Trong vài năm qua, tất cả những tên tuổi lớn trong cộng đồng công nghệ quảng cáo đã nhận thấy sự trở lại của quảng cáo theo ngữ cảnh, bởi các quy định về quyền riêng tư và những sự cải thiện trong trí tuệ máy móc theo ngữ cảnh. Các nhà quảng cáo cũng nhận thấy rằng các quảng cáo này có thể gắn kết hơn đối với khán giả bởi vì những sáng tạo quảng cáo rất phù hợp với nội dung xung quanh.
Sự ngữ cảnh hóa của ngày nay có thể cải thiện đáng kể độ chính xác, mức độ liên quan và khả năng sử dụng các mô hình nhắm mục tiêu và trên hết là thúc đẩy ROI cao hơn, đồng thời đảm bảo an toàn thương hiệu và quyền riêng tư của người dùng. Chúng ta hãy thảo luận về cách tận dụng tiềm năng chưa được khai thác của những giải pháp này.
Cột trụ thứ yếu
Quáng cáo cá nhân hóa, điều đã được các nhà tiếp thị kỹ thuật số đón nhận rất nhiều trong thập kỷ qua, dựa trên khả năng đưa ra các thông điệp có liên quan, kịp thời và hấp dẫn của nhà quảng cáo, phù hợp với ý định của người dùng.
Các dạng nhắm mục tiêu chính trong phương pháp này là nhắm mục tiêu dựa trên ngữ cảnh và dựa trên đối tượng khán giả. Loại thứ nhất dựa vào việc kết hợp quảng cáo với nội dung trang, trong khi loại thứ hai thì quảng cáo được hiển thị cho những người dùng cụ thể dựa trên hành vi trực tuyến và/hoặc dữ liệu nhân khẩu học-xã hội của họ.
Cho đến nay, trọng tâm được đặt vào việc nhắm mục tiêu dựa trên khán giả thông qua cookie. Tuy nhiên, các quy định về quyền riêng tư, chẳng hạn như GDPR, CCPA và loại bỏ cookie bên thứ ba khỏi các trình duyệt phổ biến nhất đã khiến chuyển sang các giải pháp theo ngữ cảnh. Việc nhắm mục tiêu theo ngữ cảnh sử dụng dữ liệu bên thứ nhất và cho phép người dùng bảo vệ quyền riêng tư dữ liệu.
Bằng cách phân loại nội dung web, việc nhắm mục tiêu theo ngữ cảnh có nhiều khả năng phù hợp với những dự định hiện tại của người dùng hơn là dựa trên hành vi trực tuyến trước đây của họ. Hơn hết, quảng cáo được phục vụ cho khán giả trong ngữ cảnh phù hợp và gắn kết đặc biệt đối với thương hiệu.
Phân loại và ML để nhắm mục tiêu tốt hơn
Quảng cáo theo ngữ cảnh đã tồn tại từ lâu, trước khi có Internet; ví dụ như chúng ta thấy quảng cáo xe khi đọc tạp chí về ô tô. Ngày nay, do những tiến bộ trong khoa học dữ liệu và máy tính, các nhà quảng cáo có thể bước ra khỏi sự phân loại chung theo chiều dọc và đi sâu hơn vào ngữ cảnh.
Từ góc độ công nghệ, các phương pháp phân loại, chẳng hạn như phân loại học, vẫn là trọng tâm của việc nhắm mục tiêu theo ngữ cảnh; tuy nhiên, độ chính xác và độ chi tiết được cải thiện đáng kể. Ví dụ: tại MGID, chúng tôi sử dụng cách phân loại nội dung web dựa trên AI phát hiện gần 500 phân nhóm nội dung độc đáo và có thể triển khai các chọn lựa bổ sung theo yêu cầu.
Các thuật toán phức tạp cho phép phân loại nội dung, chủ đề và các yếu tố khác (con người, sản phẩm...) và phân tích tình cảm của thông tin về đối tượng trên trang. Do đó, không chỉ có thể phân loại và hiểu nội dung web bằng các từ khóa trong thông tin văn bản mà còn bằng các phân nhóm cấp cao xét đến những thành phần và thuộc tính chi tiết. Ví dụ, các nhà quảng cáo có thể đưa những chủ đề nhất định vào danh sách đen từ các bánh xe chiến lược và chỉ nhắm mục tiêu đến các trang có cảm tình nhất.
Việc phân loại kỹ càng và học máy cũng cho phép phân biệt các khuôn mẫu trong dữ liệu trước đây, đánh giá các lựa chọn thay thế và đưa ra những đề xuất được nhắm mục tiêu nhằm tối ưu hóa chiến dịch. Để cung cấp thông tin chi tiết có liên quan và đưa ra đề xuất, các nhà khoa học dữ liệu có thể áp dụng hai mô hình phân tích mô tả cơ bản, cụ thể là học máy có giám sát và không giám sát.
Trong học có giám sát, chuyên gia chú thích dữ liệu nguồn, chọn nhãn và phân nhóm, sau đó được điều chỉnh thông qua học tích cực và được phần mềm sử dụng để đưa ra dự đoán. Trong học không giám sát, phần mềm tự tạo ra hệ thống các phân nhóm từ dữ liệu nguồn và phát triển đề xuất cho các trường hợp nhóm. Hiện tại, các lựa chọn mô hình phổ biến của những công ty công nghệ quảng cáo là kết hợp các phương pháp phân loại truyền thống chẳng hạn như phép phân loại và học máy có giám sát.
Kết luận
Hiện tại, cả hai kiểu nhắm mục tiêu, dựa trên ngữ cảnh và dựa trên khán giả, đều có liên quan trong hệ sinh thái quảng cáo. Tuy nhiên, bởi vì việc phân loại nội dung web chi tiết và việc đảm bảo quảng cáo được kết hợp với nội dung phù hợp nhất một cách chính xác trở nên dễ dàng hơn, quảng cáo dựa trên ngữ cảnh có khả năng thử thách ưu thế của quảng cáo dựa trên cookie.
Các dự án và tên tuổi công nghệ lớn như IBM Watson, Google Data Studio, MonkeyLearn và MetaMind đã phát triển các nguồn lực quan trọng cần thiết cho việc áp dụng hàng loạt - các công cụ máy tính theo yêu cầu và dữ liệu nguồn mở. Từ nay trở đi, chất xúc tác chính của việc mở rộng theo ngữ cảnh là khả năng cung cấp các hệ thống kiểm soát phù hợp với mục đích để tối ưu hóa chiến dịch và mong muốn đưa các giải pháp mới vào sản xuất của cộng đồng quảng cáo.
