Индустрия в целом, как и большинство рекламодателей, паблишеров и фирм AdTech, поприветствовали новости. Продолжение подвешенного состояния дает дополнительное время индустрии, чтобы найти одно или несколько комплексных решений по подготовке к предстоящим изменениям.
Недавно Google заявил, что компания собирается следовать всем рекомендациям Европейской комиссии и поможет паблишерам подготовиться и протестировать различные решения. Скептики ожидают, что антимонопольных требований от европейских правительств будет недостаточно, чтобы убедиться в отсутствии преимуществ у собственных решений Google в разработке и применении методов Privacy Sandbox.
Сторонние cookie, несмотря на недостатки, были приемлемым решением для хранения, передачи, использования и монетизации данных таргетинга, а также для измерения воздействия рекламы на пользователей в целях ограничения частоты и распределения. Давайте ближе взглянем на текущие попытки индустрии AdTech противостоять отмене сторонних cookie.
Альтернативные решения по идентификации пользователей
С отменой сторонних cookie бренды, агентства и технические посредники могут сделать выбор в пользу альтернативных идентификаторов. Однако, согласитесь, они могут стать тем же cookie под другим названием. Детерминированные идентификаторы, собираемые без согласия, со временем могут вызвать те же проблемы конфиденциальности. Это не долгосрочное межиндустриальное решение.
Пока-что решения по идентификации представляют две категории: вероятностные идентификаторы без cookie и без согласия и детерминированные решения с согласием пользователя, на основе входа в учетную запись. Первые используют IP-адреса пользователей, идентификационную строку и гео для создания анонимной идентичности. Вторые полагаются на детерминированные и постоянные идентификаторы, когда пользователи определяют себя сами, входя в учетную запись.
Альтернативные решения таргетинга без идентификации пользователя
Что если ни одно из рассмотренных выше решений по идентификации не добьется успеха? Детерминированные решения на основе входа в учетную запись могут потерпеть крах, потому что многие пользователи откажутся идентифицировать себя при просмотре погоды или чтении новостей. Вероятностные решения могут не преуспеть, потому что они не полностью соблюдают конфиденциальность и весьма неаккуратны.
MGID и некоторые другие компании улучшают контекстуальные решения в качестве альтернативы таргетингу на основе идентификации. Контекстуальный таргетинг не нов, но решения на основе машинного обучения, такие как Contextual Intelligence (CI) от MGID, делают его куда более эффективным.
Contextual Intelligence на 100% поддерживает конфиденциальность пользователей. Реклама использует не пользовательские данные, а то, что на странице. Рекламный контент релевантен текущему намерению пользователя. Рассмотрим на примере b2b рекламы: таргетинг более эффективен, пока пользователь читает новости бизнеса на работе. Он будет чаще игнорировать такую рекламу, когда бронирует столик в ресторане.
Однако, слабое место таких решений таргетинга — контекстуальных данных меньше, чем поведенческих и других характеристик. Пользователь одновременно видит только одну страницу по конкретной теме (контекстуально), а идентификаторы могут быть связаны с тысячами страниц, посещенных в прошлом (поведенчески). Таким образом, пользователь таргетируется контекстуально только к одной странице, а поведенчески — к тысячам категорий.
Contextual Intelligence от MGID решает проблему, связывая контексты с поведением. Например, дорогие бренды часов не релевантны к путешествиям 1-го класса контекстуально. Поведение при покупке дорогих часов при покупке билета 1-го класса в какой-то мере связано.
Способы повысить доходы, не связанные с таргетингом
Причина, почему многие паблишеры озабочены предстоящей отменой сторонних cookie, — доход. Что если есть способы увеличить доходы, никак не связанные с идентификацией и таргетингом? Реализация таких улучшений — также хороший способ подготовиться к cookie-апокалипсису.
Один из возможных ответов — лучшие средства оптимизации на основе машинного обучения. Способность идентифицировать характеристики и намерения пользователей — только половина успеха. Другая половина, гораздо более проблемная, — определить, что с этим делать.
Например, если вы являетесь компанией прохладительных напитков, вы можете предпочитать страницы о таких напитках и показывать рекламу идентификаторам пользователей, выразившим интерес к такой продукции. Но чем больше ограничений накладывается на таргетинг, тем меньше масштабируемость.
Вы часто будете иметь дело с уровнем релевантности и различными контекстами. «Контекст» в словаре специалистов по машинному обучению — не просто категория страницы. Это могут быть десятки других функций, таких как день недели, время дня, устройство, браузер, страница в сессии, отклик на похожую рекламу в прошлом и т.д.
В недалеком прошлом рекламодатели полагались на армию менеджеров кампаний, вручную выбирающих цель, частоту и биддинг для каждого кусочка контекста. Этот ручной подход мог принести рекламодателю оптимальный результат, но его нельзя легко масштабировать. Такие подстройки становятся почти невозможными с прогрессивным ростом охвата. Именно поэтому MGID расширяет возможности оптимизации, используя новейшие достижения в моделировании и машинном обучении.
Заключение
Google Chrome охватывает почти две трети пользователей браузеров в мире, и решение Google по отмене сторонних cookie становится последней каплей в использовании этой технологии. Загадочная эпоха без cookie наступит, раньше или позже, и главные игроки в индустрии все еще должны решить, как войти в нее.
