Цифровий маркетинг досяг критичного моменту, коли надмірна кількість рекламних банерів почала викликати негативне сприйняття у споживача. Як це змінити? В нагоді стануть технології глибинної персоналізації, що забезпечують показ найбільш актуальних за змістом банерів тим споживачам, які, найімовірніше, позитивно на них відреагують.
Більшість із нас вже мали справу з пропозицією товарів, що формується на базі певних даних.
Ми купуємо продукцію на Amazon з рекомендованої у розділі «Часто обирають разом» або додаємо нових людей у Linkedin, ознайомившись з переліком профілів у категорії «Люди, яких ви можете знати». Навіть перегляд контенту на Netflix у більшості випадків відбувається на основі рекомендацій сервісу, заснованому на технологіях штучного інтелекту.
Сучасні технології стали ще розумнішими. Для персоналізації користувацького досвіду вони використовують інструменти глибинного навчання, що намагаються з’ясувати звички користувачів навіть після одного або кількох відвідувань сайту, іноді прямо під час першого відвідування. Разом з аналітикою в режимі реального часу алгоритми, які самостійного навчаються, здатні почати прогнозувати наступні пропозиції. Сервіси на кшталт Spotify можуть передбачати наступну пропоновану до прослуховування пісню, в той час як на YouTube перелік рекомендованих до перегляду відео формується на основі того, що переглядається на даний момент.
Застосування цього підходу особливо актуальне для електронної комерції, де асортимент продукції великий та різноманітний. За лічені секунди кожному споживачу треба запропонувати щось до його смаку. Поглиблений аналіз, що здійснюють алгоритми глибинного навчання, забезпечує швидку демонстрацію надточно персоналізованих пропозицій. Завдяки цьому рівень розчарування споживача знижується, а рекламна кампанія дає кращі результати.
Кожна технологія виконує свої завдання
У більшості ретаргетингових кейсів все починається з того, що споживачі шукають схожі продукти у кількох магазинах, але не здійснюють покупку. Щоб повернути таких споживачів до магазину, цифровий маркетолог використовує ретаргетингову кампанію.
І тут постає два завдання: що та у який спосіб показати конкретному споживачу. Рекламодавці використовують різні підходи, щоб зробити рекламний банер персоналізованим та привабливим. Потім спеціалісти з ретаргетингу підбирають для кожного споживача підходяще креативне повідомлення та пропонують персоналізований продукт.
Основна різниця між глибинним навчанням та попередніми підходами полягає в тому, що раніше технологію потрібно було навчати, як аналізувати великі обсяги даних та який результат від цього очікується.
Глибинне ж навчання діє подібно до нейронів людського мозку під час обробки інформації та прийняття рішень. Так само, як людина вчиться на практиці, модель глибинного навчання йде шляхом проб і помилок, перш ніж прийняти остаточне рішення. Такий підхід в електронній комерції дозволяє більш швидко та точно визначати купівельний потенціал без додаткового залучення людського ресурсу.
Заглиблення у контекст
Глибинне навчання дозволило спеціалістам з ретаргетингу не тільки аналізувати основні дії споживачів, такі як прояв зацікавленості у тих чи інших продуктах чи категоріях продукції, але й виявляти певний прихований потенціал. За аналогією, як неконтрольовані вирази обличчя людини є вирішальними для виявлення справжніх, часом прихованих, намірів, складні алгоритми глибинного навчання дають змогу аналізувати, наприклад, часовий проміжок між переглянутими продуктами, їхні ціни або навіть послідовність переглянутих сторінок онлайн-магазину. Ця інформація обробляється алгоритмом та використовується для прогнозування намірів споживача щодо здійснення покупки. Завдяки великому обсягу даних вдається вирахувати, у яких продуктах споживач буде найбільше зацікавлений.
Однак, зважаючи на категорію продукції та споживчі характеристики, процес прийняття рішення про остаточну покупку може тривати до декількох тижнів. Ось тут, на перший погляд, непридатна, прихована інформація – наприклад, частота, з якою користувач відвідує певний магазин чи яким пристроєм для перегляду користується, може допомогти завчасно сформувати персональні рекомендації щодо певних продуктів, які споживач буде шукати в найближчому майбутньому.
Покращений механізм оцінки якості пропозиції
Наступним кроком є креативне осмислення даних, щоб визначити, у який спосіб і в якому порядку пропозиції мають демонструватися споживачам. Завдяки механізму оцінки якості пропозиції, алгоритми глибинного навчання аналізують пропозиції асортименту представленого в магазині, та оцінюють, наскільки привабливими вони є для конкретного споживача, а не загалом.
Алгоритми машинного навчання застосовують лише очевидні дані, такі як перелік переглянутих продуктів, подібні продукти з тієї ж категорії серед інших споживачів та найбільш популярні продукти у даному магазині.
В алгоритмах глибинного навчання процес вибору є більш гнучким, існує набагато більше можливостей для комбінування продуктів. Це дозволяє сформувати остаточний перелік, що відображатиметься на банері, ще більш персоналізовано. Такий підхід дозволяє спеціалістам з ретаргетингу виходити на рівень окремого споживача і задовольняти його конкретні потреби, а не орієнтуватися на групу споживачів зі схожими інтересами.
Персоналізована реклама в режимі реального часу
Поведінкові моделі споживачів постійно змінюються. Важливо, щоб система формування рекомендацій діяла в режимі реального часу, оновлюючи зображення на банері щоразу, коли споживачу демонструється реклама.
Деякі механізми, засновані на більш старій технології штучного інтелекту, зазвичай формують та оновлюють поведінкові моделі з прив’язкою до фіксованих проміжків часу. Це знижує ефективність реклами, оскільки споживачам можуть демонструватися банери з неактуальною продукцією. Можливість оновлювати банер щоразу перед його демонстрацією дає можливість алгоритмам брати до уваги реакцію споживачів на раніше пропоновані пропозиції. Таким чином, поведінкова модель формується більш точно і в режимі реального часу. Найскладніше в тому, що весь цей процес – від аналізу даних до формування оновленого банера і його демонстрації – має займати долі секунди.
Завдяки потужним алгоритмам і постійному аналізу, механізми ретаргетингу на базі глибинного навчання здатні виконати таку задачу. За даними RTB House, після впровадження механізмів глибинного навчання для формування рекомендацій, споживачі клікали по банерах на 41% частіше, ніж зазвичай. Таке зростання особливо помітне для брендових та мультибрендових онлайн-магазинів, де можливості поєднання різних категорій товарів для формування рекомендацій практично безмежні.
І наостанок
Звичайний ретаргетинг більше не працює. Лише інвестування у новітні рішення дозволить брендам залишатися конкурентними. Глибинне навчання вже довело свою ефективність як маркетинговий інструмент у різних галузях – від автобізнесу до сфери розваг.