Deli

»Data feeds action«: misel, ki se mi je z letošnjega Web Summita najbolj vtisnila v spomin. Z njo se zelo strinjam in jo vse bolj vpeljujem v vsakdanje delovne procese. Kot programer sem del ekipe, ki skrbi za razvoj internih analitičnih orodij in nadgradnjo našega strežniškega sistema, zato lahko še z večjo gotovostjo potrdim, da prihodnost digitalnega oglaševanja, razvoj in naložbe vse bolj usmerjajo podatki. Oziroma obvladovanje le-teh.

Podatki-so-kolesje-odlocitev-iPROM-Mnenja-strokovnjakov-Andrej-Premrn

Množični podatki in kaj z njimi

Z vse večjim številom uporabnikov medmrežja in širjenjem interneta stvari se povečuje tudi količina podatkov, ki jih z napravami zajemamo. A podatki poslovno vrednost pridobijo, ko znamo iz njih izluščiti tisto znanje in informacije, s katerimi lahko dosežemo boljše poslovne rezultate. Eden izmed načinov, kako iz množičnih podatkov črpati znanje, je tudi strojno učenje.

Strojno učenje je vrsta umetne inteligence (AI), ki računalnikom omogoči možnost učenja, ne da bi jih za to dodatno programirali. Osredotoča se na razvoj pametnih algoritmov, ki se sproti učijo in optimizirajo glede na vhodne podatke, ki so jim izpostavljeni.

machine-learning

Vzpon umetne inteligence

Umetna inteligenca nam lahko zelo pomaga pri vsakdanjem delu in storitvah, ki jih uporabljamo. Tako se strojno učenje že uporablja pri samovozečih avtomobilih, prepoznavanju govora in diagnosticiranju bolezni; vse pogosteje pa ga uporabljamo tudi v oglaševanju. Kako? Med drugim velika podjetja testirajo svoje televizijske oglase z uporabo programskih rešitev, ki spremljajo odzive na gledalčevem obrazu in prepoznavajo čustva. Posledično lahko oglase prilagodijo glede na čustva, ki jih želijo vzbuditi in s tem seveda dosežejo bistveno boljše rezultate.

Strojno učenje na digitalnem kanalu

Strojno učenje se v veliki meri uporablja tudi v digitalnem oglaševanju. Če digitalni kanal primerjamo z ostalimi oblikami oglaševanja, lahko kot njegovo ključno prednost prepoznamo zelo lahek in bogat zajem natančnih statističnih podatkov o oglasih in ciljnih uporabnikih. Zato na njem temeljijo vsi sodobni pristopi, ki so si kot paradigmo postavili dostaviti pravo sporočilo, pravemu uporabniku na pravo napravo.

Programatični zakup v realnem času (Real Time Bidding – RTB)

Poenostavljeno povedano: pri tem načinu zakupa oglasnega prostora več oglaševalcev v realnem času tekmuje za prikaz oglasa na izbrani oglasni površini. Vsak izmed oglaševalcev ima omejen čas, da za oglasni prostor ponudi svojo ceno – tako oglas prikaže tisti oglaševalec, ki je ponudil največ. Pri tem nam strojno učenje glede na pretekle podatke pomaga določiti optimalno ceno oglasa, da maksimiziramo svoj dobiček. Če tekmujemo za oglas ali pa podoben oglas, ki je v preteklosti že dosegel uspešne rezultate, bo sistem ponudil takšno ceno, da bo z veliko verjetnostjo zmagal na dražbi in hkrati še prispeval klik ali konverzijo.

Personalizacija oglasov in ciljanje

Preko oglaševalcu objektivno dostopnih podatkov (piškot, IP-naslov) in podatkov o vedenjskih značilnostih (obiskane strani, kupljeni izdelki) lahko s strojnim učenjem določamo tiste uporabniške skupine, ki bi se na ponujeni oglas najboljše odzvale oziroma prepoznamo določenega uporabnika preko več različnih naprav.

giphy2

Algoritmi, ki napovedujejo prihodnost

Ob množici kakovostnih podatkov in ustrezni aplikaciji strojnega učenja lahko razvijemo tudi izredno sposobne in avtomatizirane sisteme, ki nam pomagajo pri upravljanju kampanj in/ali doseganju želenih rezultatov (konverzij, klikov). Če posplošim – strojno učenje nam s podatkovnim rudarjenjem pomaga reševati probleme pri iskanju vzorcev, ki jih en sam človek ali skupina zaradi izjemnega obsega podatkov težko oziroma skorajda nemogoče zasledi.

giphy

Kot šolski primer strojnega učenja vzemimo oglas, kjer poznamo sledeče informacije: različica kreative, oglaševalska platforma in čas serviranja; vemo pa tudi, kakšen je naš cilj. Želeni rezultat je doseženi klik pri uporabniku. Pred samo uporabo programa je za nas pomembno, da ga učimo na množici testnih podatkov in šele nato preizkusimo v realnosti. Če odstopanje med rezultati obeh primerjanih skupin ni veliko, lahko sklepamo, da smo zasnovali program, ki nam bo z veliko uspešnostjo določil, katero različico kreative, platformo in čas serviranja moramo izbrati, da bomo pridobili največje možno število klikov. Tak program lahko periodično preverja nove podatke in ustrezno prilagaja rezultate. S tovrstnimi programi in podatkovnimi modeli lahko zato zelo uspešno »napovemo« prihodnost.

Zagotovo je obisk tako velike konference, kot je Web Summit za naše podjetje, ki stremi k inovacijam, pomemben. Tako smo med prvimi seznanjeni z novimi tehnologijami in vemo, kakšne so možnosti za razvoj in kaj lahko ustvarimo. Navsezadnje je najboljši način za napovedovanje prihodnosti še vedno ta, da jo ustvariš sam! :)

Deli

Deli prispevek prek e-pošte

Prepišite znake
captcha

O avtorju

Andrej se je iPROM-u kot mlad talent pridružil še med študijem računalništva in informatike na FRI-ju. Trenutno največ sodeluje pri razvoju internih analitičnih orodij in razvoju ter nadgradnji strežniškega sistema iPROM AdServer. Pri vsakodnevnem delu stremi k uporabi in vpeljevanju sodobnih pristopov razvijanja programske opreme in k uporabi novih tehnologij. Ambiciozen in perspektiven si je kot osebni cilj v iPROM-u zadal delo v okviru projektov z umetno inteligenco in nadgradnji sistemov, ki skrbijo za performančno zahtevnost oglasov.

Vsi prispevki avtorja