منیٹائزیشن کی حکمت عملیوں کے ساتھ ذاتی نوعیت کے تجربات کو متوازن کرنے کے لیے پبلشرز AI کا استعمال کیسے کرتے ہیں۔

بلا شبہ، پبلشرز اپنے سامعین کے ساتھ تعلقات کو بہتر بنانے کے لیے اچھی جگہ رکھتے ہیں - ذاتی نوعیت کے تجربات فراہم کرنے اور آمدنی کے مختلف سلسلوں کو طاقت دینے کے لیے درکار فرسٹ پارٹی ڈیٹا سیٹ جمع کرنے اور بنانے کے ذرائع رکھتے ہیں۔

لیکن، جیسے جیسے انڈسٹری کوکی پر مبنی ٹارگٹنگ – اور گوگل سے مزید دور ہوتی جارہی ہے۔ بولتا ہے کراس سائٹ ٹریکنگ کے لیے متبادل ID کے حل کے خلاف، پیمانے کی صلاحیت کو محدود کرتے ہوئے - پبلشرز کو اپنی انوینٹری کی قدر کو بڑھانے اور بات چیت کرنے کے نئے طریقے تلاش کرنے چاہئیں جبکہ منیٹائزیشن کی حکمت عملیوں کو صارف کے تجربے سے ہم آہنگ کرنے کو بھی یقینی بنانا چاہیے۔

یہ وہ جگہ ہے جہاں مصنوعی ذہانت (AI) آتی ہے، جو اس توازن کو حاصل کرنے میں کلیدی کردار ادا کرتی ہے۔

مواقع غائب نہیں ہو رہے ہیں۔ وہ صرف مختلف ہیں

آج کا اشتہاری منظرنامہ تیزی سے پیچیدہ ہوتا جا رہا ہے۔ زیادہ تر ڈیجیٹل اشتھاراتی خرچ مخصوص افراد کو ہدف بنانے اور دوبارہ ہدف بنانے پر جاتا ہے، جو شناخت کی مستقل مرئیت اور کمپیوٹیبلٹی پر انحصار کرتا ہے۔ گوگل کے اس اقدام نے اس نقطہ نظر کو 'خطرے سے دوچار' فہرست میں ڈال دیا ہے اور ممکنہ طور پر موجودہ ٹکڑے ٹکڑے ہونے میں اضافہ کر دے گا۔ ایڈریس ایبل شناخت کنندگان کی تعمیر پہلے سے ہی مشکل تھی – لیپ ٹاپس، موبائل، سی ٹی وی اور دیگر سمارٹ گیجٹس پر پھیلے ہوئے صارفین کے ساتھ – لیکن اب، برانڈز کو گوگل یا اوپن ویب استعمال کرتے وقت مختلف ٹیکنالوجیز اور سسٹمز کے درمیان بھی سوئچ کرنا پڑے گا۔

ناشر کی طرف سے، یہ شخصی بنانے کی حکمت عملیوں کو مواد اور اشتہاری نقطہ نظر سے، قدر فراہم کرنے کے ایک ذریعہ کے طور پر متاثر کرے گا۔ تاہم، یہ ناشرین کو مواد سے بھرپور تجربات کے ذریعے اشتھاراتی اخراجات کو بہتر بنانے کے خواہاں مشتہرین کے لیے قابل شناخت سامعین تک رسائی فراہم کرنے میں زیادہ مرکزی کردار ادا کرنے کا موقع بھی فراہم کرتا ہے۔

AI ٹیکنالوجی کا استعمال کرتے ہوئے، پبلشرز ڈیٹا آن بورڈنگ کے عمل کو آسان بنا سکتے ہیں اور برانڈز کے فرسٹ پارٹی ڈیٹا کو ان کے اپنے ایڈریس ایبل سامعین کے ساتھ دوسرے غیر AI ٹولز کے مقابلے میں زیادہ درستگی کی شرح کے ساتھ ملا سکتے ہیں۔ جب کلین روم ٹیکنالوجی کے ساتھ مل کر لاگو کیا جاتا ہے، تو یہ ڈیٹا کے تعاون کے لیے رازداری کے لیے محفوظ اور پبلشر کے زیر کنٹرول جگہ فراہم کرتا ہے جو سامعین سے مماثلت کی بنیاد پر ملتا ہے، جس سے نجی بازاروں میں بڑھتی ہوئی رسائی کو ممکن بنایا جاتا ہے۔

AI مؤثر رسائی بڑھانے کا راستہ پیش کرتا ہے۔

دو بنیادی اکیس پبلشرز کے پاس ہیں، یقیناً، مواد اور رضامندی۔ پرکشش مواد تیار کرنے سے صارف کی مصروفیت اور وفاداری جیتنے میں مدد ملتی ہے، جبکہ صارف کی مرکزی رضامندی اعتماد پیدا کرنے اور فریق اول کے مطلوبہ ڈیٹا کو جمع کرنے اور استعمال کرنے کی اجازت حاصل کرنے کے امکانات کو بڑھاتی ہے۔ اس بنیاد پر، پبلشرز اپنی پہلی پارٹی ڈیٹا حکمت عملی کی بنیاد بنانے کے لیے اچھی پوزیشن میں ہیں تاکہ معلوم، لاگ ان صارفین تک بنیادی رسائی فراہم کی جا سکے۔

