I marketer lavorano giorno dopo giorno per mostrare ai consumatori i prodotti giusti nel momento in cui sono più favorevoli all’acquisto. Il progresso dell’Intelligenza Artificiale nella pubblicità ha reso più facile la realizzazione di questo obiettivo e oggi la personalizzazione non è solo un vantaggio: è un requisito fondamentale per i marketer e i loro clienti.
Con l’aiuto dell’IA, la pubblicità basata sulle raccomandazioni sui prodotti ha subito una trasformazione e ora svolge un ruolo indispensabile nel percorso di acquisto.
Gli algoritmi di machine learning possono elaborare enormi set di dati storici in continua evoluzione e prevedere i prodotti che un utente desidera vedere successivamente. Idealmente quindi, saranno sempre meno gli annunci che seguono un utente su Internet mostrando un prodotto che non desidera acquistare.
Ma se ti dicessimo che la pubblicità basata sulle raccomandazioni di prodotto personalizzate è solo all’inizio e che possiamo spingere oltre l’Intelligenza Artificiale per creare annunci che siano iper-pertinenti, contestuali e più influenti sui consumatori?
In Criteo, il nostro AI Lab sta studiando e testando nuovi modelli di machine learning che ridefiniranno il concetto di digital advertising. Il nostro lavoro nell’esplorazione dei sistemi di raccomandazione delinea un futuro promettente per gli annunci di raccomandazione sui prodotti.
Ma prima di scoprire cosa succederà nel futuro, vediamo come l’IA ha già cambiato la pubblicità digitale e quali sono stati i progressi nel campo della raccomandazione dei prodotti.
Come il Machine Learning potenzia la personalizzazione
I marketer si sono lamentati per anni degli sforzi per ottenere i dati. Ma ora si chiedono: ho abbastanza dati? Ho i dati giusti? E soprattutto, sto utilizzando i miei dati al loro massimo potenziale?
La democratizzazione dell’Intelligenza Artificiale attraverso le piattaforme pubblicitarie ha cambiato tutto. Più sono i dati che possono essere elaborati con l’Intelligenza Artificiale, più l’IA ti può aiutare a capire gli utenti a livello individuale e pubblicare annunci altamente pertinenti. Quindi i dati non sono mai troppi quando parliamo di IA.
I modelli di machine learning sono pensati per ricavare modelli da enormi set di dati storici – tra cui il comportamento di acquisto online e i dati dei punti vendita offline – e dai risultati desiderati. Quindi prevedono il miglior risultato, che in questo caso è il prodotto che ogni utente desidera acquistare successivamente.
Gli annunci risultanti sono personalizzati per ogni singolo individuo e sono orientati a generare il risultato desiderato, sia che si tratti di un clic o di un acquisto. Ogni nuovo risultato produce feedback per il modello e ne migliora le prestazioni.
La bellezza dell’IA è che questo processo è automatizzato, ma è importante per i marketer capire alcuni elementi chiave:
I benefici dell’IA per advertiser e consumatori
La personalizzazione a livello individuale consente ai marketer di ottenere il massimo dai dati e dai budget. I modelli di machine learning possono essere ottimizzati per obiettivi specifici e gli annunci sono progettati per ottenere il massimo valore dalla spesa pubblicitaria.
Con l’Intelligenza Artificiale, sta diventando realtà ottenere annunci iper-pertinenti per offerte, contenuti e annunci realmente 1:1. Gli annunci di raccomandazione sui prodotti potenziati dall’IA aiutano gli utenti a scoprire i nuovi prodotti che desiderano acquistare, sfruttando modelli di apprendimento predittivo.
Ulteriori informazioni sui dati nel motore Criteo.
Comprendere l’iper-pertinenza: dalle raccomandazioni di prodotto alla progettazione
Gli annunci personalizzati offrono prodotti che hanno maggiori probabilità di interessare gli utenti. Gli annunci iper-pertinenti riguardano il contesto.
Puoi sfruttare il potenziale dei tuoi dati utilizzando il machine learning per analizzare le interazioni di un utente con gli annunci passati e la cronologia di navigazione, e creare un annuncio con il colore giusto, il formato giusto e sul canale giusto. L’IA è in grado di mostrare annunci davvero unici per ogni utente.
Ulteriori informazioni su Predictive Bidding.
L’IA funziona solo con dati accurati
Tutti i marketer vogliono dati precisi, ma con volumi così elevati, è facile che dati di bassa qualità vadano fuori controllo. Quando è coinvolta l’Intelligenza Artificiale, una fonte di dati di scarsa qualità può moltiplicarsi e avere un impatto molto più ampio rispetto a quando si trova in un foglio di calcolo.
Quest’anno l’IA otterrà un’adozione più ampia in molte aree del marketing e i dati alimenteranno precisi modelli predittivi. È importante quindi risolvere immediatamente eventuali problemi di qualità dei dati. Lavorando con partner di fiducia e inserendo in azienda analisti di dati, potrai trovare i punti deboli e filtrare i dati di scarsa qualità.
Pubblicità di raccomandazione di prodotti potenziata dall’IA: a che punto siamo
Il nostro report The State of Ad Tech 2019 ha mostrato che il display a pagamento è il metodo di annunci più utilizzato al mondo. E non c’è da meravigliarsi: gli annunci di raccomandazione di prodotti accompagnano i consumatori lungo il percorso di acquisto e li avvicinano alla conversione.
Ma l’efficacia della pubblicità di raccomandazione sui prodotti dipende dalla raffinatezza del modello di raccomandazione e dalla potenza del machine learning.
