Dlaczego oparty na sztucznej inteligencji marketing kontekstowy to przyszłość reklamy?

Dlaczego oparty na sztucznej inteligencji marketing kontekstowy to przyszłość reklamy?
Targetowanie kontekstowe raz jeszcze stało się kluczową kwestią dla marek i cyfrowych reklamodawców. Chociaż specjaliści od marketingu mogą odczuwać déjà vu, nie oznacza to, że wracamy do przeszłości. Poniżej wyjaśniamy, w jaki sposób algorytmy AI rewolucjonizują techniki targetowania kontekstowego.
O autorze
7 min czytania 2022-01-31

Zagadnienia poruszone w artykule:

  • Targetowanie kontekstowe to dopasowanie treści reklamowych do medium, w którym są one wyświetlane;
  • Zaawansowane techniki targetowania są także dopasowane do indywidualnych użytkowników, dotykając bezpośrednio czynników wpływających na ich decyzje;
  • Rezygnacja Google z używania third-party cookies zmieni dotychczasowy ład w branży reklamowej;
  • Targetowanie kontekstowe stanie się dla agencji i marek kluczowym narzędziem docierania do użytkowników;
  • Technologia Deep Learning umożliwia stosowanie zaawansowanych metod targetowania kontekstowego.

Czym jest targetowanie kontekstowe?

Podstawowa zasada działania targetowania kontekstowego jest prosta. Polega ono na publikowaniu odpowiednich reklam obok najlepiej pasujących do nich treści. Nie jest to przy tym wyłącznie domena cyfrowego marketingu. Na przykład wytypowanie potencjalnej grupy odbiorców określonego programu nadal stanowi kluczowy czynnik podczas podejmowania decyzji o wydatkach na reklamę telewizyjną. To samo dotyczy reklam drukowanych – pisma dla kobiet reklamują produkty do nich skierowane, a producenci samochodów wykupują przestrzeń reklamową w magazynach motoryzacyjnych. Bez względu na to, o jakim medium mówimy, użytkownicy danej platformy zazwyczaj dobrze reagują na przekaz reklamowy marki.

Choć koncepcja ta jest w miarę prosta, można ją realizować na wiele różnych sposobów. Na przykład gdy Honda chce zareklamować trzy główne zalety nowej, lepszej wersji swojego modelu samochodu, zwykle reklamy takie są publikowane na platformach zainteresowanych motoryzacją, na przykład w internetowych wersjach popularnych pism motoryzacyjnych.

Innym podejściem do reklamy kontekstowej byłoby w tym przypadku skupienie się na konkretnych aspektach samochodu pasujących do określonych odbiorców. W serwisie poświęconym poradom dla rodziców Honda może na przykład reklamować funkcje bezpieczeństwa swojego auta, a serwis dla fanów sportu może prezentować taki samochód ze sprzętem do surfingu lub narciarstwa.

LinkedIn logo
Dziękujemy 90 000 fanom na LinkedInie. Jesteś tam z nami?
Obserwuj

Dlaczego targetowanie kontekstowe wróciło do łask?

Rzadko zdarza się, by branża technologiczna powróciła do stosowania technologii z dwudziestoletnim stażem i okrzyknęła ją mianem przełomu. Aby zrozumieć, dlaczego reklama internetowa jest zainteresowana targetowaniem kontekstowym, musimy przyjrzeć się postępom technologicznym i kontrowersjom związanym z prywatnością użytkowników, jakie towarzyszą alternatywnym metodom targetowania opartym na third party cookies.

Na skutek postępów technologii targetowanie kontekstowe można obecnie wykorzystywać na znacznie większą skalę. Algorytmy sztucznej inteligencji RTB House potrafią przeskanować i zrozumieć treści 95% Internetu, co przekłada się na 1,5 miliona artykułów skanowanych co godzinę w ponad 40 językach. Oczywiście nie wszystkie firmy zajmujące się technologiami marketingowymi są na tak zaawansowanym poziomie, ale generalnie jako branża dokonaliśmy gigantycznych postępów w zakresie stosowania algorytmów do skanowania i klasyfikowania treści internetowych pod kątem ich wykorzystania w kampaniach reklamowych.

