Makine Öğrenimi; Modern reklamcılıktaki tüm gelişmeler arasında, makine öğrenimi daha heyecan verici. İşletmelerin veri toplama ve analiz etme şeklini ve hatta verilerin yapabileceği çoğu şeyleri değiştiriyor.

Ancak gelişen bu teknolojiyle büyük sorular geliyor. Ne, neden ve nasıl çalışıyor? Biraz bu konu üzerinde duracağım.

Reklamcılıkta Makine Öğrenimi Nedir?

Reklamcılıkta makine öğrenmesi, reklam teknolojisinin veriyi aldığı, analiz ettiği ve bir görevi geliştirmek için sonuçları formüle ettiği süreci ifade eder. Daha basit bir ifadeyle: Reklam uzmanı böyle öğrenir.

Öğrendiği şey teknolojiye bağlı. Reklamcılıkla ilgili herhangi bir şey olabilir: medya satın alma, müşteri yolculuk haritası, hedef kitle vb.

Bir makine öğrenme teknolojisi ne kadar çok veri işliyorsa, bu görev hakkında o kadar çok şey öğrenir ve onu tamamlamada o kadar iyi olur. Tıpkı bir insanın yapacağı gibi.

Makine Öğrenmesi ve Yapay Zekayı karıştırmayın!

Makine öğrenimi ile yapay zeka arasındaki fark

Günümüzde en karmaşık teknolojiler hakkında yapılan konuşmalarda “makine öğrenmesi” ve “yapay zeka” terimlerini kullanımını sık sık duyacaksınız. Her ne kadar bu iki kavram ilgili olsa da birbirleriyle değiştirilemeyeceklerini bilmeniz önemlidir.

Makine öğrenmesi belirli bir süreci ifade ederken: “Öğrenmek” ve işlevlerini geliştirmek için veri kullanan makineler, yapay zeka daha geniş bir terimdir. Geleneksel olarak insan zekası gerektiren işleri yapabilen teknolojileri ifade eder. Bu nedenle, makine öğrenmesi yapay zekanın bir yönüdür, ancak AI (Artificial Intelligence) ile eş anlamlı değildir.

Neden Makine Öğrenimi?

Dijital işlemlerden ve perakende stoklarından sunucu odalarının sıcaklığına kadar, modern işin takip edemediği çok az şey var.

Raporlar , bugünün verilerinin yarısından fazlasının kullanılmadığını gösteriyor. “Karanlık veri” olarak bilinen, kullanılmaması için en önemli nedenler şunlardır:

Araç eksikliği, eksik veri, kullanılamayan çok fazla veri ve sessiz sistemler, işletmelerin takipçilerinden en iyi şekilde yararlanmasını engelliyor. Tüm bu engellerin temelinde basit ama büyük bir sorun var: İnsanlar artık her şeyi yapamıyor. Tanımlamak, toplamak ve işlemek için çok fazla şey var.

Burada en dikkat çekici olan ” topla ve analiz et ” – Bunun için herhangi bir aracın olmamasının eksiklik oranı %85

Zaten, reklam verenlerin % 95’i kişisel veriler, konum bilgileri ve hakkında hiçbir şey bilmedikleri potansiyel müşterileri hedeflemek için kullanabilecekleri ilgi alanları da dahil olmak üzere petabayt demografik verilerden sonra terabaytlara sahiptir. Yapay zeka bu bilgiyi evcilleştirmenin ve bir sonraki seviyeye taşımanın bir yoludur.

Orchid Richardson

Yapay Zeka ile veriyi adlandırma ve “bir sonraki seviyeye” götürürken, ileriyi öngörebilen bir konsepte benziyor, bu yıllardır olan bir şey.

Makine Öğreniminin Reklamlarda Kullanılan Örnekleri

Reklamcılıkta makine öğrenimi her zaman kolay değildir, çünkü karmaşık işlemler arka planda gerçekleşir. Favori araçlarınızdan bazıları, aldığınız bilgileri size sunmak için makine öğreniminden faydalanıyor.

Makine Öğrenimi ile Reklam verenlerin yapabilecekleri;

1- Beklenmedik Öngörülerden Faydalanın

İyi bir reklam verenseniz, reklamları hedeflenmiş verilerle yayınlarsınız. Ancak bu verileri elde etme şekliniz mükemmel olmayabilir.

