ML-оптимизация: заменит ли ИИ классический медиа-баинг?
Сегодня мы стоим на пороге значительных изменений в рекламной индустрии. Интеграция машинного обучения не только улучшает результаты, но и минимизирует человеческие ошибки, помогает оптимизировать затраты и создаёт более точные прогнозы. В этой статье мы рассмотрим, как ML уже сейчас трансформирует медиа-баинг и какие перспективы развития этой отрасли нас ждут.
ML не равно AI
Понимание разницы между ML и AI необходимо для правильной оценки их возможностей и ограничений в рекламной индустрии. Путаница между этими понятиями может привести к завышенным ожиданиям и ошибочным стратегиям. Различие между ML и AI помогает более эффективно использовать технологии для достижения предсказуемых и достоверных результатов в рекламных кампаниях.
Многие путают понятия машинного обучения и искусственного интеллекта, считая их синонимами. Однако это не так. ML — это подраздел AI. ML разрабатывает алгоритмы и модели, способные решать задачи через обобщение примеров. Эти алгоритмы создают модели, которые ограничены и не выходят за рамки заранее прописанных сценариев.
Чтобы понять, как работают ML и AI, можно представить большой котёл с разными данными. Мы берём половник и зачерпываем часть данных, стараясь делать каждое движение осмысленным. Нужно создать фреймворк, чтобы повторять это снова и снова, получая предсказуемые и достоверные результаты. Это и есть суть современного ML, особенно в рекламном бизнесе — важны прогнозируемость и достоверность
AI, в отличие от ML, должен имитировать человеческий разум, принимая решения самостоятельно, а не опираясь только на заранее прописанные скрипты. Он имеет элемент «свободы воли», чего нет у ML. То есть ML принимает решения на основе данных и их ценности, предсказывая вероятность того или иного события. В рамках этого алгоритма всё идёт по заранее прописанным рельсам. AI должен делать то же самое, но лучше за счёт того, что принимает решения на основе опыта, а не заранее прописанных метрик.
По мнению Александра Сазанова, в рекламной индустрии AI как таковой пока не существует, так как текущие технологии не могут достичь уровня автономного принятия решений на основе эмпирического опыта.
Попытки связать ML и AI понятны, но сейчас это некорректно с точки зрения бизнеса. Поскольку бизнес — это всегда про деньги и про предсказуемый результат, который AI сейчас дать не может.
Как ML работает в медиа-баинге сейчас?
В контексте применения машинного обучения в медиа-баинге важно упомянуть о Generative Pre-trained Transformers — GPT. Эти модели используются для анализа естественного языка и предсказания оптимальных ответов на основе своего предварительного обучения.
Это претренированная и постоянно совершенствующаяся модель. Почему слово "претрейн" не используется в классических ИИ моделях? Потому что это разные массивы данных и принцип выдачи результата тоже разный.
Например, сравнивая рекламные данные с текстами можно заметить, что анализ цифр и букв требует разных подходов из-за различий в их кодировании и логических связях. Например, проанализировать рекламную кампанию будет намного легче, чем эссе по Толстому.
OpenAI заявили, что перед релизом тренировали разные сборки этой модели несколько лет, используя массивы гигантских размеров. Можно сказать, что они скачали интернет и определили его в эту модель.
В дальнейшем отличия между моделью и искусственным интеллектом могут проявляться в сценариях их применения. В то время как модель оперирует по заданным правилам и конкретным задачам в разрезе обсуждаемого нами рекламного рынка, искусственный интеллект представляет собой универсальное решение, способное не только адаптироваться к различным ситуациям, но и генерировать уникальные и независимые решения. Для достижения прогнозируемых результатов искусственный интеллект требует значительного времени и ресурсов на разработку и обучение.
Как ML-технологии применяются в HYBE DSP
В Hybe мы разработали инструмент под названием Assistant, который является примером того, как ML успешно интегрируется в рекламные технологии. Assistant представляет собой автоматизированную систему, способную подстраиваться под KPI и бизнес-потребности клиента. Этот инструмент осуществляет управление кампаниями и оптимизацию результатов, минимизируя человеческое вмешательство.
