W przeszłości reklamodawcy opierali targetowanie swoich reklam na danych pozyskanych od podmiotów zewnętrznych (3rd party cookies). Teraz, gdy ochrona danych osobowych użytkowników stała się priorytetem, firmy stawiają na technologie, które szanują prywatność ich potencjalnych klientów. Wychodząc zatem naprzeciw oczekiwaniom konsumentów, jak i najnowszym wymogom prawnym związane z RODO oraz z blokadą third party cookies w przeglądarce Google. Odpowiedzią na to jest targetowanie cookieless – oparte na innych technologiach niż cookies.
Jakie konsekwencje niesie to dla reklamodawców i jakie wymagania muszą spełniać nowe rozwiązania, aby osiągnąć podobną precyzję i skuteczność jak w przypadku targetowania z użyciem 3rd party cookies?
Zobacz również
Na rynku reklamowych, pojawia się coraz więcej różnorodnych rozwiązań odnośnie targetowania, takich jak dane własne, targetowanie kontekstowe, dostawcy identyfikatorów (ID) i ID graphs. To bogactwo opcji może być przytłaczające dla marketerów. Co więcej, niektóre z tych nowych możliwości nie zapewniają wystarczającej skali bądź też nie są w stanie zastąpić precyzji targetowania, jaką dostarczały dane oparte na third party cookies.
Dane, dane, dane
Wśród rozwiązań cookieless te oparte na targetowaniu kontekstowym są szczególnie obiecujące. Działają one najskuteczniej w połączeniu z innymi danymi, które nie opierają się na identyfikatorach, ale są wykorzystywane przez algorytmy machine learning (ML). Ważna jest tu zarówno ogromna ilość danych, jak i ich wysoka jakość.
Dostawcy technologii reklamowych mają swoje własne dane (1st party data), ale nie zawsze są one wystarczające do dokładnego targetowania reklam. Dlatego często wykorzystują oni dane pozyskane od wydawców – tylko wtedy, gdy użytkownicy wyrażą na to zgodę. Dane te obejmują między innymi informacje na temat konsumpcji mediów przez użytkowników, subskrybentów lub czytelników. Dzięki temu można zidentyfikować, ocenić i posegmentować wzorce zachowań użytkowników w taki sposób, aby skutecznie i precyzyjnie targetować reklamy.
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)
Kontekst jako skuteczne środowisko dla targetowania
W przeciwieństwie do 3rd party cookies, które umożliwiały bezpośrednią atrybucję mediów w oparciu o dane osobowe, kontekst reklamowy staje się nie tylko równie skutecznym, ale przede wszystkim przyjaznym dla prywatności środowiskiem dla targetowania.
Słuchaj podcastu NowyMarketing
Algorytmy po stronie wydawcy mogą określić konkretny kontekst i w połączeniu z innymi danymi (takimi jak informacje o używanym urządzeniu, systemie operacyjnym i czasie korzystania) wyciągnąć wnioski na temat wzorców zachowań i zainteresowań użytkownika.
Targetowanie odbiorców: czyli jak użytkownicy konsumują treści
Dane zbierane przez wydawców zawierają informacje o tym, jak czytelnicy korzystają z treści. Zawierają one kilka zanonimizowanych punktów przesyłających sygnały m.in. o urządzeniu wyjściowym, kategoriach stron internetowych według IAB, sieci, przeglądarce, artykule czy medium. W połączeniu z dokładnie określonym kontekstem, informacje te są wykorzystywane do rozpoznawania wzorców i identyfikowania charakterystycznych cech użytkowników, takich jak zainteresowania. Dostawcy technologii reklamowych wykorzystują te dane w swoich algorytmach machine learning, by segmentować użytkowników bez użycia plików cookies.
Dzięki współpracy z sieciami wydawców, które są bezpośrednio zintegrowane z zarządzaniem reklamami, dostawcy technologii mają dokładną wiedzę na temat tego, jakie treści są konsumowane lub czytane przez grupę docelową.
Targetowanie kontekstowe z analizą semantyczną treści
Dane pozyskane od wydawców często wspierane są przez analizę semantyczną treści. W takim modelu treść jest nie tylko sprawdzana pod kątem obecności poszczególnych słów kluczowych, ale także poddawana jakościowej ocenie pod kątem zawartości informacji tematycznych. Tego rodzaju analiza opiera się na przetwarzaniu języka naturalnego (NLP), co pozwala zidentyfikować tematy poruszane w tekście. Dzięki temu artykuły mogą zostać przyporządkowane do najbardziej odpowiednich kontekstów, co minimalizuje ryzyko błędnego targetowania reklam. Kluczowym czynnikiem wpływającym na precyzję tego procesu jest szczegółowość danych. Dzięki niej marki mogą umieszczać swoje reklamy w kontekstach, które są jak najbardziej odpowiednie dla ich produktów lub usług.
Ważne jest zatem, aby starannie dobierać środowisko, w którym prezentowane są reklamy, by jak najbardziej wspierało przekazywanie pozytywnych skojarzeń i korzystnie wpływało na postrzeganie marki przez konsumentów.
Targetowanie kontekstowe i targetowanie odbiorców w jednym pakiecie
Co więcej, możliwe jest połączenie zalet targetowania kontekstowego i targetowania odbiorców. Jest to możliwe dzięki tym opisanym wyżej narzędziom kontekstowym, które dzielą i segmentują dane nie tylko według tego, jakie dokładnie treści konsumują określone grupy użytkowników, ale także pod kątem tego, jakie intencje i zainteresowania wykazują. Dzięki miliardom sygnałów dane kontekstowe są porównywane z zestawem grup docelowych opartych na identyfikatorach (ID). W ten sposób tworzeni są tak zwani podobni odbiorcy (lookalikes).
Autor: Helge Krüger, data business lead, Teads