Teklifinizle ilgili her veriyi analiz etmek istemenize rağmen, sınırlı bir bütçe ile çalışıyorsunuz. Bu, başarılı bir reklam kampanyası yürütmek için gereken en önemli verilere önceliklendirmeye zorlayıcı olacaktır. Öncelik verme, bütçenize bağlı olarak daha az veri edineceğiniz anlamına gelir.

Yani, daha az belirgin olan bir konu, teklifiniz ve kitlesiyle ilgili yaptığınız varsayımların, reklam verme şeklinizi de sınırlı hale getirecektir. Örneğin: Ürününüz bir video oyunuysa, reklamları genç oyunculara ve orta yaşlı ebeveynlerine yayınlayabilir, ancak babaanne ve dedeleri düşünmeyebilirsiniz. Bu tür varsayımlar size daha fazla maliyet çıkartabilir.

2018 Yapay Zeka (AI) Konferansında, bu senaryo, Unity reklam veren çözümleri Başkan Vekili Julie Shumaker tarafından sunuldu. Bu sadece makinenin öğrenmesinin çözebileceği bir problem türüdür:

Reklam verenlerin 22 yaşında bir oyuncuya 17 dolarlık bir oyun kurulumu satmak gibi çok özel hedefleri olabileceğini söyledi. Bu hedefin 65 yaşında bir kadın için uygun olacağını düşünmeyebilirler. Ancak makine öğrenmesi bu kadının üç gün boyunca yaklaşık 3.99 dolar harcayabileceğini gösteriyor. Ve satın alma maliyeti 75 sent ise, daha tipik reklam hedefleri için daha yüksek dolar hedefleri kadar iyi bir ROI sağlar.

Geniş veri kümelerini işlemede uygun maliyetli olmaları nedeniyle, makine öğrenme teknolojileri, bütçe ve insan varsayımlarının sınırlayabileceği gelir fırsatlarını ortaya çıkarmak için mükemmeldir.

2- Reklam Kampanyalarınızı Geliştirin

Kitleler, reklam ögelerine farklı şekilde yanıt verir. Medya, yazı tipi, harekete geçirme ifadesi – bunlar insanların tıklayıp ayarladığı yaratıcı içerikler arasındadır.

Birçoğu makine öğrenmeyi kesin olarak nicel veriler içerdiğini düşünürken, durum böyle değildir. Ön görücü bir analitik sisteminin daha iyi bir reklamın geliştirilmesine de yardımcı olabileceği söyleniyor.

Böyle bir sistemde, devam eden çabalar için neyin işe yarayacağını tam olarak belirlemek için geçmiş reklamlar ve geçmiş kampanyalar hakkındaki veriler sıkıştırılır. Bu AI uygulamasıyla, markalar mesajlaşma, yazı tipleri, renkler, görüntüler, düğme boyutları veya biçimlerdeki her şeyin genel kampanya performansını nasıl etkilediğini daha iyi anlayabilir. 

Rajiv Bhat

Öyle görünebilir, ama böyle bir sistem varsayımsal değildir. Bir mobil uygulama pazarlama otomasyon platformu olan Bidalgo , bunu tam olarak yapan bir araç sunmaktadır. “Yaratıcı Yapay Zeka” olarak adlandırılan bu makine öğrenme servisi, başarılı olması muhtemel yaratıcı yaklaşımları bulmak için görsel medyayı analiz eder.

Hangi reklamın izleyici üzerinde olumlu bir etkisi olduğunu belirleyebilirsiniz. Ve bu belirli sistem, insanların görüntülerde pozlama biçimleri kadar spesifik olabilir. Bu yapıldıktan sonra, yazılım analize dayalı içerik ekipleri için yaratıcı bir özet sunar.

Tüketici Psikolojisi Dergisi’nde ayrıntılı şekilde bahsedilen benzer bir makine öğrenmesi uygulaması, görüntüleri kişilik tipleriyle eşleştiren bir araştırma projesini içerir. İçinde araştırmacılar, ton, doygunluk, renk çeşitliliği, ayrıntı düzeyi, insan sayısı ve daha fazlası dahil olmak üzere görüntüler için 89 farklı özellik tanımlamak için algoritmalar kullandı.

