Dalam beberapa tahun terakhir, semua perusahaan besar di dalam komunitas ad tech telah menyadari kemungkinan kembalinya periklanan kontekstual, yang disebabkan oleh regulasi privasi dan perkembangan intelijen mesin kontekstual. Pengiklan juga menemukan bahwa iklan-iklan ini bisa lebih memikat pemirsa karena kreativitas iklan berhubungan dekat dengan konten di sekitar.
Kontekstualisasi yang tersedia sekarang bisa secara signifikan meningkatkan akurasi, relevansi, dan kegunaan dari model penargetan dan pada akhirnya mendorong ROI lebih besar dan tetap menjaga keamanan brand dan privasi pengguna. Mari kita bahas bagaimana potensial tersembunyi ini bisa dimanfaatkan.
Pilar kunci ke dua
Periklanan yang dipersonalisasi, yang saat ini dipeluk ketat oleh pemasar digital dalam sepuluh tahun terakhir, adalah berdasarkan dari kemampuan pengiklan dalam mengantarkan pesan-pesan yang relevan, dalam waktu yang tepat, dan memikat yang selaras dengan niat pengguna.
Tipe-tipe utama dari penargetan di dalam pendekatan ini adalah kontekstual dan penargetan berbasis pemirsa. Kontekstual mengandalkan iklan yang cocok dengan konten halaman, sementara penargetan berbasis pemirsa, menampilkan iklan ke pengguna-pengguna tertentu berdasarkan perilaku online dan/atau data sosio demografis mereka.
Hingga sekarang, perhatian berpusat pada penargetan berbasis pemirsa menggunakan cookies. Namun, regulasi privasi, seperti GDPR, CCPA, dan terhapusnya cookies pihak ketiga dari browser-browser populer menggeser perhatian ini ke solusi kontekstual. Penargetan kontekstual menggunakan data pihak pertama dan memungkinkan pengguna untuk menjaga privasi data.
Dengan menggunakan kategorisasi konten web, penargetan kontekstual memiliki peluang besar untuk menangkap niat pengguna dan bukan membaca perilaku online mereka. Pada akhirnya, iklan diberikan ke pengguna dalam konteks yang sesuai dan menarik untuk brand.
Kategorisasi dan ML untuk penargetan lebih baik
Periklanan kontekstual sudah lama ada sebelum Internet; contohnya adalah ketika Anda membaca iklan otomotif ketika membaca majalah mobil. Sekarang, dengan perkembangan dalam ilmu data dan komputasi, pengiklan bisa beralih dari klasifikasi umum ke konteks yang lebih dalam.
Dari sudut pandang teknologi, metode klasifikasi seperti taksonomi masih menjadi pusat penargetan kontekstual; namun, presisi dan perincian metode tersebut sudah berkembang lebih jauh. Contohnya, di MGID kamu menggunakan klasifikasi konten web berbasis AI yang bisa mendeteksi hampir 500 kategori konten unik dan juga meluncurkan pilihan-pilihan tambahan saat diminta.
Algoritma canggih memungkinkan klasifikasi tipe konten, topik, dan kesatuan lainnya (orang, produk, dll) dan analisis sentimen dari informasi subjektif di halaman website. Maka, kategorisasi dan pemahaman konten web diarsipkan tidak hanya dengan keyword di dalam informasi teks, tapi juga dengan kategori tingkat atas yang memperhitungkan komponen dan ciri-ciri lengkap. Contohnya, pengiklan bisa memblokir topik-topik tertentu dari kampanye mereka dan hanya menargetkan halaman-halaman dengan sentimen yang menguntungkan.
Klasifikasi teks dan pembelajaran mesin yang mendalam juga memungkinkan Anda untuk melihat data lama, mengevaluasi alternatif dan membuat rekomendasi tertarget untuk optimasi kampanye. Untuk mengantarkan wawasan relevan dan membuat rekomendasi, ilmuwan data bisa menerapkan dua model dasar dari analisis preskriptif, yaitu pembelajaran mesin diawasi dan tidak diawasi.
Untuk pembelajaran mesin diawasi, tenaga manusia membubuhi keterangan untuk data sumber, memilih label dan kategori, yang kemudian disetel oleh pembelajaran aktif dan digunakan oleh software untuk membuat prediksi. Untuk pembelajaran mesin tidak diawasi, software itu sendiri membuat sistem untuk kategori dari data sumber dan mengembangkan rekomendasi untuk kasus untuk kasus-kasus yang dikelompokkan. Untuk sekarang, pilihan-pilihan yang berlaku bagi perusahaan ad tech adalah menggabungkan metode klasifikasi tradisional seperti taksonomi dengan pembelajaran mesin diawasi.
Akhir kata
Untuk sekarang, kedua tipe dari penargetan, kontekstual dan berbasis pemirsa, adalah relevan di dalam ekosistem periklanan. Namun, dengan semakin mudahnya melakukan klasifikasi akurat dari konten web dan memastikan iklan cocok dengan kebanyakan konten relevan, kontekstual memiliki peluang tinggi untuk menjadi tipe utama dalam periklanan berbasis cookies.
Perusahaan-perusahaan besar seperti IBM Watson, Google Data Studio, MonkeyLearn dan MetaMind telah mengembangkan sumber daya kunci untuk adopsi masal – alat komputasi populer dan data open-source. Dari sekarang hingga nanti, perkembangan besar selanjutnya untuk kontekstual adalah kemampuan untuk mengantarkan sistem kontrol sesuai dengan tujuan masing-masing untuk optimasi kampanye dan keinginan komunitas periklanan untuk menciptakan solusi-solusi baru.
