Hoe machine learning online adverteren relevanter maakt

De combinatie van machine learning en big data maakt het mogelijk om advertenties direct aan te passen om zo op maat in te spelen op de behoefte van toekomstige klanten.

Programmatic advertenties worden steeds vaker gebruikt. Deze manier van adverteren biedt namelijk een zeer nauwkeurige, meetbare en verantwoorde manier om specifieke doelgroepen te targeten. Hoe relevanter online advertenties zijn, hoe groter immers de kans op succesvolle conversie. Demografische targeting of buyer persona zijn tot op zekere hoogte ook betrouwbare hulpmiddelen, maar dankzij big data en machine learning krijgt het inzicht in consumenten toch een heel andere dimensie. 

Real-time data vergroot de relevantie van advertenties

Een van de belangrijkste aspecten van online advertising is timing. Het gaat niet alleen om het inzicht of gebruikers mogelijk geïnteresseerd zijn in een product of dienst. Het is ook van belang waar ze staan in hun customer journey. Dat maakt het verschil tussen enerzijds een succesvolle campagne met hoge conversies en anderzijds een hinderlijke campagne die klanten zelfs na aankoop blijft storen. Dat laatste is niet alleen verspilling van budget, maar het kan ook je merkimago schaden en je klant ergeren.

Herkennen

Dankzij machine learning en modelleertechnologie kunnen we inmiddels miljoenen signalen van consumentengedrag analyseren, patronen herkennen en systematisch doelgroepen identificeren. Zo komen we tot advertentiecampagnes die de grootste kans hebben op conversie – niet op basis van generalisaties en veronderstellingen, maar op basis van de online mediaconsumptie van elke individuele gebruiker. 

Bijstellen

Daarnaast worden deze patronen in real-time geüpdatet en bijgesteld. Het model wordt zo steeds nauwkeuriger. Zo kunnen we ons niet alleen richten op gebruikers waarvan we weten dat ze op een bepaald moment in het verleden aan de criteria voldeden, maar zelfs (rekening houdend met de real-time signalen) tot het moment voordat de gebruiker op een pagina met een advertentie belandt. Dit geeft ons een ongekend inzicht in de waarde van elke individuele vertoning van een advertentie. Alles gebaseerd op de huidige mindset, het gedrag en de kans op conversie van de betreffende gebruiker.

Kwaliteit

Een sleutelfactor voor succes is natuurlijk de kwaliteit en de omvang van de onderliggende dataset. Hoe uitgebreider en recenter de dataset, hoe nauwkeuriger de conclusies die je eruit kunt trekken. Vooral in tijden van snelle verandering, zoals tijdens deze coronacrisis, betekent de recentheid van data dat gedragsveranderingen door externe invloeden direct kunnen worden gesignaleerd. En dat eeen degelijk signaal dus ook meteen kan worden omgezet in een actie – dat gebeurt allemaal automatisch dankzij machine learning.

Retargeting en de lookalike doelgroepen

Een belangrijke mijlpaal in machine learning met betrekking tot online advertising is dat het nu mogelijk is om de hele online advertentiefunnel mee te nemen. Eerdere automatisering van online adverteren maakte het mogelijk om gebruikers te retargetten nadat ze interesse hadden getoond, bijvoorbeeld door een bezoek aan een website of een online aankoop. Dit is natuurlijk een nuttige tool om gebruikers opnieuw aan te spreken (vooral diegenen die niet meteen converteerden). Maar deze techniek draagt niet bij aan het vinden van nieuwe klanten en het vergroten van marktaandeel.

Lookalike audiences

Machine learning nu, stelt ons in staat om niet alleen gebruikers waarvan we weten dat ze geïnteresseerd zijn, opnieuw te targeten. We kunnen ook ontelbare aspecten van hun online gedrag analyseren, patronen herkennen voor verschillende subgroepen en een model maken dat een samenvatting geeft van al deze doelgroepkenmerken. Deze modellen kunnen dan weer ingezet worden om lookalike audiences te vinden: gebruikers met vergelijkbare kenmerken als die van de gebruikers waarvan we al wisten dat ze interesse hebben in een merk.

Bieden

Op basis van het aantal kenmerken dat een websitebezoeker deelt met het model (bijvoorbeeld de kans dat ze converteren), kan de waarde van een vertoning worden bepaald. Dit kan dan weer een reden zijn om wel of niet te bieden op die vertoning via programmatic advertentieplatforms. Zo helpt het adverteerders hun advertentie-uitgaven te richten op de meest veelbelovende consumenten.

Verder kijken

Dit lookalike model biedt adverteerders een grote kans, want door te kijken naar vergelijkbaar online gedrag en demografie van gebruikers die interesse tonen, kunnen ze nieuwe klanten targeten die nog niet de specifieke signalen van interesse hebben afgegeven. Dat geeft adverteerders een cruciaal voordeel ten opzichte van hun concurrenten.

Optimaliseren

Niet alleen in het selecteren van je doelgroep, maar ook in het tonen van de juiste creatieve uitingen, speelt machine learning een steeds grotere rol. Naast de veelvoudig gebruikte A/B-tests die worden gebruikt om te beslissen welke vormgeving of boodschap het meest effectief is, kan machine learning ook de prestaties van elke advertentie binnen een campagne verbeteren.

Leren en aanpassen

De modellen die de uitlevering van advertenties aan de juiste gebruiker bepalen, analyseren het succes continu en optimaliseren naar de KPI’s van de campagne. Daarbij houden ze rekening met een immens groot aantal factoren, waaronder het advertentiemateriaal dat wordt getoond. Zodra de campagne live gaat, beginnen de machine learning-algoritmes te leren en zich aan te passen. Ze zullen al snel voor elke verschillende advertentie een andere set regels (publiekskenmerken) bepalen. Tijdens de hele campagne wordt de vertoning zo steeds verder geoptimaliseerd.

Wie kan machine learning gebruiken?

Automatisering en machine learning worden nog vaak gezien als opkomende technologie in onze markt. Het wordt nog niet massaal gebruikt, maar toegang tot de technologie wordt dankzij third party-aanbieders beschikbaar voor iedereen die zich bezighoudt met programmatic adverteren.

Over de auteur: Sermetcan Baysal is  Senior Modeling Scientist bij Quantcast