reklamy wykorzystuje się obecnie sztuczną inteligencję i uczenie maszynowe?
Na początku warto usystematyzować pojęcia sztucznej inteligencji i uczenia maszynowego, chociaż na bardzo ogólnym poziomie. Pojęcia te są dziś powszechnie używane, a nie zawsze zgodnie z ich faktycznym znaczeniem. Upraszczając więc maksymalnie, możemy powiedzieć, że AI (sztuczna inteligencja) odpowiada za podejmowanie decyzji, bazując na wynikach analiz dużych zbiorów danych. Za analizę danych z kolei odpowiada właśnie ML (machine learning). Dużym plusem jest możliwość ciągłego powiększania analizowanego zbioru danych z uwzględnieniem nowych źródeł sygnałów w kontekście także historycznych analiz – na tym polega uczenie. Dane mogą pochodzić np. z aplikacji czy urządzeń wykorzystywanych na co dzień w naszych domach. Z kolei AI szybko i trafnie podejmuje decyzje, w wielu zadaniach w sposób przekraczający ludzkie możliwości.
Wracając do pytania, sztuczna inteligencja i uczenie maszynowe rozwijają się szybko praktycznie we wszystkich obszarach digital marketingu. Jest to i szczegółowa segmentacja klientów po stronie marki, i zapewnienie lepszej jakości doświadczeń konsumenckich – np. w Augmented Reality czy ChatBotach. AI i ML wspierają dotarcie do najbardziej wartościowych użytkowników zidentyfikowanych z pomocą wielu złożonych zmiennych. Kolejne obszary ich wykorzystania to też tworzenie kreacji, materiałów content marketingowych, a także identyfikacja fraudu reklamowego.
Zobacz również
A w których dziedzinach jest to najbardziej rozwinięte? Jakie są obecnie najbardziej innowacyjne zastosowania AI w szeroko pojętym marketingu i reklamie?
Obserwując światowe trendy, proszę mi wierzyć, w każdej dziedzinie AI i ML rozwijają się dynamicznie. Żeby nie być gołosłownym – podsunę kilka przykładów. Mamy więc Coca-Colę, która analizuje sygnały z social mediów, aby w skali regionów budować komunikację oferty marki w social mediach (polecam zapoznać się z całym artykułem na artificialintelligence-news.com). Kolejnym przykładem może być Starbucks, który od kilku lat zbiera sygnały ze swojej aplikacji lojalnościowej i w oparciu o analizy predykcyjne dociera do klientów ze spersonalizowanymi komunikatami reklamowymi. Z kolei Nike umożliwił użytkownikom „projektowanie” własnych wzorów na butach, co znacznie podniosło poziom zaangażowania konsumentów i docelowo wpłynęło na sprzedaż. Firma poszła o krok dalej i zebrane dane wykorzystuje do projektowania nowych kolekcji butów oraz budowania spersonalizowanej komunikacji marketingowej.
Podejrzewam, że najsilniejsze akcenty będą położone na dwa obszary. Pierwszy z nich to, bardziej precyzyjne niż obecnie, dotarcie do najbardziej wartościowych użytkowników. Będzie ono uwzględniało optymalizację kosztów zakupu mediów w czasie rzeczywistym. Drugi to walka z fraudem marketingowym, który pochłania niestety spory procent wydatków digital marketingowych firm.
Czy jakieś niebezpieczeństwa i trudności wiążą się z wykorzystywaniem sztucznej inteligencji w marketingu? Jeśli tak, to jakie?
To dobre pytanie. Na bazowym poziomie możemy mówić o wyzwaniach technologicznych związanych z integracją nowej technologii oraz czasem i ilością danych potrzebnych do wytrenowania systemów. Jest to proces, przez który zwyczajnie musimy przejść.
Movember/Wąsopad: jak marki zachęcają do profilaktyki męskich nowotworów [PRZEGLĄD]![Movember/Wąsopad: jak marki zachęcają do profilaktyki męskich nowotworów [PRZEGLĄD]](https://nowymarketing.pl/wp-content/uploads/2024/11/Cover-photo-2024-11-06T140221-142x0-c-default.png)
Drugi aspekt to kwestia oszustw reklamowych w mediach cyfrowych. Wyścig policjantów i złodziei trwa, ci ostatni są tego świadomi, więc ich inwencja rośnie. Technik wyprowadzania pieniędzy z oficjalnego obiegu reklamowego jest wiele – od farm urządzeń, przez boty, click injection czy wymuszanie instalowania aplikacji. Marketerzy niekiedy godzą się na to, że duża część ich budżetu trawiona jest przez fraud, duża to nieraz i 20 proc. pieniędzy. Ale taka postawa nie poprawia sytuacji. Dobrą praktyką jest przeznaczenie części środków na oprogramowanie zajmujące się identyfikacją anomalii w ruchu sieciowym. Docelowo prowadzi do wykluczania podejrzanych źródeł ruchu z naszych kampanii. Im więcej takich analiz, tym więcej danych, co w prostej linii prowadzi do wyłuskania większej liczby wzorców anomalii i podnoszenia skuteczności działania systemów z rodziny „fraud prevention”.