I sistemi di raccomandazione sono costruiti sul concetto che più conosciamo un utente, meglio possiamo consigliarlo su quale prodotto desidererà e vorrà acquistare. L’industria ha fatto molta strada dai primi modelli di raccomandazione, che si basavano su un feedback esplicito da parte dell’utente. Ciò che più importava era il modo in cui un utente classificava un prodotto e le sue preferenze, e i prodotti venivano interpretati a livello di categoria.
Negli ultimi anni sono accadute due cose che hanno cambiato i modelli di raccomandazione:
1. Una migliore Intelligenza Artificiale
Negli ultimi anni ci sono stati notevoli progressi nella potenza di calcolo e nel machine learning, con il risultato che i sistemi di raccomandazione possono lavorare sempre meglio e più velocemente.
Il nostro Criteo AI Lab è stato creato per testare i limiti del deep learning e dell’Intelligenza Artificiale. Il nostro obiettivo è creare modelli che generano prestazioni migliori per gli inserzionisti e creano esperienze straordinarie per l’utente.
Dal momento che le aspettative dei consumatori cambiano in continuazione, il nostro lavoro nel campo dell’IA non finisce mai.
2. Modelli di raccomandazione avanzati
I marketer hanno preteso di più dai sistemi di raccomandazione e i modelli sono passati dall’utilizzo del feedback esplicito a quello implicito, ovvero la differenza tra i prodotti che un utente dice di amare e i prodotti con cui è più probabile che interagisca e acquisti.
I prodotti sono anche interpretati oltre la loro categoria e fino al livello SKU, quindi i consigli sui prodotti possono essere più granulari.
Il nostro laboratorio di Intelligenza Artificiale sta studiando e testando modelli di raccomandazione per raggiungere, o un giorno, superare, il punto di iper-rilevanza.
A causa di questi due fattori, esistono nuovi standard per gli annunci di raccomandazione sui prodotti, che mettono al centro il cliente e il suo percorso di acquisto, invece che i prodotti e le categorie di prodotti.
La raccomandazione sui prodotti dovrebbe agire proprio come un personal shopper: aiutare i consumatori a scoprire il prossimo nuovo prodotto, che è più pertinente e utile per le loro necessità in un determinato momento. Lo scenario ideale è la previsione di ciò che gli utenti vogliono acquistare prima che gli utenti stessi lo sappiano.
Per gli inserzionisti, i modelli di raccomandazione evoluti sono più efficaci per raggiungere gli obiettivi e consentono di valorizzare l’esperienza digitale dei consumatori. Accenture Interactive ha rilevato che il 91% dei consumatori ha maggiori probabilità di acquistare prodotti di brand che li riconoscono attraverso i diversi canali e mostrano loro offerte e raccomandazioni pertinenti.
Le novità dei motori di raccomandazione: calcolare la causalità per migliorare l’efficienza
I marketer più smart vogliono sapere quali saranno gli sviluppi futuri e l’AI Lab ha la risposta: i futuri sistemi di raccomandazione comprenderanno gli effetti causali delle raccomandazioni sui prodotti sull’utente.
I motori di raccomandazione attuali si basano sulle correlazioni, ma grazie all’IA, i sistemi di prossima generazione useranno non solo i dati storici degli utenti, ma anche l’effetto di ogni annuncio di raccomandazione e la reazione dell’utente.
Utilizzando questi dati, gli algoritmi avranno la possibilità di aggiornare le raccomandazioni future in tempo reale per un maggiore impatto sul consumatore. I marketer saranno quindi in grado di capire se i loro prodotti stanno effettivamente cambiando il comportamento dei consumatori che vedono gli annunci.
Anche se siamo nella fase di test per il nostro modello di raccomandazione causale, i nostri ricercatori ritengono che trasformerà ancora una volta la pubblicità sulle raccomandazioni.
Per l’inserzionista, le raccomandazioni basate sulla causalità aumenteranno l’efficienza dei budget in adv e forniranno informazioni più dettagliate sul comportamento degli utenti, generando alla fine un aumento delle vendite. Il nostro obiettivo è ridurre la percentuale di pubblicità irrilevante che raggiunge l’utente e accertarsi che ogni annuncio sia strettamente allineato al percorso dell’acquirente.
Per i consumatori, gli annunci iper-pertinenti generati attraverso questo nuovo modello saranno più diversificati e sorprendenti. Li ispireranno lungo il loro viaggio personale e li guideranno verso i nuovi prodotti che vogliono acquistare.
Liberare il potenziale dei dati
L’IA aiuta le aziende di qualsiasi dimensione ad attivare i propri dati. Con una piattaforma pubblicitaria alimentata dall’IA avanzata, è possibile competere con le più grandi aziende del mondo sulla personalizzazione e la customer experience.
Criteo sta investendo 23 milioni di dollari in 3 anni nell’AI Lab per aiutare le aziende a liberare il potenziale dei loro dati. Il laboratorio unisce Criteo Research con il team di Machine Learning Platform Engineering per formare un’organizzazione con la potenza ingegneristica per sviluppare e integrare la ricerca all’avanguardia nell’IA nei nostri sistemi di produzione e fare innovazione facendo evolvere tutto il settore.
Vediamo un futuro in cui i marketer possono attingere ai dati degli acquirenti per creare annunci iper-pertinenti, esperienze utente migliori e relazioni più solide con i clienti.
Per saperne di più sulla ricerca e le pubblicazioni dell’AI lab, visita ailab.criteo.com e rimani sintonizzato per ulteriori informazioni sulla nostra ricerca sulla raccomandazione causale.