Słuchaj podcastu NowyMarketing

Drugim powodem, dla którego targetowanie kontekstowe zniknęło na pewien czas z horyzontu, jest korzystanie z plików cookie firm trzecich. Rozwiązania oparte na „ciasteczkach” zachęciły reklamodawców do pomijania kontekstu, który zastąpiony został cyfrowymi profilami użytkowników. W ostatnim czasie strategia ta sprawiła, że opinia publiczna zwróciła uwagę na kwestie prywatności, co przyspieszyło wprowadzenie przepisów takich jak europejskie Rozporządzenie o ochronie danych osobowych (RODO) oraz Kalifornijska ustawa o ochronie prywatności konsumentów (CCPA) w USA.

NowyMarketing logo
Mamy newsletter, który rozwija marketing w Polsce. A Ty czytasz?
Rozwijaj się

Obawy związane z prywatnością doprowadziły również do ograniczenia wykorzystania śledzących ciasteczek w przeglądarkach. Trend ten zainicjowały Safari i Mozilla, ale największy wpływ na branżę miała bez wątpienia decyzja Google o usunięciu third party cookies z Chrome, najpopularniejszej przeglądarki na świecie.

Kontekstowa sztuczna inteligencja wchodzi do gry

Dla RTB House prywatność użytkowników jest priorytetem od lat. Z zadowoleniem przyjęliśmy branżową tendencję do eliminacji śledzących plików cookie, po pierwsze dlatego, że jest to słuszna decyzja, a po drugie dlatego, że od 2017 roku korzystamy z technologii deep learning, aby maksymalnie wykorzystać potencjał alternatywnych rozwiązań, które szanują prywatność użytkowników.

W skrócie – algorytmy deep learning stanowią kolejny etap w ewolucji machine learning. Główną różnicą jest to, że deep learning pozwala znacznie skuteczniej radzić sobie z dużymi ilościami nieuporządkowanych danych.

Prostym przykładem może być system oświetlenia oparty na wykrywaniu ruchu. Starsze algorytmy sztucznej inteligencji działały w taki sposób, że informatyk musiał poinstruować je, że światło powinno włączyć się za każdym razem, gdy wykrywacz ruchu wykryje, że człowiek wchodzi do pomieszczenia. Natomiast system oparty na uczeniu głębokim może po prostu nauczyć się, że istnieje silny związek pomiędzy chwilą, w której człowiek wchodzi do pomieszczenia a podejmowanym przez niego wówczas działaniem (włączeniem światła). Po kilku „cyklach nauki” algorytm zaczyna włączać światło za każdym razem, gdy jest to potrzebne, a także dostosowuje swoje reakcje do zmian ludzkiego zachowania.

Analogia ta jest również prawdziwa w odniesieniu do znacznie bardziej skomplikowanych działań, takich jak wyświetlanie istotnych reklam odpowiednim użytkownikom we właściwym czasie i kontekście. Gdy spojrzymy na statystyki zarówno kampanii performance, jak i brandingowych, nasza technologia oparta na deep learningu poprawia ich rezultaty nawet o 47% przy tym samym budżecie marketingowym.

Wracając do targetowania kontekstowego – dzięki wysoce skutecznej technologii możemy prowadzić niezwykle szczegółową analizę serwisów internetowych. Wspomnieliśmy już, że pokrycie ruchu internetowego na poziomie 95% przekłada się na 1,5 miliona artykułów skanowanych co godzinę, ale jeszcze ważniejsze jest to, jak głęboko sięga ta analiza i co oznacza ten fakt dla marek, dla których RTB House realizuje kampanie marketingowe.

Nasze rozwiązanie dalece wykracza poza ogólną analizę treści serwisów. Skanujemy każdy artykuł osobno i rejestrujemy dane takie jak adres URL, słowa kluczowe oraz dodatkowe dane związane z obrazami czy filmami. Dane te są następnie analizowane przez algorytmy przetwarzania języka naturalnego, które określają to, jak ważne są słowa kluczowe, i przydzielają serwis do najbardziej odpowiedniej kategorii. Analiza wagi słów kluczowych jest niezwykle istotna – gdyby nie ona, mogłoby się to skończyć na przykład tak, że targetowalibyśmy treści z przepisami na szarlotkę zamiast treści o oprogramowaniu Apple.

