Wie maschinelles Lernen und zuerst

In der Vergangenheit stützten sich Werbesysteme auf grundlegende Heuristiken, die für die unmittelbare Beurteilung hilfreich sein können, aber oft zu ungenauen Schlussfolgerungen führten. Um wirklich das zu optimieren, was Werbetreibenden und Vermarktern am Herzen liegt – nämlich die Bereitstellung maßgeschneiderter Marketingkampagnen im offenen Internet, die zu einem hohen ROI ihrer Werbegelder führen –, benötigen Sie First-Party-Daten und eine ausgefeilte Plattform für maschinelles Lernen (ML), die optimieren kann für den Return on Advertising Spend (ROAS). Unter dem Deckmantel einer modernen ML-basierten Plattform gibt es viele verschiedene ML-Modelle, die alles tun, von der Vorhersage der Conversion-Wahrscheinlichkeit bis hin zur Bestimmung des besten Gebotspreises für eine einzelne Anzeigenanfrage.

KI-ML im Marketing: KI- und Big-Data-Analyse zur Ermittlung der emotionalen Verbindung von Marken

Die Aktivierung Ihrer First-Party-Daten ist angesichts der tiefgreifenden Veränderungen im Datenschutz in der Branche wichtiger denn je, darunter Apples ATT und Googles Privacy Sandbox, die die Anpassung traditioneller Ad-Tech-Systeme zu einer unglaublichen Herausforderung machen. ML-basierte Ansätze verfügen jedoch über eine ausgeprägte, fast magische Fähigkeit, sich schneller und ganzheitlicher an diese Veränderungen anzupassen, als dies einem wachsamen technischen Team möglich wäre.

Allerdings ist die Entwicklung von First-Party-Datensätzen nicht so einfach, wie es sich anhört. Vermarkter müssen auf die Qualität der Daten achten, die in Modelle für maschinelles Lernen einfließen. Diese Modelle sind in der Lage, genaue und effektive Ergebnisse zu erzielen. Es kann jedoch den gleichen und gegenteiligen Effekt haben, wenn Marken auf statische Daten Dritter angewiesen sind. Um dies abzumildern, müssen Unternehmen in den Aufbau und die Erweiterung von Erstanbieter-Datensätzen investieren, die sicherstellen, dass Anzeigen präziser und genauer auf eine relevante Zielgruppe ausgerichtet werden.

Im Performance-Marketing ist es von entscheidender Bedeutung, Vertrauen in die Qualität der verwendeten Daten zu haben.

In der Welt des maschinellen Lernens gibt es ein berühmtes Sprichwort: Müll rein, Müll raus. Vermarkter sollten sicher sein, dass sich in ihrem System keine betrügerischen Daten befinden, und dass sie die Möglichkeit haben, solche Daten zu entfernen – um sicherzustellen, dass das Modell mit qualitativ hochwertigen Eingaben gespeist wird.

ML-Modelle nutzen Qualitätsdaten, die eine Mischung aus Kontext- und Verhaltenssignalen darstellen und dabei helfen können, auf die Absicht oder das Interesse einer Person an einer bestimmten Anzeige zu schließen. Wenn diese Daten dazu beitragen können, das Engagement für eine Anzeige zu steigern, sind sie im Allgemeinen nützlich.

Es gibt viele Arten nützlicher Daten, und die Qualität wird weitgehend von der Genauigkeit bestimmt – zum Beispiel der genaue Standort im Vergleich zu einem abgeleiteten Großraum; Konsistenz, die erfordert, dass für jeden Benutzer oder jede Anzeigenanfrage dieselben Daten verfügbar sind; und Aktualität, die sich darauf bezieht, wie oft die Daten aktualisiert werden.

Die bevorstehende Abwertung von Drittanbieter-Cookies und der verbesserte Datenschutz für Geräte-IDs bedeuten, dass Vermarkter und Werbetreibende vor der Herausforderung stehen, Verbraucher sinnvoll anzusprechen. Die gute Nachricht ist, dass sie Zugriff auf First-Party-Daten haben, die bei richtiger Nutzung und Nutzung zu Gold werden können.

KI im Gesundheitswesen:Die erstklassige zahnmedizinische KI-Lösung von VideaHealth erhält behördliche Lizenz von Health Canada

Zunächst ist es wichtig zu verstehen, was personenbezogene Daten (PII) im Kontext einzelner Benutzer sind. Es gibt sowohl intuitive als auch nicht offensichtliche Möglichkeiten, wie Daten personenbezogene Daten sein können, daher erfordert dies wirklich viel Nachdenken und eine Gesamtstrategie. Bedenken Sie, dass es sich bei PII nicht nur um die Art und Weise handelt, wie Ihr Produkt/Ihre Dienstleistung bestimmte Kundendaten nutzt, sondern auch um die nachgelagerte Möglichkeit, diese mit anderen Daten zu kombinieren, um Personen zu identifizieren.

