نحوه استفاده ناشران از هوش مصنوعی برای ایجاد تعادل بین تجربیات شخصی‌شده با استراتژی‌های کسب درآمد

بدون شک، ناشران در موقعیت مناسبی برای مهار رابطه با مخاطبان خود قرار دارند - دارای ابزارهایی برای جمع آوری و ایجاد مجموعه داده های شخص اول قوی مورد نیاز برای ارائه تجربیات شخصی و تقویت جریان های درآمدی مختلف.

اما، با دور شدن صنعت از هدف‌یابی مبتنی بر کوکی - و گوگل صحبت می کند در برابر راه حل های جایگزین شناسه برای ردیابی بین سایتی، محدود کردن توانایی مقیاس - ناشران باید راه های جدیدی برای افزایش و ارتباط ارزش موجودی خود بیابند و در عین حال اطمینان حاصل کنند که استراتژی های کسب درآمد با تجربه کاربر همسو هستند.

اینجاست که هوش مصنوعی (AI) وارد می شود و نقشی کلیدی در دستیابی به این تعادل ایفا می کند.

فرصت ها از بین نمی روند. آنها فقط متفاوت هستند

چشم انداز تبلیغات امروزی به طور فزاینده ای پیچیده شده است. بیشتر هزینه‌های تبلیغات دیجیتال صرف هدف‌گیری و هدف‌گیری مجدد افراد خاص می‌شود، که بر روی قابل مشاهده بودن و محاسبه‌پذیر بودن هویت متکی است. حرکت گوگل این رویکرد را در فهرست «در معرض خطر» قرار داده است و احتمالاً به چندپارگی موجود می‌افزاید. ساخت شناسه‌های آدرس‌پذیر قبلاً دشوار بود - با پراکندگی کاربران در لپ‌تاپ‌ها، تلفن همراه، CTV و سایر ابزارهای هوشمند - اما اکنون، برندها هنگام استفاده از Google یا وب باز باید بین فناوری‌ها و سیستم‌های مختلف جابجا شوند.

از طرف ناشر، این امر بر استراتژی های شخصی سازی به عنوان ابزاری برای ارائه ارزش، هم از منظر محتوا و هم از منظر تبلیغات، تأثیر می گذارد. با این حال، همچنین به ناشران این فرصت را می دهد که نقش محوری تری در دسترسی به مخاطبان قابل آدرس دهی برای تبلیغ کنندگانی که به دنبال بهینه سازی هزینه تبلیغات از طریق تجربیات غنی از محتوا هستند، ایفا کنند.

با استفاده از فناوری هوش مصنوعی، ناشران می‌توانند فرآیند انتقال داده‌ها را تسهیل کنند و داده‌های شخص اول برندها را با مخاطبان قابل آدرس‌دهی خود با دقت بالاتری نسبت به سایر ابزارهای غیر AI مطابقت دهند. هنگامی که در ارتباط با فن‌آوری اتاق تمیز استفاده می‌شود، فضایی امن برای حفظ حریم خصوصی و کنترل شده توسط ناشر برای همکاری داده‌ها فراهم می‌کند که مخاطبان را بر اساس شباهت منطبق می‌کند و امکان دسترسی افزایشی را در بازارهای خصوصی فراهم می‌کند.

هوش مصنوعی مسیری را برای افزایش دسترسی موثر ارائه می دهد

دو ناشر اصلی Aces، البته، محتوا و رضایت هستند. تولید محتوای جذاب به جلب مشارکت و وفاداری کاربر کمک می‌کند، در حالی که رضایت کاربر محور شانس ایجاد اعتماد و کسب مجوز برای جمع‌آوری و استفاده از داده‌های شخص اول را افزایش می‌دهد. بر این اساس، ناشران در موقعیت خوبی قرار دارند تا بر اساس اولین استراتژی داده‌های حزبی خود ایجاد کنند تا دسترسی اولیه را برای کاربران شناخته شده و وارد شده ارائه کنند.

با این حال، مشکل مربوط به محدودیت های داده های مورد رضایت است. همه کاربران حاضر به اشتراک گذاری داده ها نیستند. در واقع، به طور گسترده ای در نظر گرفته می شود که فقط 2-10٪ از مصرف کنندگان جزئیاتی مانند سن و جنسیت را به اشتراک می گذارند.