Z targetowaniem kontekstowym bezpośrednio związane jest bezpieczeństwo marki. Unikanie niebezpiecznych treści stanowi priorytet dla wszystkich marek i agencji. Wynika to częściowo z dotyczących bezpieczeństwa marki obaw związanych z platformami zdominowanymi przez treści generowane przez użytkowników. Skuteczną i bezpieczną dla marki alternatywą jest reklama w modelu programmatic, ponieważ gruntowna znajomość skatalogowanych treści pozwala na niezwykle precyzyjne blokowanie niepożądanych wydawców, serwisów czy wyrażeń.

Targetowanie ludzi zamiast kontekstu

Targetowanie kontekstowe o wysokim poziomie szczegółowości, obejmujące wyrażenia i odmianę wyrazów, pozwala na identyfikację kontekstowych grup odbiorców zainteresowanych danym tematem. Do odbiorców tych docieramy wówczas w najefektywniejszy sposób dzięki algorytmom deep learningu odpowiedzialnym za licytowanie. Ta sama technologia decyduje, jaki format i treść reklamową należy wyświetlić, a następnie tworzy spersonalizowane treści dla użytkownika przy jednoczesnym pełnym poszanowaniu jego prywatności.

Marketing kontekstowy to przyszłość

Prywatność użytkownika nigdy dotąd nie była jeszcze tak istotna dla marketingu internetowego. Chociaż główna zmiana w tej sferze dotyczy plików cookie, podejmowanych jest również szereg inicjatyw zmierzających do ograniczenia możliwości identyfikacji urządzeń (fingerprinting) czy budowania baz danych z informacjami o użytkownikach, tzw. ID graphs. Oznacza to, że wkrótce wiele popularnych strategii targetowania wyjdzie z użycia, a marketing kontekstowy zyska na wartości.

 

Lucyna Koba była prelegentką listopadowej edycji DIMAQ Voice Online – bezpłatnych spotkań dla entuzjastów digital marketingu organizowanych przez IAB Polska. Podczas prezentowania możliwości targetowania kontekstowego pojawiło się wiele szczegółowych pytań dotyczących tego tematu. Poniżej odpowiedzi na wybrane z nich:

Jak zacząć z targetowaniem kontekstowym? Czy tu zawsze trzeba nawiązywać współpracę z agencją czy domem mediowym?

Aby rozpocząć kampanię z targetowaniem kontekstowym trzeba na pewno rozpocząć współpracę z partnerem technologicznym, który posiada ku temu odpowiednie narzędzia. Korzystanie z posrednictwa agencji czy domu mediowego nie jest w tym wypadku konieczne. Najważniejsze jest zwrócenie uwagi na zaawansowanie technologii – jak szybko i na podstawie jakich zmiennych dany algorytm określa kontekst, w jakim ma się ukazać reklama.

Jak do targetowania kontekstowego ma się targetowanie behawioralne?

Targetowanie kontekstowe odbywa się w czasie rzeczywistym, podczas gdy targetowanie behawioralne bierze pod uwagę zachowania danego użytkownika w przeszłości i na tej podstawe zakłada pewne zachowania przyszłe. W przypadku targetowania kontekstowego wspomaganego zaawansowaną technologią AI docieramy do użytkowników, którzy z dużym proawdopodobieństywem zainteresowani są jakimś tematem czy kategorią produktową właśnie teraz – co przekłada się na krótko i długoterminowy efekt reklamy.

Jak dobre targetowanie kontekstowe może podnieść konwersję na przykładach rynkowych przy niezmiennym budżecie?

Na naszych kampaniach prowadzonych z wykorzystaniem technologii AI na poziomie deep learning widzimy, że jesteśmy w stanie poprawić wskaźniki jakościowe nawet o kilkadziesiąt procent. Porównując się do globalnych benchmarków, widzimy, że nasze kampanie wideo osiągają nawet do 47% wyższy completed rate i nawet do 33% wyższe viewability, a także do 56% wyższy odsetek reklam odtwarzanych z dźwiękiem. Te dane świadczą niezbicie o lepszym dopasowaniu reklam do zainteresowań odbiorcy, czyli o wyższym zaangażowaniu. Oczywiście takie wyniki osiągamy dzięki naszej technologii obecnej nie tylko w targetowaniu kontekstowym, ale także w pozostałych aspektach mających wpływ na efektywność działań reklamowych – czas, format i treść komunikacji.