Çalışmada 745 katılımcıdan görüntüleri 1-7 arasında derecelendirmeleri istendi. Yapıldıklarında, onları beş alanda derecelendiren bir kişilik testi gerçekleştirdiler: açıklık, vicdanlılık, dışa dönüklük, anlaşılabilirlik ve nevrotiklik. Ardından, hangi görüntülerin hangi kişilik özelliklerine çekici geldiğini keşfetmeye çalıştılar. Diğer şeylerin yanı sıra, keşfettiler:

• Dışa dönük insanlar, insanları öne çıkaran basit görüntüleri ve görüntüleri tercih ettiler
• Açık fikirli insanlar, hiç kimsenin olmadığı ve mavi ve siyah gibi harika renklerin olduğu fotoğrafları tercih etti.
• Nörotisizm düzeyi yüksek insanlar sakin ve minimal uyaran sahneleri beğendi.

Bir takip çalışmasında araştırmacılar, deneklerin kişilikleriyle uyumlu reklam görüntülerini tercih ettiklerini buldular. Fakat daha önemlisi, makine öğrenme algoritması, kişilik tipi ile resim tipi arasındaki ilişkinin, tüketicinin bir ürüne olan ilgisini etkileyebileceğini buldu. İnsanlar sadece kişilikleriyle eşleşen görüntüleri tercih etmediler. Bu markalara karşı daha olumlu tutumlar ve satın alma yönelimlerini de belirttiler.

3- İçerik Alaka Düzeyini Arttırın

Teoride, harika bir reklam tasarlamak, hedef kitlenizden mükemmel bir yanıt almak için yeterli olmalıdır. Tabii ki, hiç bu kadar kolay değil.

İyi tasarlanmış olmanın yanı sıra, reklamın doğru platformda, doğru hedeflemeyle, doğru zamanda yayınlanması gerekir. Bu makine öğreniminin geliştirdiği bir süreç olabilir.

Kesinlikle kitle verilerine dayanmak yerine, makine öğrenimi teknolojileri, sayfa verilerini işlemek için giderek daha fazla kullanılmaktadır. Ve bunu, çok karmaşık şekillerde yapıyorlar.

Mevcut gelişmeler duygu analizi gibi uygulamalarda açıkça görüldüğü gibi insan ve makine arasındaki çizgileri bulanıklaştırıyor – makineler, bir yazarın belirli bir konuya veya ürüne yönelik tutumunu tespit edip etmeyeceğini belirlemek için bir metin parçasıyla ifade edilen görüşleri tanımlayabiliyor ve kategorilere ayırabiliyor. pozitif, negatif veya nötrdür.

Buradaki nüans, dil genişledikçe ve anlam ifade etmek için alaycı ve ifadeler gibi şeyler içerdikçe daima gelişmektedir. Derin öğrenmedeki hızlı gelişmeler bilgisayarların görüntüleri ve videoları daha insani bir şekilde işlemesini sağlıyor.

IAS Küresel İş Geliştirme Kıdemli Başkan Yardımcısı Harmon Lyons

Temel düzeyde, bir sayfanın içeriğinin anlaşılması, reklam verenin ve yayıncının daha alakalı reklamlar sunmasına yardımcı olabilir. Daha karmaşık bir düzeyde, reklam verenlerin etkileyici şeyler yapmalarına olanak tanıyor.

Vodafone örneği

Birleşik Krallık’taki Vodafone’dan reklamlarında IPhone X’i geçirmek istiyordu. Apple’ın son derece kısıtlayıcı marka kullanım kurallarının bir sonucu olarak, şirket üründen bahsetmekte zorlandı.

Bunun için, GumGum‘dan makine öğrenme teknolojisi için talepte bulundular. Makine Öğrenme teknolojisiyle iPhone reklamlarını bulmak için sayfa görüntülerini analiz etti ve ardından Vodafone reklamlarını üstlerine yerleştirdi.

Jeep örneği

Başka bir GumGum müşterisi olan Jeep, davranış modellemesini atlamaya ve bunun yerine bağlamı aktifleştirmeye karar verdi. Makine öğrenme teknolojisi ile şirket, Toyota RAV4 gibi Cherokee ile rekabet eden modellerin görüntüleri için web sayfalarını taradı. Sonra, Vodafone gibi, reklamlarını rakip modellerin üzerine yerleştirdiler.

