Jak wydawcy używają sztucznej inteligencji do równoważenia spersonalizowanych doświadczeń ze strategiami zarabiania

Bez wątpienia wydawcy są dobrze przygotowani do okiełznania relacji z odbiorcami - dysponują środkami do gromadzenia i tworzenia silnych własnych zbiorów danych wymaganych do dostarczania spersonalizowanych doświadczeń i zasilania różnych źródeł przychodów.

Jednak w miarę jak branża coraz bardziej odchodzi od kierowania opartego na plikach cookie - i Google przemawia przeciwko alternatywnym rozwiązaniom ID do śledzenia w wielu witrynach, ograniczając możliwość skalowania - wydawcy muszą znaleźć nowe sposoby zwiększania i informowania o wartości swoich zasobów reklamowych, jednocześnie zapewniając, że strategie monetyzacji są dostosowane do doświadczeń użytkowników.

Tutaj właśnie wkracza sztuczna inteligencja (AI), odgrywająca kluczową rolę w osiągnięciu tej równowagi.

Szanse nie znikają; są po prostu różni

Dzisiejszy krajobraz reklamowy jest coraz bardziej skomplikowany. Większość wydatków na reklamy cyfrowe jest przeznaczona na kierowanie i ponowne kierowanie do konkretnych osób, co zależy od spójnej widoczności i obliczalności tożsamości. Posunięcie Google umieściło to podejście na liście „zagrożonych” i prawdopodobnie przyczyni się do istniejącej fragmentacji. Skonstruowanie identyfikatorów adresowalnych było już trudne - z użytkownikami rozproszonymi po laptopach, telefonach komórkowych, odbiornikach telewizyjnych i innych inteligentnych gadżetach - ale teraz marki będą musiały również przełączać się między różnymi technologiami i systemami podczas korzystania z Google lub otwartej sieci.

Po stronie wydawcy wpłynie to na strategie personalizacji jako sposób dostarczania wartości, zarówno z punktu widzenia treści, jak i reklamy. Daje jednak również wydawcom możliwość odgrywania ważniejszej roli w zapewnianiu dostępu do odbiorców, do których można dotrzeć, reklamodawcom, którzy chcą zoptymalizować wydatki na reklamy dzięki bogatym treściom.

Korzystając z technologii sztucznej inteligencji, wydawcy mogą ułatwić proces wprowadzania danych i dopasować własne dane marki do własnych adresowalnych odbiorców z wyższym współczynnikiem dokładności niż inne narzędzia niebędące sztuczną inteligencją. W połączeniu z technologią pomieszczeń czystych zapewnia to bezpieczną dla prywatności i kontrolowaną przez wydawcę przestrzeń do współpracy w zakresie danych, która dopasowuje się do odbiorców na podstawie podobieństwa, umożliwiając zwiększanie zasięgu na rynkach prywatnych.

Sztuczna inteligencja oferuje drogę do skutecznego zwiększenia zasięgu

Dwa podstawowe asy, którymi dysponują wydawcy, to oczywiście treść i zgoda. Tworzenie angażujących treści pomaga zdobyć zaangażowanie i lojalność użytkowników, a zgoda skoncentrowana na użytkowniku zwiększa szanse na zbudowanie zaufania i uzyskanie pozwolenia na gromadzenie i wykorzystywanie bardzo poszukiwanych danych własnych. Na tej podstawie wydawcy mają dobrą pozycję do budowania w oparciu o własną strategię gromadzenia danych, aby zapewnić podstawowy zasięg znanym, zalogowanym użytkownikom.

Problem polega jednak na ograniczeniach danych, na które wyrażono zgodę. Nie wszyscy użytkownicy będą chcieli udostępniać dane. W rzeczywistości powszechnie uważa się, że tylko 2-10% konsumentów udostępnia takie informacje, jak wiek i płeć.

Aby utrzymać optymalny zasięg, wydawcy będą musieli zatem zbadać opcje poza ścianami logowania. Ci, którzy chcą, aby treści były jak najbardziej otwarte, prawdopodobnie skorzystają z przetwarzania danych i możliwości ulepszania sztucznej inteligencji, aby opierać się na własnych strategiach dotyczących danych. Wysoko na liście zastosowań znajduje się modelowanie predykcyjne oparte na uczeniu maszynowym. Przyjmując atrybuty użytkownika wyrażające zgodę jako bazę analityczną, pozwala to na dokładne rozszerzenie zasięgu adresowalnego - zgodnie ze zindywidualizowanymi i weryfikowalnymi wskaźnikami dokładności ustalonymi przez każdego wydawcę - nawet w przypadku braku deterministycznych danych.

Na przykład w połączeniu z danymi kontekstowymi w czasie rzeczywistym sztuczna inteligencja może kierować na poziomie wyświetleń bez danych na poziomie użytkownika. W każdym przypadku głównym apelem jest to, że nacisk na wywnioskowane - a nie zadeklarowane - cechy utrzymuje prywatność na pierwszym planie, umożliwiając spersonalizowane doświadczenia i ukierunkowanie bez utrudniania doświadczenia użytkownika.  

Przykładem tego, jak mogłoby to działać w prawdziwym świecie, są dane dotyczące rekrutacji. Wydawcy z działami ogłoszeń rekrutacyjnych mogą wykorzystywać narzędzia do integracji danych od osób poszukujących pracy, aby wyświetlać odpowiednio ukierunkowane reklamy odpowiednim kandydatom. Sztuczną inteligencję można następnie wykorzystać do skalowania zasięgu, poszerzania grona odbiorców w oparciu o wstępne dane rekrutacyjne, aby dotrzeć do innych statystycznie istotnych konsumentów bez wpływu na doświadczenie użytkownika.

Co dalej z branżą?

Zaglądanie do kryształowej kuli przemysłu kolektywnego nigdy nie jest łatwe, ale są oznaki, w którą stronę wieje wiatry. Na przykład najnowsza propozycja, która pojawiła się w ramach inicjatywy Google Privacy Sandbox, FLoC, sugeruje wykorzystanie analizy uczenia maszynowego do stworzenia opartego na kohorcie podejścia do kierowania.

Dla wydawców, którzy wcześniej obawiali się syndykacji odbiorców wspomaganej sztuczną inteligencją, może to być dobra wiadomość: pozwoli im budować silniejsze więzi z reklamodawcami i utorować drogę do skalowania odbiorców. Odkładając na bok debatę o tym, czy FLoC będzie antykonkurencyjna, nie można zaprzeczyć, że prawdopodobnie będzie napędzać dalszy rozwój segmentacja i personalizacja oparte na uczeniu maszynowym, co jest dobrym posunięciem dla branży.

W stale zmieniającej się branży sztuczna inteligencja ostatecznie daje wydawcom możliwość optymizmu co do ich zdolności do zrównoważenia spersonalizowanych doświadczeń ze strategiami zarabiania, które mają na celu przede wszystkim prywatność. Zaawansowane rozwiązania oferowane przez sztuczną inteligencję umożliwiają wydawcom wytyczenie własnej ścieżki i wyposażenie ich w narzędzia wymagane do wykazania, że ​​nie są jedynie dostawcami własnych danych, ale są też powiązanymi ze skalowalnymi rozwiązaniami zapewniającymi ochronę prywatności.

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