Індустрія в цілому, як і більшість рекламодавців, паблішерів і фірм AdTech, були раді цим новинам. Перебування у підвішеному стані дало індустрії додатковий час, щоб знайти одне або кілька комплексних рішень та підготуватись до майбутніх змін.
Нещодавно Google заявив, що компанія збирається слідувати всім рекомендаціям Європейської комісії та допоможе паблішерам підготуватися й протестувати різноманітні рішення. Скептики очікують, що антимонопольних вимог від європейських урядів буде недостатньо, щоб переконатися у відсутності переваг власних рішень Google в розробці та застосуванні методів Privacy Sandbox.
Сторонні cookie, попри недоліки, були прийнятним рішенням для зберігання, передачі, використання і монетизації даних для таргетингу, а також для вимірювання впливу реклами на користувачів з метою обмеження частоти та розподілу. Давайте обговоримо поточні спроби індустрії AdTech протистояти скасуванню сторонніх cookie.
Альтернативні рішення для ідентифікації користувачів
Після скасування сторонніх cookie бренди, агентства та технічні посередники зможуть зробити вибір на користь альтернативних ідентифікаторів. Однак, погодьтеся, вони можуть стати просто ще одними файлами cookie під іншою назвою. Детерміновані ідентифікатори, що збираються без згоди, з часом можуть викликати ті ж проблеми конфіденційності. Це не довгострокове міжіндустріальне рішення.
Поки що рішення для ідентифікації користувачів діляться на дві категорії: імовірнісні ідентифікатори без cookie і без згоди та детерміновані рішення зі згодою користувача, на основі входу в обліковий запис. Перші використовують IP-адреси користувачів, ідентифікаційний рядок та гео для створення анонімної ідентичності. Інші покладаються на детерміновані та постійні ідентифікатори, коли користувачі визначають себе самі, входячи в обліковий запис.
Альтернативні рішення таргетингу без ідентифікації користувача
Що якщо жодне з розглянутих вище рішень ідентифікації не доб'ється успіху? Детерміновані рішення на основі входу в обліковий запис можуть зазнати краху, тому що багато користувачів відмовляться ідентифікувати себе при перегляді погоди або читанні новин. Імовірнісні рішення можуть не досягти успіху, тому що вони не повністю дотримуються конфіденційності.
MGID та деякі інші компанії покращують контекстуальні рішення як альтернативу таргетингу на основі ідентифікації. Контекстуальний таргетинг не є новинкою, але рішення на основі машинного навчання, такі як Contextual Intelligence (CI) від MGID, роблять його куди більш ефективним.
Contextual Intelligence або Контекстуальний інтелект на 100% підтримує конфіденційність користувачів. Реклама використовує не призначені для користувача дані, а ті, що є на сторінці. Рекламний контент відповідає поточному наміру користувача. Розглянемо на прикладі b2b рекламу: таргетинг більш ефективний, поки користувач читає новини бізнесу на роботі. Він буде частіше ігнорувати таку рекламу, коли бронює столик в ресторані.
Однак, слабке місце таких рішень таргетингу — контекстуальних даних менше, ніж поведінкових та інших характеристик. Користувач одночасно бачить тільки одну сторінку на конкретну тему (контекстуально), а ідентифікатори можуть бути пов'язані з тисячами сторінок, відвіданих в минулому (поведінково). Таким чином, користувач таргетується контекстуально тільки до однієї сторінки, а поведінково — до тисяч категорій.
Contextual Intelligence від MGID вирішує проблему, пов'язуючи контекст з поведінкою. Наприклад, дорогі бренди годинників не є релевантні до подорожей 1-го класу з контекстуальної точки зору. Але поведінка при купівлі дорогих годинників і при купівлі квитків 1-го класу якоюсь мірою є пов'язаною.
Способи підвищити доходи, не пов'язані з таргетингом
Багато паблішерів стурбовані майбутнім скасуванням сторонніх файлів cookie, тому що це вплине на їх дохід. Але що якщо існують способи збільшити дохід, не пов'язані з ідентифікацією та таргетингом? Реалізація таких рішень — також чудовий спосіб підготуватися до cookie-апокаліпсису.
Одне з можливих рішень — кращі засоби оптимізації на основі машинного навчання. Здатність ідентифікувати характеристики та наміри користувачів — це тільки половина успіху. Набагато більш проблемним буде визначити, що з цим робити.
Наприклад, якщо ваша компанія продає прохолодні напої, ви можете віддавати перевагу сторінкам про напої та показувати рекламу користувачам, що виявили інтерес до схожої продукції. Але чим більше обмежень накладається на таргетинг, тим менше масштабованість.
Ви часто будете мати справу з рівнем релевантності та різними контекстами. «Контекст» у словнику фахівців машинного навчання — не просто категорія сторінки. Це можуть бути десятки інших параметрів, таких як день тижня, година, тип пристрою, браузер, сторінка в сесії, відгук на схожу рекламу в минулому тощо.
В недалекому минулому рекламодавці покладалися на армію менеджерів кампаній, що вручну вибирали мета, частоту і біддінг для кожного шматочка контексту. Цей ручний підхід міг принести рекламодавцю оптимальний результат, але його не вдасться легко масштабувати. Такі підлаштування стають майже неможливими з прогресивним зростанням охоплення. Саме тому MGID розширює можливості оптимізації, використовуючи новітні досягнення в моделюванні та машинному навчанні.
Висновок
Google Chrome охоплює майже дві третини користувачів браузерів у світі, і рішення Google щодо скасування сторонніх файлів cookie стає останнім етапом, що покладе кінець використанню цієї технології. Рано чи пізно настане загадкова епоха без файлів cookie, і головні гравці індустрії повинні вирішити, як в неї увійти.