Słuchaj podcastu NowyMarketing
W tym miejscu dochodzimy do trzeciego wyzwania, które jest wspólne dla systemów wykorzystujących AI i ML nie tylko w kontekście marketingu. A mianowicie w naprawdę rozbudowanych systemach, integrujących duże bazy danych z wielu źródeł, istnieje niebezpieczeństwo utraty kontroli nad działaniem wszystkich jego funkcjonalności. Chodzi o to, że systemy się uczą i bazowe wzorce wykorzystywane do identyfikacji anomalii, za jakiś czas mogą być już nieaktualne. Wyobraźmy sobie scenariusz, w którym klient przychodzi do wydawcy z informacją, że 20% jego ruchu posiada znamiona fraudu. Wydawca poprosi o twarde dane opisujące anomalnie, których klient nie będzie posiadał. Dzieje się tak, gdyż mocno rozwinięty system „fraud prevention” może nie być w stanie obrazowo zwizualizować wszystkich znamion nieprawidłowego ruchu. Daje to pole do niezrozumienia na linii klient – wydawca.
Jak oceniasz świadomość marketerów i branży w kwestii wykorzystania AI w działaniach marketingowych i optymalizacji ich efektywności?
Jestem pod dużym wrażeniem tego, jak marki radzą sobie z wykorzystaniem AI i ML w swoich działaniach. Zwracam tu głównie uwagę na stosunkowo wysoki poziom integracji systemów oraz pracę na danych pochodzących z wielu źródeł. Przykładem służą Coca-Cola czy Unilever, które łącznie dysponują 64 centrami do analizy danych na całym Świecie. Ale także na kreatywne wykorzystanie dostępnych możliwości technologicznych – np. analizy image recognition w celu segmentacji grupy docelowej. Kilka przykładów przytoczyłem przy okazji wcześniejszego pytania. W kwestii działań agencyjnych, mam wrażenie, że rynki prężnie pracują nad rozwiązaniami programatycznymi związanymi z optymalizacją i tergetowaniem działań swoich klientów. Dodatkowo w Internecie można znaleźć coraz więcej badań i publikacji wprowadzających w tematykę AI marketingu, np. Future Digital Advertising: Artificial Intelligence & Advertising Fraud 2019-2023. Sprowadzając to na nasze lokalne podwórko, w GroupM mamy dostęp do rozwiązania Copilot, które globalnie jest rozwijane od kilku lat. W dużym skrócie można powiedzieć, że jest to narzędzie do optymalizacji ruchu i zakupu powierzchni reklamowej. Obecnie skupiamy się na jego kalibracji na potrzeby lokalne naszych klientów. Nie zamykamy się też na sygnały z rynku i w ramach naszej platformy innowacji mSpark, testujemy rozwiązania z obszaru martech, które w swoim dna mają AI lub ML.
Mimo że dziedziny, o których rozmawiamy nadal są stosunkowo młode, w niektórych obszarach już trudno jest nadążyć za zmianami. Myślę że świadomość potencjału nowych rozwiązań w branży jest wysoka. Klienci i marketerzy, którzy jako pierwsi zaczęli implementować systemy AI i ML już zaczynają korzystać z ich efektów.
Sztuczna inteligencja wykorzystywana jest w zakupie mediów w modelu programmatic. Jaką istotną rolę odgrywa obecnie AI w reklamie programmatic?
