В останні кілька років всі основні гравці на ринку AdTech відзначили ймовірне повернення контекстуальної реклами, викликане посиленням норм захисту данних та розвитком AI. Рекламодавці також починають відзначати, що такі рекламні оголошення можуть бути привабливішими для аудиторії, тому що вони точно відповідають навколишнього контенту.
Доступна сьогодні контекстуалізація може значно підвищити точність, релевантність і зручність використання моделей таргетингу і в кінцевому підсумку, підвищити ROI, забезпечуючи при цьому безпеку бренду і конфіденційність користувачів. Давайте розглянемо, як можна використовувати нереалізований потенціал цих рішень.
Альтернативний напрямок
Персоналізована реклама, яка широко використовується digital-маркетологами протягом останнього десятиліття, базується на здатності рекламодавця створювати актуальні, своєчасні і привабливі меседжі, які резонують з намірами користувачів.
Основними типами таргетингу у межах цього підходу є контекстуальний таргетинг і таргетинг на основі даних про аудиторію. Перше спирається на підбір реклами за змістом сторінки, а друге – на показ реклами конкретним користувачам залежно від їхньої поведінки в Інтернеті та/або соціально-демографічних даних.
Дотепер найбільшим попитом користувався таргетинг за допомогою cookie файлів. Однак правила конфіденційності, такі як GDPR, CCPA, і поступова відмова найпопулярніших браузерів від сторонніх cookie файлів схилили чашу терезів на бік контекстуальних рішень. Таргетинг за контекстом спирається на firts-party дані і дозволяє користувачам зберігати конфіденційність.
За допомогою категоризації вебконтенту, контекстуальний таргетинг допомагає показати користувачу рекламу, що відповідає його інтересам саме зараз, незважаючи на його попередню поведінку в мережі. У такий спосіб, реклама буде відображена в контексті, який є особливо актуальним і сприятливим для бренду.
Кращий таргетинг за допомогою категоризації і машинного навчання
Контекстуальна реклама існувала задовго до Інтернету. Прикладом цього є реклама автомобілів у журналах на автомобільну тематику. Сьогодні, завдяки досягненням науки про дані і відкриттям в галузі обчислень, рекламодавці можуть відійти від загальної класифікації на рівні категорії продукту і глибше зануритися в контекст.
Із технологічної точки зору, методи класифікації, такі як таксономія, як і раніше становлять основу контекстуального таргетингу, однак їх точність і деталізація стали значно кращими. Наприклад, MGID використовує класифікацію вебконтенту на основі штучного інтелекту, який може виявляти близько 500 унікальних категорій контенту і задіювати додаткові параметри за запитом.
Складні алгоритми дозволяють класифікувати типи контенту, теми та інші сутності (люди, продукти тощо) і аналізувати тональність і настрій інформації на сторінці. У такий спосіб, категоризація та розуміння вебконтенту досягаються не тільки за допомогою ключових слів в текстовій інформації, а й за допомогою категорій високого рівня, беручи до уваги конкретні компоненти і атрибути. Наприклад, рекламодавці можуть занести в чорний список певні теми, щоб не використовувати їх у своїй кампанії і таргетуватись тільки на сторінки з найсприятливішою тональністю.
Глибока класифікація тексту і машинне навчання також дозволяють розпізнавати закономірності в даних попередніх періодів, оцінювати альтернативи і давати чіткі рекомендації для оптимізації кампанії. Щоб надати актуальну інформацію та дати рекомендації, data scientists можуть застосовувати дві основні моделі приписуючої аналітики, а саме машинне навчання під наглядом і без нагляду.
При машинному навчанні під наглядом, людина-експерт анотує вихідні дані, вибирає ярлики і категорії, які потім налаштовуються за допомогою активного навчання і використовуються програмним забезпеченням для складання прогнозів. При навчанні без нагляду, програма сама створює систему категорій з вихідних даних і розробляє рекомендації для груп випадків. На даний момент при виборі моделі, AdTech компанії вважають за краще комбінувати традиційні методи класифікації, такі, як таксономія і машинне навчання під наглядом.
Заключна думка
На даний момент в рекламній екосистемі актуальні обидва типи таргетингу: контекстуальний і націлений на певну аудиторію. Однак, класифікувати вебконтент і забезпечувати точну відповідність реклами контексту стає простіше, а отже контекстуальні рішення починають активніше конкурувати із рекламаю на основі cookie-файлів.
Великі технологічні компанії і проекти, такі як IBM Watson, Google Data Studio, MonkeyLearn і MetaMind, розробили необхідні для масового впровадження ресурси – готові обчислювальні інструменти і дані з відкритих джерел. З цього моменту, головним каталізатором контекстуальної експансії є можливість надавати спеціалізовані рішення для оптимізації кампаній і бажання рекламного ринку їх впроваджувати.
