С каждым годом рекламные сервисы предлагают все больше инструментов автоматизации для рекламы. Сегодня с их помощью в контекстной рекламе мы можем:
- планировать бюджеты с учетом сезонности;
- генерировать объявления, в том числе с учетом эффективности комбинаций элементов;
- подбирать ключевые фразы и аудитории;
- находить целевую аудиторию с помощью автоматических таргетингов;
- получать рекомендации по оптимизации рекламных кампаний;
- автоматически назначать ставки с учетом выбранной стратегии;
- использовать автоматическую прослушку и обработку звонков с рекламы (коллтрекинг);
- автоматически передавать данные из CRM-систем в рекламные кабинеты.
По сути, реклама уже способна вести саму себя. Например, умная кампания для КМС в Google требует для запуска и ведения минимального ручного труда: система автоматически создает объявления, выбирает таргетинг и назначает ставки. Возникает закономерный вопрос: что не может быть автоматизировано в рекламе и в чем человек способен конкурировать с автоматизацией?
Автоматизация и машинное обучение в рекламных системах
Автоматизированные инструменты в рекламе — это по большей части результат работы машинного обучения (machine learning). Оно нацелено на поиск скрытых закономерностей в данных, то есть в совокупности объектов. С точки зрения математики единственное требование к объекту — быть описанным некоторой совокупностью переменных. Машинное обучение применимо, когда объект характеризуется переменными двух типов: наблюдаемыми (могут быть измерены для любых объектов) и скрытыми (не могут быть измерены в явном виде).
Для примера рассмотрим работу автоматической стратегии назначения ставок «Максимум конверсий». Задача алгоритма — распознать пользователя, который с высокой вероятностью совершит конверсию и повысить для него ставку до оптимального уровня. В качестве наблюдаемых переменных выступает накопленное «статистическое портфолио» пользователя: демографические характеристики, посещаемые ресурсы, история онлайн-транзакций и т. д. — все параметры, фиксируемые метриками.
В качестве скрытой переменной в простом случае выступает бинарная величина — осуществит пользователь конверсию или нет. В более сложном случае — вероятность совершения конверсии. Обучающая выборка формируется из совокупности объектов с завершенным циклом (конверсия либо совершена, либо по ряду признаков признается несовершенной).
С помощью анализа закономерностей между «статистическим портфолио» пользователя и фактом совершения конверсии строится алгоритм прогнозирования, который будет применим для произвольных объектов — таких, что находятся вне обучающей выборки, то есть именно он будет определять подходящие ставки для каждого пользователя в последующих аукционах.
В чем сила человека
Уместно предположить, что в рекламе не может быть автоматизировано только то, что невозможно описать с помощью наблюдаемых и скрытых переменных. «Проблемными» в таком случае становятся «гуманитарные зоны» рекламы:
- поиск точных синтаксических и семантических взаимосвязей слов;
- творчество как эмоциональный интеллект или эмпатия;
- критическое мышление.
Например, релевантно среагировать на повестку и построить коммуникацию с пользователем на ее основе пока может только человек. Машина не способна учесть культурно-исторический контекст, менталитет и национальный юмор.
Готовясь к новогодней акции, рекламодатель может адаптировать объявление и наполнить его ассоциациями. Предложить не просто посетить торговый центр, а «насладиться атмосферой приближающегося праздника, выбирая подарки для близких». Или, говоря о насущном, оперативно отреагировать на нестандартную ситуацию и упомянуть бесконтактную доставку в период эпидемии вируса.
Однако стоит заметить, что если креативное мышление и способность целенаправленно эмоционально воздействовать пока являются безусловным преимуществом человека, то лингвистическая интеллектуализация стремится к соперничеству. Доказательство этого — разработки инженеров корпорации Google с участием Томаша Миколова (ученый в области машинного обучения, научный сотрудник Facebook, ранее — Google).
Команда разработчиков переводила слова естественного языка в векторы, совокупность которых составила так называемое «семантическое пространство». Инженеры доказали, что алгебраические операции в этом пространстве сопоставимы с логическими операциями по поиску синтаксических и семантических взаимосвязей слов. Это значит, что компьютер понимает, какой из смыслов многозначного слова в конкретном контексте имеется в виду: он отличает шариковую ручку от дверной, съедобный лук от оружия и даже идентифицирует разницу между поликлиникой-зданием («поверните за поликлиникой») и поликлиникой-структурой («записаться на прием в поликлинику»).
Для рекламодателей это значит, что предложенные к расширению ключевые фразы и динамические объявления будут совершенствоваться по мере развития технологий и потенциально смогут достичь качества ручного труда.
Подводя итог
Тенденции показывают, что машинное обучение будет технически совершенствоваться и охватывать новые неочевидные для измерения данные. Параллельно будут развиваться и преобразовываться в искусственный интеллект инструменты автоматизации рекламы.
Однажды машины тоже научатся реагировать на повестку, анализируя частоту упоминания информации в новостных сводках, ее резонанс. Они научатся шутить, ориентируясь на понравившиеся пользователям публикации. Гипотетически, они научатся делать всё, что подвержено логике и может быть измерено. Но чтобы придумать, как измерить неочевидное, потребуется человеческий ум.
Полностью доверить творческий процесс машинам пока еще нельзя: эмпатия и культурно-исторический контекст, в которых существует пользователь, сейчас не приоритетные направления в развитии машинного обучения.
Критическое мышление как оценка результатов работы машинного обучение с учетом специфики конкретного проекта — привилегия человека.