W branży reklamy internetowej przetwarzamy miliony sygnałów na sekundę. Skala danych, na których możemy pracować jest ogromna. Warto podkreślić, że pliki cookie, o których od jakiegoś czasu jest głośno, to tylko jedno ze źródeł, do których mamy dostęp. Przeanalizowanie tak dużej ilości sygnałów jest praktycznie poza zasięgiem człowieka, natomiast uczenie maszynowe jest w stanie całkiem nieźle sobie z tym poradzić. W połączeniu ze sztuczną inteligencją mamy dostęp do narzędzi umożliwiających targetowanie naszych reklam z nieosiągalną wcześniej precyzją. Mamy także możliwość integracji większej liczby wskaźników do budowania bardziej precyzyjnych KPI, dopasowanych do konkretnych celów konkretnych marek. Dodatkowo, możemy skupić się na optymalizacji kosztowej i przesuwaniu budżetów w czasie rzeczywistym. Wydaje mi się, że agencje mogą mieć tu pewną przewagę nad klientami indywidualnymi, ze względu na fakt, że działają dla wielu klientów z różnych sektorów. Ich systemy mogą się więc skuteczniej uczyć – mają dostęp do większej ilości przetwarzanych danych i szerszego zakresu analiz.
Jakie są obecnie najbardziej innowacyjne rozwiązania i formaty reklamowe, które wykorzystują AI w programmaticu?
Rozwiązania z zakresu AI i ML są dostępnie dla całego spektrum formatów digitalowych. Począwszy od formatów display, przez wszystkie niestandardowe formy, na wideo kończąc. Jest to możliwe, dzięki integracji systemów AI i ML na poziomie DSP, co w prostej linii umożliwia pracę na wszystkich formatach obsługiwanych przez systemy programatyczne.
Ciekawym kierunkiem jest połączenie narzędzi optymalizacyjnych z dynamicznym budowaniem kreacji w oparciu o analizy predykcyjne. Wyobraźmy sobie sytuację, w której konkretny użytkownik jest zainteresowany wędrówkami górskimi, jednocześnie lubi gadżety, no i w miarę regularnie jeździ na urlop. Jesteśmy w stanie automatycznie złożyć kreację ze specjalnie do niego skierowaną najnowszą ofertą reklamową. Zostanie ona wyświetlona tylko temu użytkownikowi w konkretnym mikromomencie. W takich sytuacjach reklama realnie pomaga nam w dokonaniu wyboru, zaoszczędza czas, a dzięki ściśle skrojonego ofercie, także i pieniądze. Tak moim zdaniem powinien wyglądać marketing.
A jak wygląda to od strony optymalizacji działań programmatic? Gdzie i jak w tym przypadku jest wykorzystywana sztuczna inteligencja?
Tu także dochodzimy do miejsca, w którym możliwości są praktycznie nieograniczone. Pierwszy element, to możliwość łączenia wymagań klienta w cele reklamowe. Może to być na przykład określona widoczność reklamy połączona ze scoringiem zaangażowania użytkownika. Jesteśmy w stanie dostrajać algorytmy, aby optymalizowały kampanie pod unikatowe cele i tym samym podnosiły wyniki biznesowe marek.
Kolejnym elementem jest dotarcie z komunikacją do najbardziej wartościowych użytkowników. Dzięki możliwościom wyszukiwania wzorców w dużych zbiorach danych jesteśmy w stanie dotrzeć do osób zainteresowanych naszą ofertą, mimo że wcześniej mogły one nie korzystać z naszych produktów. Zamiast skupiać się na demografii, AI jest w stanie wykroczyć poza bazowe charakterystyki, takie jak płeć, wiek czy geolokalizacja. Pamiętajmy, że dwóch użytkowników o bardzo różnych profilach może szukać tego samego produktu. Tradycyjne targetowanie demograficzne nie uwzględnia takich scenariuszy. Natomiast odpowiednie algorytmy są w stanie wychwycić konkretne wzorce i na ich podstawie budować i pogłębiać nowe ścieżki dotarcia do większej liczby wartościowych użytkowników.
Inny aspekt, to zakup powierzchni reklamowej. Algorytmy są w stanie dynamicznie przypisywać stawkę, po której następuje zakup pojedynczych impresji. Za powierzchnie reklamowe, które przewidujemy, że będą lepiej działały, jesteśmy w stanie zapłacić dużo więcej i zminimalizować wykorzystanie powierzchni, które zupełnie nie wpływają na realizacje naszych celów. Gdy system osiąga interesujący nas poziom realizacji KPI, w tle trwają analizy, aby w kolejnych iteracjach docierać do jeszcze bardziej wartościowych źródeł ruchu. Innymi słowy, systemy stale się dostrajają i dążą do poprawy własnych wyników. Przykładowo, jeśli pojawią się okna, w których dana powierzchnia zaczyna działać dużo lepiej, systemy AI są w stanie w czasie rzeczywistym przesuwać budżety kampanii na jej zakup w celu szybkiej monetyzacji okazji.