Bu kullanım durumlarının ötesinde, makine öğrenmesi marka itibarı için harika şeyler yapabilir. Güvensiz markalarda (örneğin, aşırı içeriklerin yanında olduğu gibi) yerleşimlerde yayınlanan programatik reklamların artmasıyla, makine öğrenmesi, reklam verenlerin gerçekleşmeden önce bir PR kabusunu önlemesine yardımcı olabilir.

4- Daha Alakalı Kitleyi Hedefleyin

Her reklam verenin hedefi, en üst düzeyde alaka düzeyidir. Kitle segmentleriniz ne kadar dar olursa , müşterilerin arzu ettiği 1:1 kişiselleştirmeyi sunmaya o kadar yaklaşırsınız.

Ancak 1:1 kişiselleştirmeye yaklaşmak için çok büyük miktarda veriye ihtiyacınız var. Daha sonra, verileri elemek ve kullanılabilir bir hale dönüştürmek için yeterince gelişmiş bir makine öğrenme algoritmasına gereksiniminiz olacak.

Neyse ki, bunlar Facebook, Google ve LinkedIn gibi ana ağların özellikleri. Reklam verenlerin hedef segmentlerini daraltmak için kullanabilecekleri hobiler, ilgi alanları, konumlar, iş unvanları, vb. Hakkındaki geniş veri koleksiyonlarını bir araya getirir.

İşletmeler için, müşteri bilgisi biçiminde gerçekleşmesi kolay değildir. Bu yüzden, bol miktarda veri toplanıp Facebook ve Google gibi ağlar tarafından güçlendirildiğinde, hedef kitlenizi teklifinizi talep etme ihtimaline yakın olanları belirlemek için değerli bir yol haline gelir.

Facebook veri toplar ve izleyici oluşturmanıza olanak sağlar. Daha da önemlisi, platform, hedef kitlenin kimler için teklif vereceğinizi ve hedefi tamamlamanın en muhtemel sonucunu belirlemek için makine öğrenimini kullanır.

“Günümüzde en iyi reklamlar, bir markanın izleyicileri için gerçek anlamı olan, kişiselleştirilmiş içeriktir” 

Her kitlenin verisine göre kişiselleştirilmiş bir reklamı olmalıdır. Bu deneyimi sürdürmek için, her reklamın kullanıcıları, kişiselleştirilmiş kadar eşit bir tıklama sonrası sayfasına yönlendirmesi gerekir.

Bu örneği, gördükleri içeriğe bağlı olarak ürünleri için 119 farklı reklam oluşturan Abreva’dan verebiliriz.

Dört ana video ile başlayan Abreva, metni çeşitli ilgi alanlarına göre özelleştirmek için Director Mix kullanarak 119 farklı reklam oluşturdu. İzleyiciler daha sonra izledikleri şeye dayanarak alakalı bir reklam yayınladılar.

Ünlü dedikoduları hakkında video izleyen biri şöyle bir reklamla karşılaştı; 

1. Mesaj: Ünlülerin ayrılıklarından kurtulamazsın.

2. Mesaj: Fakat 2,5 gün içinde soğuk algınlığından kurtulabilirsiniz.

Güzellik ile ilgili öğretici bir video izleyen kitleye ise reklamları şöyle gösterdiler;

1. Mesaj: Dudaklarınızdaki soğuk yaraları sizi üzer

2. Mesaj: 2,5 günde soğuk yaralarından kurtulun

Kişiselleştirilmiş yaklaşım, farkındalık ve dikkate almada önemli bir artışa yol açtı: Abreva, genel reklam hatırlamada %41, Google ve YouTube’da hedef kitlesi arasında arama ilgisinde %342 artış gördü.

Think With Google‘da yayınlanan vaka çalışmasını buradan inceleyebilirsiniz.

Duyarlı arama ağı reklamlarıyla, birden çok başlık, kopya ve açıklama sürümü girebilirsiniz; Google en iyi performansı gösterecek ve test edecektir. Ortalama olarak, bu özelliği kullanan reklam verenler, tıklamalarda% 15 artış sağlayacak.

5- Daha Stratejik Teklifler Verin

Programlı Reklamcılıkta (programmatic advertising), tüm gösterimler için teklif vermeye değmez. Bazı adımlarınız bundan daha değerli olmalıdır.

