Aktuell stehen Marketer unter einem noch nie dagewesenen Druck. Eine sich stetig wandelnde und immer kostenintensivere Werbelandschaft, neue Vorschriften und die allgemeine volkswirtschaftliche Unsicherheit machen sie zunehmend abhängig von Performance-orientiertem digitalem Marketing. Da Konsumenten weiterhin jede Kaufentscheidung gründlich abwägen, spielen leistungsstarke Lower Funnel-Strategien eine entscheidende Rolle für Conversions und Umsatz.
Bei Criteo stehen Technologie und Innovation im Mittelpunkt unserer Arbeit. Das war schon in unseren Anfangstagen als Filmempfehlungsdienst so – vor mehr als 15 Jahren. KI (Künstliche Intelligenz) ist Teil unserer DNA, und wir arbeiten jeden Tag daran, unsere KI-gestützten Lösungen zu verbessern und unseren Kunden Werbekampagnen zu ermöglichen, die mess- und verwertbare Ergebnisse liefern. Daher freuen wir uns, euch heute DeepKNN vorzustellen, unsere neueste Ergänzung zu Criteos Recommendation Engine für das Retargeting. DeepKNN ist Criteos leistungsstarke Vektordatenbank und Deep Learning Engine, die bereits den zentralen Motor wichtiger Bereiche unserer Produktlinie darstellt.
Und das sind nicht nur Buzzwords: Bereits während des Beta-Tests von DeepKNN in unserem Retargeting-Empfehlungssystem konnten wir bei allen Engagement-Metriken signifikante Steigerungen beobachten. Auch wenn die Performance-Steigerungen von Kunde zu Kunde variieren, erzielen wir Verbesserungen sowohl bei den Klickraten als auch bei den attribuierten Umsatzsteigerungen, die oft mehr als zehn Prozent betragen! Einfach ausgedrückt: Unsere leistungsstarke KI bietet Marketern eine bessere Performance – und zwar in großem Maßstab.
Wie gelingt es DeepKNN, die Performance signifikant zu steigern? Im nächsten Abschnitt erläutern wir euch, was DeepKNN eigentlich ist und wie es uns hilft, die Kampagnen-Performance zu optimieren.
Was ist DeepKNN?
DeepKNN steht für „Deep Learning Representation for K-Nearest Neighbors Search“ – Deep Learning-Darstellung für die Suche der nächsten Nachbarn von K. Diese Technologie kombiniert eine hochmoderne Vektordatenbank mit Deep Learning-Technologie. Dieses Framework bildet den Motor der meisten Werbekampagnen von Criteo, versorgt die Konsumenten mit besseren Produktempfehlungen und verbessert die Kundenbindungskennzahlen für die Advertiser.
DeepKNN kombiniert dabei zwei leistungsstarke Technologien:
- Ein tiefes neurales Netzwerk, das alle unsere Produkt- und Konsumentenaktivitäts-Informationen in eine Reihe von Vektoren verarbeitet (wie in der unten in Abbildung 1 dargestellten Verarbeitungspipeline gezeigt).
- Eine Vektordatenbank (VectorDB), welche die Produkt- und Konsumentenvektoren speichert und es uns ermöglicht, in Echtzeit die ähnlichsten Produkte und Konsumenten zu einer Anfrage zu finden (wie in dem unten in den Abbildungen 2a und 2b dargestellten Abrufprozess gezeigt).
Der Prozess der Indizierung von Produkten in einer VectorDB: Schritt 1) Einlesen aller verfügbaren unstrukturierten Produktinformationen (Bilder, Text, Nutzeraktivitäten). Schritt 2) Umwandlung in vektorielle Repräsentationen mittels Deep Learning. Schritt 3) Speicherung in der VectorDB.
Die Macht vektorieller Darstellungen
Warum ist es sinnvoll, Vektoren mit all unseren Produkten und Konsumenten zu assoziieren? Vektoren helfen uns, die für ein bestimmtes Produkt oder eine bestimmte Dienstleistung am besten geeigneten Konsumenten zu finden. Indem wir Konsumenten und Produkte als Vektoren darstellen, können wir unsere Vorstellungen von Konsument-zu-Produkt-Affinitäten wie die Entfernung zwischen verschiedenen Punkten betrachten und einbeziehen. Wie auf der rechten Seite von Abbildung 2a dargestellt, enthält der vektorielle Raum eine Reihe von Konsumenten und Produkten, die in verschiedenen Positionen auf einer zweidimensionalen Ebene angeordnet sind. Wir stellen fest, dass wir durch die einfache Platzierung der Produkte in einem zweidimensionalen Raum implizite Cluster ähnlicher Produkte definieren können, wie etwa Schuhe, Mode, Technologie oder Reisen. Sobald die Konsumenten und Produkte im Raum platziert sind, können wir mit unserer Vektordatenbank sehr schnell die nächsten Nachbarn bzw. den nächstgelegenen Konsumentenvektor für einen bestimmten Konsumenten oder ein bestimmtes Produkt finden. Dieser Ansatz ist das Herzstück unserer Empfehlungs- und Zielgruppenprodukte.
Wie wirkt sich DeepKNN auf die Kampagnen von Marketern aus?
DeepKNN unterstützt Advertiser auf verschiedene Weise dabei, ihre Kampagnen zu optimieren:
- Personalisierte Empfehlungen: DeepKNN kann Konsumenten auf der Grundlage ihres bisherigen Verhaltens und ihrer Vorlieben personalisierte Empfehlungen geben. Dies ist ein Weg zu höheren Conversion-Raten sowie zu einer besseren Gesamtperformance der Kampagne. (Siehe Abbildung 2b).