Tägliche KI-Zusammenfassung: Die größten Updates zu maschinellem Lernen, Robotik und Automatisierung, 10. Juni 2023

Adobe bringt die weltweit erste KI-beschleunigte Content-Supply-Chain-Lösung nach Europa, um erlebnisorientiertes Wachstum voranzutreiben

Adobe Summit EMEA beleuchtet wichtige neue Innovationen und Kundendynamik in ganz Europa

Der Aufbau eines starken First-Party-Datensatzes beginnt mit der Bereitstellung eines Systems zur Erfassung der Daten rund um Ihre User Journey und Engagement-Aktivitäten in Ihren Produkten oder Dienstleistungen, einschließlich der Art und Weise, wie Kunden einkaufen, der Marken, die sie kaufen möchten, ihrer Site Journey, besuchten Seiten und angeklickten Artikeln und Navigationssequenz sowie deren Organisation in Benutzerprofilen, Segmenten und Zielgruppen. Genau wie Produktmanager benötigen, um großartige Produkte zu entwickeln, müssen Vermarkter ein umfassendes Verständnis ihrer Benutzer, der Benutzerreise und letztendlich des Werts haben, den Benutzer aus einem Produkt oder einer Dienstleistung ziehen.

Der nächste Schritt besteht darin, die Daten in andere Geschäftssysteme (CRM oder Data Warehouse) zu integrieren, damit Sie mithilfe einer Mischung aus Analysen, Mobile Measurement Partner (MMP) oder Business-Intelligence-Tools Erkenntnisse gewinnen können.

Angesichts der zunehmenden Verbreitung von Cloud-Data-Warehouses muss dies kein großer anfänglicher Aufwand sein, da diese Plattformen skaliert werden können, um komplexere Anwendungsfälle zu verwalten, wenn Ihre Daten wachsen.

In der Vergangenheit mussten sich Vermarkter auf menschliche Intelligenz und manuelle Optimierung wie tägliche Budgetanpassungen oder Pub-Drosselung verlassen. Mit dem Aufkommen des maschinellen Lernens bieten diese Taktiken keinen Mehrwert mehr und haben oft sogar negative Auswirkungen. Es ist äußerst wichtig, „die Maschinen die Arbeit machen zu lassen“ und jegliche unnötige menschliche Interaktion oder Datendrosselung zu minimieren.

Neben menschlichem Versagen gibt es noch andere Faktoren, die zum Bedarf an modernem ML beitragen, darunter eine Explosion der verfügbaren Datenmenge, insbesondere da das Wachstum und die Nutzung mobiler Geräte derzeit ihren Höhepunkt erreicht haben; die Ausgereiftheit der Tools und Systeme zur Unterstützung der groß angelegten Datenverarbeitung in der Cloud; und die Ausgereiftheit der ML-Algorithmen, insbesondere des auf neuronalen Netzwerken basierenden ML.

Top-Neuigkeiten von AiThority:Tata Elxsi und mimik Technology arbeiten zusammen, um 5G-Dienste für Industrie 4.0, Automobil- und Medienverteilungslösungen bereitzustellen

Es ist wichtig zu beachten, dass nicht alle maschinellen Lernsysteme gleich geschaffen sind. Um die Leistungsfähigkeit der Technologie erfolgreich zu nutzen und Performance-Marketing-Ziele wie ROAS, CPI, CPA oder Umsatz zu erreichen, sollte die ML-Plattform Folgendes umfassen:

Ein weiterer wichtiger Aspekt des maschinellen Lernens besteht darin, dass es Marketingfachleuten ermöglicht, datenschutzsichere Ansätze für relevantes Anzeigen-Targeting zu entwickeln, was in der heutigen Umgebung, in der der Datenschutz an erster Stelle steht, von entscheidender Bedeutung ist.

Durch maschinelles Lernen können fortgeschrittenere Verhaltenskohorten erstellt werden, die es unmöglich machen, versehentlich PII-Informationen preiszugeben. ML-Modelle für das Targeting können auch „on the Edge“ ausgeführt werden, sodass vertrauliche Informationen niemals das Mobilgerät eines Benutzers verlassen.

Dies ist eine aufregende und innovative Zeit für die Branche. Fortschrittliche ML-basierte Lösungen ermöglichen es Werbetreibenden jeder Größe, datenschutzsichere oder datenschutzorientierte Ansätze zu entwickeln, die relevante Anzeigen liefern, einen ROI generieren und ihr Geschäft beschleunigen.