Talep taraflı platformlar sayesinde, bu gösterimleri değerlendirmek için artık tahminde bulunmak gerekmiyor. Makine Öğrenimi teknolojisini kullanan bu platformlar, bir zamanlar deneyimli alıcılar gerektiren teklifler ve optimizasyonlar yapabilir.

Google’ın Akıllı Teklifini (Google Smart Bidding) örnek alabiliriz: mesela, her açık artırmada dönüşümleri veya dönüşüm değerini optimize etmek için makine öğrenmeyi kullanan otomatik bir teklif stratejisidir. Bu, “açık artırma süresi teklifi” olarak bilinir.

Google’a göre, beş tür Akıllı Teklif stratejisi vardır:

• Hedef EBM: teklifleri, belirlediğiniz hedef işlem başına maliyetle (EBM) veya altında olabildiğince çok dönüşüm elde etmenizi sağlamaya yardımcı olacak şekilde ayarlayan bir Google Ads Akıllı Teklif stratejisidir. Teklifleri otomatik olarak optimize etmek için gelişmiş makine öğrenimi kullanan bu strateji, teklifleri her bir açık artırma için uyarlayan açık artırma anında teklif verme gücüne sahiptir.
• Hedef ROAS: Reklam Harcamalarından Elde Edilen Gelir (ROAS) hedefini temel alarak teklif vermenize olanak sağlar. Bu Google Ads Akıllı Teklif stratejisi, belirlediğiniz reklam harcamalarından elde edilen gelir (ROAS) hedefi dahilinde daha yüksek bir dönüşüm değeri veya gelir elde etmenize yardımcı olur.
• Dönüşüm Arttırma: Dönüşümleri Artırma özelliği, bütçenizi harcarken kampanyanız için en fazla dönüşümü elde etmenize yardımcı olmak amacıyla teklifleri otomatik olarak belirler. Teklifleri otomatik olarak optimize etmek için gelişmiş makine öğrenimi kullanan bu strateji, teklifleri her bir açık artırma için uyarlayan açık artırma anında teklif verme gücüne sahiptir.
• Geliştirilmiş TBM: Geliştirilmiş tıklama başına maliyet (GTBM) özelliği, manuel teklifleriniz karşılığında daha fazla dönüşüm elde etmenize yardımcı olur. Web sitenizde satış veya dönüşümle sonuçlanabilecek gibi görünen tıklamalar için manuel tekliflerinizi otomatik olarak ayarlar.

Tercihiniz, kampanyanızın hedefine, bütçenize ve diğer faktörlere bağlıdır. Google’ın Akıllı Teklif Verme algoritmasının iyi geliştirilmiş olduğundan emin olabilirsiniz. Hangi tekliflerin ve gösterimlerin seçtiğiniz hedef için en etkili olduğunu anlamak adına verileri sürekli olarak alıyor ve analiz ediyor. Bu algoritmalar, performansı etkileyen parametreleri tek bir kişinin veya ekibin hesaplayabileceğinden daha kapsamlı bir şekilde hesaba katar.

Açık artırma anında teklif verme sayesinde teklif optimizasyonlarınızda çok çeşitli göstergeleri hesaba katabilirsiniz. Sinyaller belli bir açık artırma sırasında sunulan, bir kişi veya içerikleriyle ilgili belirlenebilir özelliklerdir. Bunların arasında, manuel teklif ayarlamaları olarak sunulan cihaz ve konum gibi özelliklerin yanı sıra, Akıllı Teklif’e özel ek sinyaller ve sinyal kombinasyonları bulunur. Detaylı olarak buradan inceleyebilirsiniz.

Google;

Akıllı Teklif büyük ve küçük işletmelerde başarı sağlar. Akıllı Teklif, tüm kampanyalarınızdan alınan verileri temel alarak optimizasyon yapabilir. Böylece, kendilerine ait verileri olmayan yeni kampanyaların bile performansı artabilir. Sonuçları doğru bir şekilde değerlendirmek için en az 30 dönüşümü olan daha uzun süreler boyunca (ör. bir ay veya daha uzun bir süre) performansı ölçmenizi öneririz.

Makine öğreniminin bugün kampanyalarınız üzerinde büyük bir olumlu etkisi olabilir. Teklif stratejileri, yaratıcı ve hepsinden önemlisi kişiselleştirme, sizin için çalışan bir makine öğrenme modeli bulduğunuzda katlanarak artabilir.