В последние несколько лет все основные игроки в сообществе рекламных технологий отметили вероятное возвращение контекстной рекламы, вызванное правилами конфиденциальности и улучшениями в контекстуализированном машинном интеллекте. Рекламодатели также обнаруживают, что такие рекламные объявления могут быть более привлекательными для аудитории, потому что они точно соответствуют окружающему контенту.
Доступная сегодня контекстуализация может значительно повысить точность, релевантность и удобство использования моделей таргетинга и, в конечном итоге, повысить рентабельность, обеспечивая при этом безопасность бренда и конфиденциальность пользователей. Давайте обсудим, как можно использовать нереализованный потенциал этих решений.
Альтернативное направление персонализированной рекламы
Персонализированная реклама, широко используемая маркетологами в течение последнего десятилетия, основана на способности рекламодателя создавать актуальные, своевременные и привлекательные месседжи, которые резонируют с намерениями пользователей.
Основными типами таргетинга в рамках этого подхода являются контекстный таргетинг и таргетинг на аудиторию. Первый основан на сопоставлении рекламы с содержанием страницы, а второй – на показе рекламы конкретным пользователям в зависимости от их поведения в Интернете и / или социально-демографических данных.
До сих пор упор делался на таргетинг на аудиторию с помощью кукиз. Однако правила конфиденциальности, такие как GDPR, CCPA, и постепенный отказ самых популярных браузеров от сторонних кукиз склонили чашу весов в сторону контекстных решений. Контекстный таргетинг использует собственные данные и позволяет пользователям сохранять конфиденциальность.
Посредством категоризации веб-контента контекстный таргетинг с большей вероятностью будет соответствовать текущим намерениям пользователей, а не их прошлому поведению в сети. Таким образом, реклама будет показана в контексте, который особенно актуален и выгоден для бренда.
Улучшение таргетинга при помощи категоризации и машинного обучения
Контекстная реклама существовала задолго до Интернета. Примером этого является реклама автомобиля, которую видел читатель, листая журнал на автомобильную тематику. Сегодня, благодаря достижениям в области вычислений и науки о данных, рекламодатели могут отойти от общей классификации на вертикальном уровне и глубже погрузиться в контекст.
С технологической точки зрения методы классификации, такие как таксономия, по-прежнему составляют основу контекстного таргетинга, однако их точность и детализация стали значительно лучше. К примеру, MGID использует классификацию веб-контента на основе искусственного интеллекта, который может обнаруживать около 500 уникальных категорий контента и разворачивать дополнительные параметры по запросу.
Сложные алгоритмы позволяют классифицировать типы контента, темы и другие объекты (люди, продукты и т. д.) и анализировать тональность субъективной информации на странице. Таким образом, категоризация и понимание веб-контента достигаются не только с помощью ключевых слов в текстовой информации, но и с помощью категорий высокого уровня, принимая во внимание компоненты и атрибуты уровня детализации. Например, рекламодатели могут занести в черный список определенные темы, чтобы не использовать их в своей кампании и таргетировать только на страницы с наиболее благоприятной тональностью.
Глубокая классификация текста и машинное обучение также позволяют распознавать закономерности в прошлых данных, оценивать альтернативы и давать рекомендации по таргетингу для оптимизации кампании. Чтобы предоставить актуальную информацию и дать рекомендации, специалисты по данным могут применять две основные модели предписывающей аналитики, а именно машинное обучение с учителем и без учителя.
При машинном обучении с учителем, человек аннотирует исходные данные, выбирает ярлыки и категории, которые затем настраиваются посредством активного обучения и используются программным обеспечением для составления прогнозов. При обучении без учителя программа сама создает систему категорий из исходных данных и разрабатывает рекомендации для сгруппированных случаев. На данный момент при выборе модели, компании, занимающиеся рекламными технологиями, предпочитают комбинировать традиционные методы классификации, такие, как таксономия и машинное обучение с учителем.
Заключительная мысль
На данный момент в рекламной экосистеме актуальны оба типа таргетинга: контекстный и нацеленный на определенную аудиторию. Однако, чем проще будет классифицировать веб-контент и обеспечивать точное соответствие рекламы контенту, тем сильнее контекстные решения будут вытеснять рекламу на основе кукиз.
Крупные технологии и проекты, такие как IBM Watson, Google Data Studio, MonkeyLearn и MetaMind, разработали необходимые для массового внедрения ключевые ресурсы – вычислительные инструменты и данные из открытых источников. С этого момента главным катализатором контекстной экспансии является возможность предоставлять специализированные решения для оптимизации кампаний и желание рекламного сообщества их внедрять.