Jakie są obecnie ograniczenia jeśli chodzi o AI w programmaticu?
Największym wyzwaniem jest bariera integracji technologicznej. Klienci w swoich działaniach posługują się różnymi platformami programatycznymi, np. TTD, Xandr, DV360 czy inne popularne lub bardziej autorskie systemy. Każdy z systemów trochę inaczej obsługuje poszczególne formaty digitalowe, wykorzystuje inne dane do optymalizacji kampanii i inaczej je przekazuje. Wyzwaniem jest zbudowanie systemu, który może komunikować się z różnymi DSP i jednocześnie zapewnia podobny poziom skuteczności na każdym z nich. Tak, jak wspomniałem, jest to naturalne przy tak obszernych i popularnych trendach jak programatyzacja reklamy internetowej. Musimy cierpliwie wprowadzać zmiany i się na nich uczyć, bo w zasięgu mamy potężne narzędzia, z którymi wcześniej nie pracowaliśmy.
Jakie przewidujesz zmiany w wykorzystywaniu sztucznej inteligencji w marketingu w przyszłości? W którą stronę się to będzie dalej rozwijać?
W obszarze reklamy digital myślę, że nastąpi powszechna integracja z systemami zajmującymi się dynamicznym serwowaniem kreacji. Jednym z wyraźniejszych trendów na nadchodzące lata jest też smart home. Możemy sobie łatwo wyobrazić, jak dużą liczbą danych będziemy dysponowali, gdy zintegrowane urządzenia domowe wejdą do powszechnego użytku. W takiej sytuacji nasz system smart home może komunikować się z systemami zewnętrznymi w celu dokonywania zakupów. Systemy „rozmawiają ze sobą”, z pominięciem człowieka. Nic nie stoi na przeszkodzie, żeby systemy „zaopatrujące nasz dom” np. w kawę, rywalizowały ze sobą pod kątem przedstawienia najlepszej oferty, uwzględniając historyczne dane dotyczące zakupów danego gospodarstwa domowego.
Nakreśliłem tu pewien scenariusz, natomiast ogólna idea jest taka, że będziemy mieli dużo więcej źródeł danych do dyspozycji. Co za tym idzie, będziemy potrzebowali systemów, które będą w stanie je przeanalizować i skutecznie zidentyfikują wśród nich najbardziej wartościowe sygnały. Drugi element to na pewno oprogramowanie i całe systemy służące do przeciwdziałania fraudowi reklamowemu.
Wybiegając daleko w przyszłość, czy sztuczna inteligencja może kiedyś zastąpić marketerów, czy jednak czynnik ludzki zawsze będzie niezbędny? W jakim stopniu przejmie ona obowiązki, za które obecnie odpowiada człowiek?
To bardzo ekscytujące pytanie dla osób, które zajmują się technologią. Z jednej strony robimy coś, co uważamy za słuszne i perspektywiczne, z drugiej nie wszystkie trendy będą kanwą do kreowania nowej rzeczywistości. Postaram się nie wybiegać za bardzo w przyszłość i skupić na trendach i sygnałach, które już pojawiają się w digital marketingu. Myślę, że nietrudno wyobrazić sobie scenariusz, w którym platformy programatyczne płynnie komunikują się ze sobą, mamy możliwość sprawnego podpinania nowych źródeł danych, a powierzchnie wydawców są zmapowane ze wszystkimi dostępnymi formatami reklamowymi. Dodatkowo kreacje i oferta są składane automatycznie, w czasie rzeczywistym i kierowane do konkretnego użytkownika. Uwzględniamy przy tym najlepiej dopasowany kanał komunikacji, konkretny mikromoment i rzeczywiste miejsca na drodze do wykonania konwersji przez danego użytkownika, np. początek kontaktu z marką, szukanie opinii na temat produktu czy realna intencja zakupowa. W takim ekosystemie programy oparte na analizach dużych zbiorów danych mogą bez przeszkód dokonywać zakupu najlepszych powierzchni pod konkretne, złożone cele. Kupują też po najlepszych stawkach w obrębie całego internetu. Innymi słowy, jest to wizja systemu o dużej skali automatyzacji. Ostatnim elementem jest uproszczenie procesu uruchomienia kampanii. Ręczna optymalizacja może okazać się tu zupełnie zbędna. W takim scenariuszu akcent ludzki naturalnie przesuwa się w stronę consultingu i budowania strategii marketingowych dla marek. A technologicznie – w stronę utrzymania i rozwoju istniejących systemów.