Targetowanie kontekstowe z reguły wiąże się z wyższym kosztem dotarcia. Łatwo o przepalenie budżetu w wypadku błędnego określenia profilu użytkownika. Jak nie popełnić tego błędu?

W przypadku kampanii realizowanych przez RTB House targetowanie kontekstowe nie ma wpływu na koszt dotarcia – oferujemy je w ramach standardowych kosztów kampanii. Natomiast jeśli chodzi przepalanie budżetu to oczywiście kwestia precyzji odczytywania kontekstu – a więc kwestia technologii, która wspiera ten rodzaj targetowania. Korzystamy z najbardziej zaawansowanej technologii, jaką jest deep learning – jest 2,5 tysiąca razy szybsza niż konwencjonalny machine learning. Dlatego ewaluacja uzytkownika i jego gotowości na tę konkretną reklamę jest na tyle dokładna, że mozemy raczej mówić o oszczędnościach w efektywnym docieraniu do odbiorcy, a nie o przepalaniu budżetu.

A jak wygląda kwestia budżetów przy targetowaniu kontekstowym np. gdy mam produkt, który jest dedykowany do rodziców w wieku 25-45 i to jest najsilniejsza grupa? Gdybym chciała uwzględnić targetowanie kontekstowe i dobrać np. dziadków czy osoby, które mogłyby być też grupą docelową. Czy to nie podnosi znacznie budżetu reklamowego?

Targetowanie kontekstowe zakłada właśnie nie ograniczanie się do demograficznego segmentu target grupy. A to oznacza, że nie mówimy tu o dokładaniu kolejnej generacji – jak w podanym przykładzie. Kampania kierowana jest na strony, które z dużym prawdopodobieństwem odwiedzają osoby zainteresowane danym produktem – algorytm nie rozpoznaje czy są to rodzice, dziadkowie czy ciocie. Ocenia w czasie rzeczywistym na ile kontekst danej strony jest adekwatny do reklamy. Nie oznacza to, że np. reklama zabawek dla dzieci wyświeltli się tylko na stronach parentingowych. Może to być również przy artykule na temat prezentów światecznych czy też life style dla tzw. silver generation – na podstawie ważenia słów kluczowych.

Ile czasu potrzeba, aby przeprowadzić kampanie z pełnym potencjałem? Ile czasu ContextAI potrzebuje na naukę?

W przypadku kampanii brandingowych pełny potencjał kampanii osiągany jest po ok 3 dniach od startu. Technologia ContextAI jest autorską technologią stworzoną przez RTB House, która pozwala na dopasowanie wyświetlanych reklam w oparciu o treść artykułów i stron. Samo ContextAI nie potrzebuje dodatkowego czasu, aby pracować na pełnym potencjale. CAI stale prześwietla i analizuje inventory RTB House – odpowiednio je kategoryzując.

Czy algorytm wykluczy strony, które krytykują mój produkt choć kontekstowo wszystko się zgadza? Czy jednak będzie reklamował mnie dalej tam gdzie mnie „nie lubią”? 🙂

Algorytm wykluczy krytyczny artykuł, jeśli przed kampanią odpowiednio zdefiniujemy słowa/frazy kluczowe. Odpowiednio skonstruowana black lista pozwoli na uniknięcie większości takich sytuacji.

Czy w obliczu cookieless future szykują się jakieś przełomowe zmiany i optymalizacje w mechanizmach targetowania kontekstowego? W jakim kierunku będą szły te zmiany?

Targetowanie kontekstowe to właściwie dziś gotowa odpowiedź na cookieless world. W tym rozwiązaniu algorytm AI nie analizuje zachowania ciasteczka w przeszłości, ocenia zasadność wyświeltenia reklamy tu i teraz. A więc nie potrzebujemy kolekcjonować historii ciasteczka, aby podjąć decyzję o rozpoczęciu bidowania i jego stawce. To, co z pewnością zadzieje się w przyszłości (bo dzieje się cały czas już teraz) – algorytm deep learning na skutek stałej samo-nauki będzie jeszcze bardziej efektywny w dopasowaniu reklamy do oczekiwań użytkownika.

 

DIMAQ Voice – bezpłatne, wirtualne spotkania dla entuzjastów digital marketingu z merytorycznym udziałem najlepszych ekspertów z branży. Dołącz do kolejnej edycji >