تاہم، مسئلہ رضامندی کے اعداد و شمار کی حدود کا ہے۔ تمام صارفین ڈیٹا شیئر کرنے کے لیے تیار نہیں ہوں گے۔ درحقیقت، یہ وسیع پیمانے پر سمجھا جاتا ہے کہ صرف 2-10% صارفین عمر اور جنس جیسی تفصیلات کا اشتراک کرتے ہیں۔

زیادہ سے زیادہ رسائی کو برقرار رکھنے کے لیے، پبلشرز کو لاگ ان دیواروں سے باہر کے اختیارات تلاش کرنے کی ضرورت ہوگی۔ جو لوگ مواد کو ہر ممکن حد تک کھلے عام دستیاب رکھنے کے خواہشمند ہیں وہ ممکنہ طور پر فریق اول کے ڈیٹا کی حکمت عملیوں کو بنانے کے لیے AI کی ڈیٹا پروسیسنگ اور بڑھانے کی صلاحیت کو استعمال کرنے کی طرف رجوع کریں گے۔ استعمال کی فہرست میں اعلیٰ پیشین گوئی ماڈلنگ ہے، جو مشین لرننگ کے ذریعے تقویت یافتہ ہے۔ ایک تجزیاتی بنیاد کے طور پر رضامندی والے صارف کی صفات کو لے کر، یہ قابل شناخت رسائی کی درست توسیع کی اجازت دیتا ہے – ہر ایک پبلشر کی طرف سے مقرر کردہ حسب ضرورت اور قابل تصدیق درستگی کی شرحوں کے مطابق – یہاں تک کہ جب تعییناتی ڈیٹا کی کمی ہو۔

مثال کے طور پر، جب ریئل ٹائم سیاق و سباق کے اعداد و شمار کے ساتھ مل کر استعمال کیا جاتا ہے، تو AI صارف کی سطح کے ڈیٹا کے بغیر تاثر کی سطح کو ہدف بنا سکتا ہے۔ استعمال کے ہر معاملے کے ساتھ، بنیادی اپیل یہ ہے کہ قیاس پر زور دیا گیا — جس کا اعلان نہیں کیا گیا — خصوصیات رازداری کو سامنے اور مرکز میں رکھتی ہیں، ذاتی نوعیت کے تجربات کو قابل بناتی ہیں اور صارف کے تجربے میں رکاوٹ پیدا کیے بغیر ہدف بنانا۔  

حقیقی دنیا میں یہ کیسے کام کر سکتا ہے اس کی ایک مثال بھرتی کے ڈیٹا کے ساتھ ہے۔ بھرتی کے اشتہارات کے محکمے والے پبلشرز متعلقہ امیدواروں کو انتہائی ہدف والے اشتہارات دکھانے کے لیے نوکری کے متلاشیوں کے ڈیٹا کو یکجا کرنے کے لیے ٹولز کا استعمال کر سکتے ہیں۔ اس کے بعد AI کو صارف کے تجربے کو متاثر کیے بغیر اعدادوشمار کے لحاظ سے دیگر متعلقہ صارفین تک پہنچنے کے لیے ابتدائی بھرتی کے اعداد و شمار کی بنیاد پر سامعین کو بڑھاتے ہوئے، رسائی کو پیمانے کے لیے استعمال کیا جا سکتا ہے۔

صنعت کے لئے آگے کیا ہے؟

اجتماعی صنعت کی کرسٹل بال کو دیکھنا کبھی بھی آسان نہیں ہوتا، لیکن اس بات کی نشانیاں موجود ہیں کہ ہوائیں کس طرح چل رہی ہیں۔ مثال کے طور پر، گوگل کے پرائیویسی سینڈ باکس اقدام، ایف ایل او سی کی طرف سے سامنے آنے والی تازہ ترین تجویز، ہدف بنانے کے لیے ہم آہنگی پر مبنی نقطہ نظر بنانے کے لیے مشین لرننگ تجزیہ کے استعمال کی تجویز کرتی ہے۔

پبلشرز کے لیے جو پہلے AI کی مدد سے سامعین کی سنڈیکیشن سے محتاط رہتے ہیں، یہ اچھی خبر ہو سکتی ہے: انہیں مشتہرین کے ساتھ مضبوط تعلقات استوار کرنے اور سامعین کی تعداد بڑھانے کی راہ ہموار کرنے کی اجازت دینا۔ اس بحث کو ایک طرف رکھتے ہوئے کہ آیا ایف ایل او سی مسابقتی مخالف ہوگا یا نہیں، اس سے انکار نہیں کیا جاسکتا کہ یہ ممکنہ طور پر مزید ترقی کرے گا۔ مشین سے سیکھا ہوا سیگمنٹیشن اور پرسنلائزیشنجو کہ انڈسٹری کے لیے ایک اچھا اقدام ہے۔

مسلسل بدلتی ہوئی صنعت میں، AI بالآخر ناشرین کو رازداری کی پہلی منیٹائزیشن کی حکمت عملیوں کے ساتھ ذاتی نوعیت کے تجربات کو متوازن کرنے کی اپنی صلاحیت کے بارے میں پر امید رہنے کا موقع فراہم کرتا ہے۔ AI کی طرف سے پیش کردہ جدید حل پبلشرز کو اپنا راستہ بنانے اور انہیں ایسے ٹولز سے لیس کرنے کا اختیار دیتے ہیں جو یہ ظاہر کرنے کے لیے درکار ہوتے ہیں کہ وہ صرف فریق اول کے ڈیٹا کے فراہم کنندہ نہیں ہیں بلکہ قابل توسیع رازداری کے لیے محفوظ حل کے لیے لنچپن ہیں۔

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