برای حفظ دسترسی بهینه، ناشران باید گزینه‌های فراتر از دیوارهای ورود به سیستم را بررسی کنند. کسانی که مایلند محتوا را تا حد امکان آزاد نگه دارند، احتمالاً به استفاده از پردازش داده ها و ظرفیت ارتقای هوش مصنوعی برای ایجاد استراتژی های داده شخص اول روی می آورند. در فهرست استفاده‌ها، مدل‌سازی پیش‌بینی است که با یادگیری ماشینی طراحی شده است. با در نظر گرفتن ویژگی‌های کاربر رضایت‌بخش به‌عنوان یک پایگاه تحلیلی، امکان گسترش دقیق دسترسی آدرس‌پذیر را فراهم می‌کند - مطابق با نرخ‌های دقت سفارشی‌شده و قابل تأیید که توسط هر ناشر تعیین شده است - حتی زمانی که داده‌های قطعی وجود ندارد.

به عنوان مثال، هنگامی که همزمان با داده‌های متنی بلادرنگ استفاده می‌شود، هوش مصنوعی می‌تواند بدون داده‌های سطح کاربر، هدف‌گذاری در سطح نمایش را هدایت کند. در هر مورد استفاده، جذابیت اصلی این است که تأکید بر ویژگی‌های استنباط‌شده - نه اعلام‌شده - حریم خصوصی را در جلو و در مرکز نگه می‌دارد، تجربه‌های شخصی‌سازی‌شده و هدف‌یابی را بدون ایجاد مانع در تجربه کاربر ممکن می‌سازد.  

نمونه ای از اینکه چگونه این می تواند در دنیای واقعی کار کند با داده های استخدام است. ناشران دارای دپارتمان‌های تبلیغات استخدامی می‌توانند از ابزارهایی برای ادغام داده‌های جویندگان کار برای نمایش تبلیغات بسیار هدفمند به نامزدهای مربوطه استفاده کنند. سپس می‌توان از هوش مصنوعی برای مقیاس‌بندی دسترسی استفاده کرد و مخاطبان را بر اساس داده‌های استخدام اولیه برای دسترسی به سایر مصرف‌کنندگان از نظر آماری مرتبط بدون تأثیر بر تجربه کاربر گسترش داد.

آینده برای صنعت چیست؟

خیره شدن به توپ کریستالی صنعت جمعی هرگز آسان نیست، اما نشانه هایی وجود دارد که بادها به چه سمتی می وزند. به عنوان مثال، آخرین پیشنهادی که از ابتکار Google's Privacy Sandbox، FLoC به وجود آمده است، استفاده از تجزیه و تحلیل یادگیری ماشین را برای ایجاد رویکردی مبتنی بر گروه برای هدف‌یابی پیشنهاد می‌کند.

برای ناشرانی که قبلاً نسبت به پیوند مخاطبان به کمک هوش مصنوعی محتاط بودند، این می‌تواند خبر خوبی باشد: به آنها اجازه می‌دهد روابط قوی‌تری با تبلیغ‌کنندگان ایجاد کنند و راه را برای افزایش مخاطب هموار کنند. با کنار گذاشتن بحث در مورد اینکه آیا FLoC ضد رقابتی خواهد بود یا خیر، نمی توان انکار کرد که احتمالاً باعث توسعه بیشتر آن خواهد شد. تقسیم بندی و شخصی سازی یادگیری ماشینی، که حرکت خوبی برای صنعت است.

در یک صنعت دائماً در حال تغییر، هوش مصنوعی در نهایت فرصتی را برای ناشران فراهم می‌کند تا نسبت به توانایی‌شان در ایجاد تعادل بین تجربیات شخصی‌شده با استراتژی‌های کسب درآمد از حریم خصوصی خوش‌بین باشند. راه حل های پیشرفته ارائه شده توسط هوش مصنوعی به ناشران این امکان را می دهد که مسیر خود را ایجاد کنند و آنها را با ابزارهای مورد نیاز تجهیز کنند تا نشان دهند که آنها صرفاً ارائه دهندگان داده های شخص اول نیستند، بلکه به راه حل های مقیاس پذیر و ایمن برای حفظ حریم خصوصی متصل می شوند.

منبع: https://dataconomy.com/2021/04/how-publishers-use-ai-personalized-experiences-monetization-strategies/