Proč jsou doporučení využívající hluboké učení tak přesná?

Lidé jsou každý den bombardováni tisícovkami offline a online reklam. S rostoucí oblíbeností blokování reklamy je jasné, že hledají způsoby, jak omezit její zobrazované množství. Klíčovým tématem zůstává, že většina obsahu je pro uživatele nerelevantní. Vladimír Houba z RTB House vysvětluje, jak hluboké učení může inzerentům pomoci vypořádat se s touto situací a zlepšit výkonnost kampaní s pomocí přesnějšího cílení skrze hluboké učení.

rtb-house-com-cz

Digitální marketing dosáhl bodu, v němž má příliš velké množství reklamy negativní vliv na pozornost uživatelů. Pokud marketéři osloví uživatele s pomocí technologií hluboké personalizace, může se jim podařit tento problém vyřešit – doručí relevantní sdělení lidem, u nichž se dá předpokládat zájem.

Tento přístup se odvíjí od toho, jakým způsobem  poskytovatel reklamy postavil personalizaci na  rekomendačních technologiích. Ti, kteří využívají umělou inteligenci a strojové učení – tedy technologie, které stojí za úspěchem Netflixu a Amazonu – budou mít se svými kampaněmi také úspěch.

Využití výhod strojového učení a technik umělé inteligence je prvním krokem pro digitálního marketéra. Ale technologie hlubokého učení umožňují jít ještě dál, využívat pokročilých algoritmů a datových modelů k analýze a přesnější identifikaci potřeb uživatelů.

Tento konkrétní druh řešení je obzvláště důležitý pro oblast e-commerce, kdy e-shopy pracují s rozsáhlou nabídkou nejrůznějšího zboží. Rozhodnutí musí být dělána v horizontu milisekund a musí co nejlépe odpovídat preferencím jednotlivých zákazníků. Pokročilá analýza prováděná algoritmy hlubokého učení umožňuje, že se personalizované nabídky objevují rychle a jsou přesně přizpůsobené každému uživateli. Výsledkem je kampaň, která zobrazuje pouze relevantní doporučení. Díky tomu je zkušenost zákazníků méně frustrující a efektivnější pro zadavatele reklamy.

Odlišné technologie znamenají různé výsledky

Ve většině případů retargeting začíná v okamžiku, kdy si uživatel prohlédne několik e-shopů, v nichž hledá podobné zboží, ale nakonec ho nekoupí. K obnově kontaktu s uživatelem a k jeho přivedení zpět do online obchodu využije digitální marketér retargetingovou kampaň.

Retargeting se v současné době musí vyrovnávat zejména se dvěma problémy – jakou nabídku zobrazit a jak ji ukázat konkrétnímu uživateli. Zadavatelé reklamy zkoušejí různě upravovat reklamní sdělení tak, aby bylo personalizované a dostatečně atraktivní, aby přesvědčilo zákazníka k dokončení objednávky. Poskytovatelé retargetingu pak oslovují jednotlivé zákazníky se správným sdělením (kreativou) a poté zobrazují unikátní nabídku (personalizované produkty).

Co odlišuje hluboké učení od tradičního strojového učení je metoda učení. Standardní strojové učení je navrženo tak, aby se učilo z velkého množství dat. Musí být ale naučeno, jak se má učit, co má analyzovat a jakého výsledku má dosáhnout.

Pokud je využito hluboké učení, mění se metoda učení. Napodobuje způsob fungování lidského mozku při zpracování informací a rozhodování. Je to podobné lidem učícím se z praxe. Hluboké učení se pokouší o různé věci před tím, než přijme rozhodnutí. V oblasti e-commerce samostatné učení napodobuje zkušenosti a simulace a tím dosahuje přesnějšího a rychlejšího odhadu nákupního potenciálu.

Toto se děje bez jakéhokoli lidského zásahu nebo předem připravených pravidel.