- Optimierte Zielgruppen: DeepKNN kann helfen, Muster und Ähnlichkeiten im Konsumentenverhalten zu erkennen, die vielleicht nicht sofort ersichtlich sind. Indem wir Konsumenten mit ähnlichem Verhalten in Clustern zusammenfassen, können wir unsere Werbung effektiver auf diese ausrichten. Das führt im Gegenzug zu mehr Engagement und höheren Conversion-Raten. (Siehe Abbildung 2a).
- Schnellerer Datenabruf: Mit DeepKNN können wir schnell große Datensätze durchsuchen, um die relevantesten Ergebnisse zu finden. Dies ist für die Echtzeit-Entscheidungsfindung im Performance Marketing unerlässlich, denn hier zählt jede Millisekunde.
- Verbesserte Ad Creatives: Durch die Analyse des Inhalts unserer Ads mit DeepKNN können wir Muster und Ähnlichkeiten erkennen, die bei unserer Zielgruppe Anklang finden. Dies hilft uns dabei, effektivere Creatives zu generieren, die wiederum zu besseren Ergebnissen führen.
Zielgruppenaufbau durch Suche in einer VectorDB: Ausgehend von einem Produkt suchen wir seinen Vektor in der VectorDB, rufen die nächstgelegenen Konsumentenvektoren ab und geben sie als Teil der relevanten Zielgruppe zurück.
Verbesserte Retargeting-Produktempfehlungen mit DeepKNN
Optimale Produktempfehlungen sind der Schlüssel zum Erfolg einer Retargeting-Kampagne. Unsere bestehende, leistungsstarke Produktempfehlungslösung für das Retargeting verwendet eine zweistufige Architektur, um sicherzustellen, dass wir in jeder Sekunde viele tausend Anfragen verarbeiten können. Während wir in der ersten Phase mehrere Typen von Ähnlichkeiten zwischen verschiedenen Artikeln sowie beliebten und trendenden Produkten berechnen, erstellen wir in der zweiten Phase auf der Grundlage der neuesten Informationen zu den Konsumentenpräferenzen eine neue Rangfolge der am besten geeigneten Produkte. So können wir die relevantesten Banner generieren – und zwar in Echtzeit.
Durch die Integration von DeepKNN in unsere Produktempfehlungen können wir nun Ähnlichkeiten zwischen verschiedenen Artikeln noch präziser und ausgefeilter berechnen: Parallelen zwischen beliebten, seltenen und neuen Artikeln, die zuvor nur schwer zu entdecken waren, lassen sich nun leicht identifizieren. Das Ergebnis sind Produktempfehlungen, die noch besser auf die Interessen des jeweiligen Konsumenten abgestimmt sind. Ein weiterer großer Vorteil von DeepKNN ist, dass wir durch die Platzierung aller unserer Produkte und Konsumenten im gleichen Raum Hunderte von Millionen von „Konsument-Produkt-Paarungen“ in Echtzeit durchsuchen und so die Listen der ähnlichsten Produkte für jeden Konsumenten stetig aktualisieren können.
Empfehlung durch Search in einer VectorDB: Ausgehend von einem Konsumenten suchen wir seinen Vektor in der VectorDB, rufen die nächstgelegenen Produktvektoren ab und geben sie zur Empfehlung zurück.
Performance-Prognose mit Vektordatenbanken und Deep Learning
Seit dem Aufkommen des programmatischen Zugriffs auf KI-Funktionen wie OpenAIs ChatGPT oder Einbettungs-APIs (die jedes beliebige Dokument in einen Vektor umwandeln können), erkennen immer mehr Unternehmen die Leistungsfähigkeit von Deep Learning und Vektorsuche. Wir glauben, dass dieser Trend die Bedeutung von Vektordatenbanken im modernen digitalen Marketing unterstreicht, da Advertiser so die riesigen Datenmengen, die ihnen zur Verfügung stehen, effektiver nutzen können.
Durch den Einsatz von Deep Learning-Algorithmen und effizienten Ähnlichkeitssuch- und Clustertechniken helfen Vektordatenbanken wie DeepKNN den Advertisern, Cluster von Konsumenten mit ähnlichen Einkaufspräferenzen zu identifizieren. Dies wiederum hat eine effektivere Zielgruppenansprache, relevantere Empfehlungen sowie verbesserte Creatives zur Folge – und das alles mit einem Suchsystem, das schneller und skalierbarer ist als herkömmliche Serving-Architekturen.
Wir sind stolz darauf, an der Spitze dieses Trends zu stehen, und wir glauben, dass unsere neue Online Decision Engine für das Performance Marketing einen bedeutenden Schritt nach vorne darstellt. Durch den Einsatz von Deep Learning und Vektorsuchtechniken können wir unseren Kunden ein leistungsstarkes neues Tool zur Maximierung der Effektivität ihrer Kampagnen anbieten. Wir sind gespannt, wie unsere Kunden DeepKNN nutzen werden, um bessere Ergebnisse und einen höheren ROI zu erzielen. Entsprechend freudig blicken wir daher auch auf unsere weiteren zukünftigen Innovationen in diesem Bereich.
Ihr wollt mehr darüber erfahren, wie DEEPKNN und Machine Learning die Performance eurer Kampagnen verbessern können? Dann sprecht jetzt mit einem unserer Experten.