Также мы активно используем предиктивные модели в рамках нашей DSP-платформы для оптимизации рекламных кампаний — CPI и CPA. Однако благодаря уникальным разработкам наших Data Science специалистов мы внедрили две более сложные модели — ROAS T1 и ROAS T2.
ROAS T1, подобно CPI и CPA, оперирует предиктивными данными на основе алгоритмов, в то время как ROAS T2 использует инновационный подход, основанный на бенчмаркинге, а не на традиционных KPI. Релиз ROAS T2 полгода назад принёс значительные результаты, подтверждающие его эффективность, хотя некоторые аспекты требуют дополнительной настройки для минимизации артефактов и повышения точности прогнозов.
Как ROAS T2 показал себя на практике
В одном из кейсов сравнивались результаты моделей CPI и ROAS T2. Модель ROAS T2 показала более высокие результаты: 1200% ROAS против 1000% у CPI на объеме 4000 инсталлов. Это демонстрирует, что ROAS T2 способна приводить к большему объему установок и снижению их стоимости.
При сравнении эффективности ROAS T2 с традиционными моделями CPI и CPA были учтены следующие метрики:
— коэффициент конверсии: ROAS T2 продемонстрировал более высокий коэффициент конверсии по сравнению с моделями CPI и CPA, что говорит о более эффективном привлечении активных пользователей.
— стоимость привлечения пользователя (CAC): ROAS T2 показал оптимизированную стоимость привлечения пользователей благодаря более точной оценке возврата инвестиций.
— средний доход на пользователя (ARPU): Модель ROAS T2 позволила добиться более высокого среднего дохода на пользователя за счёт лучшего понимания пользовательского поведения и оптимизации рекламных расходов.
— рентабельность инвестиций (ROI): ROAS T2 показал более высокую рентабельность инвестиций по сравнению с CPI и CPA, что подтверждает эффективность данной модели в долгосрочной перспективе.
Таким образом, модель ROAS T2 продемонстрировала значительные преимущества в сравнении с традиционными моделями, обеспечивая более высокую точность оценки и управление рекламными кампаниями.
Выводы
Машинное обучение и искусственный интеллект являются ключевыми составляющими технологий, используемых в современном медиа-баинге. Важно понимать различия между ними — машинное обучение фокусируется на создании и применении алгоритмов для обработки данных и предсказания результатов, в то время как искусственный интеллект стремится к автономному принятию решений на основе опыта и контекста, методов скалирования. ML уже успешно используется для оптимизации рекламных кампаний, предсказания результатов и минимизации человеческого вмешательства.
Искусственный интеллект как универсальный адаптивный инструмент пока не достиг необходимого уровня развития для полного замещения ML в медиа-баинге. Несмотря на это, технологический прогресс и инновации в области данных и алгоритмов продолжают улучшать возможности искусственного интеллекта, делая его более перспективным для будущего рекламных технологий.
На вопрос, заменит ли ИИ классический медиа-баинг, ответ однозначен — да, заменит.
Однако это не означает конец медиа-баинга. Как показывает история, с ростом и эволюцией технологий происходит замена старых методов, а не полное их уничтожение. Специалисты адаптируются к новым условиям, трансформируя свои навыки. Так будет и с медиа-баингом — отрасль останется, но изменится, чтобы интегрировать новые технологии
Мы будем рады узнать ваше мнение, как развитие технологий искусственного интеллекта повлияет на будущее медиа-баинга?
И пользовались ли вы моделями ROAS в HYBE DSP? Мы, как разработчики, всегда внимательно слушаем обратную связь и опыт взаимодействия с теми инструментами, которые мы реализуем.
Все люди разные, все смотрят на одну и ту же ситуацию под разным углом. И чем больше мы бросаем себе вызовы — тем круче итоговый результат :)