Odhalení skrytého

Hluboké učení umožnilo poskytovatelům retargetingu analyzovat nejen základní chování uživatelů (jaké produkty nebo jejich kategorie si prohlíželi), ale také “skrytou vrstvu dat”. V případě řeči těla mohou nenápadné náznaky odhalit naše pravé záměry, které někdy mohou zůstat neodhalené. Díky sofistikovaným algoritmům využívajícím hluboké učení je možné analyzovat například čas mezi prohlédnutými produkty, ceny výrobků nebo dokonce souslednost navštívených sekcí e-shopu. Pokud mají stroje k dispozici tyto informace, mohou přesně analyzovat, co uživatel v obchodě dělal a také mohou zkusit předpovědět jeho nákupní záměry. Díky množství dat z minulosti je možné předvídat, o jaké zboží bude mít zákazník největší zájem.

V závislosti na kategorii produktu a charakteristikách zákazníka může jeho finální rozhodování o koupi trvat až několik týdnů. Jakkoliv to je možná nerelevantní, mnohdy skryté informace mohou vést k dřívějšímu rozhodnutí se a určení toho, o jaký produkt se uživatel v blízké budoucnosti bude zajímat. Může jít například i o frekvenci návštěvy určitého obchodu či používané zařízení.

Optimalizované řazení nabídek

Dalším krokem je jak a v jakém pořadí by měly být nabídky seřazeny na kreativě. Díky řazení nabídek je pozice produktu v e-shopu opakovaně vyhodnocována. Algoritmy hlubokého učení analyzují nabídky a vyhodnocují, jak jsou atraktivní z pohledu konkrétního uživatele.

V případě standardního přístupu bez využití hlubokého učení používá poskytovatel retargetingu na bannerech strojové učení k vytváření kombinací z jednoduchých segmentů, např. produkty prohlédnuté zákazníkem, podobné produkty ze stejné kategorie (na základě historie jiných zákazníků), nebo nejprodávanější zboží v daném obchodě.

Hluboké učení je mnohem sofistikovanější. Proces výběru je flexibilnější. Je umožněno větší množství kombinací výrobků a jejich přehled na banneru je ještě personalizovanější. Tento přístup dovoluje poskytovatelům retargetingu uplatnit pravidlo, podle kterého neexistuje žádný univerzálně platný přístup pro skupinu uživatelů. Tyto algoritmy jdou vždy hlouběji až na úroveň jednotlivého uživatele a hledají nejlepší nabídky nebo jejich pořadí zobrazení na banneru.

Zobrazení personalizované reklamy v reálném čase

Žádný člověk nežije ve vakuu. Jejich profil chování se tak neustále mění. Doporučovací mechanismus v retargetingu využívající hluboké učení by měl být schopný vytvořit profil chování v reálném čase a upravovat obsah banneru pokaždé, kdy je zobrazen.

Některé mechanismy vycházející z dřívějších technologií umělé inteligence obvykle vytvářejí a upravují profily chování během pevně stanovených časových intervalů. To znamená, že o mnohé ze zobrazených produktů už zákazník nemá zájem. Rozhodování o tom, co má být ukázáno, když je banner zobrazen, umožňuje algoritmům reagovat podle reakce daného uživatele na dříve viditelný banner.

Díky pokročilým algoritmům a neustálé analýze jsou retargetingové technologie používající hluboké učení schopné upravovat profily chování v reálném čase. Data společnosti RTB House ukazují, že po implementaci hlubokého učení do doporučovacího mechanismu klikali uživatelé na reklamu až o 41 % více. Takový nárůst byl patrný zejména v oblasti fashion a u e-shopů nabízejících zboží z více kategorií, které umožňují téměř nekonečné možnosti kombinací doporučení zboží z různých kategorií.

Shrnutí

Pokud velké množství reklamy vede ke snižování její efektivity, zadavatelé inzerce a jejich partneři by měli začít využívat pokročilé technologie hlubokého učení. Pouze tak se jejich marketing odliší od konkurentů a kampaně budou efektivní. Klasický retargeting už nedostačuje. Investice do nových řešení zajistí, že brandy obstojí v budoucí konkurenci. Hluboké učení je čím dál tím populárnější a mění mnoho odlišných byznysů – oblastí automotive počínaje, zábavou a marketingem konče. Díky hlubokému učení získává reklamní průmysl přesně přizpůsobená a personalizovaná sdělení pro uživatele, která vedou k větší spokojenosti zákazníků a efektivnějším kampaním.

Autor: Vladimír Houba, regionální ředitel RTB House