Iparági ÚTMUTATÓ

AI az automatizált hirdetésben

Az AI az automatizált hirdetésben a gépi tanulás használata a digitális hirdetésmegjelenítések automatikus vásárlására és eladására, ezredmásodpercek alatt eldöntve, hogy melyik hirdetést, kinek és milyen áron jelenítse meg.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon4 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. Az AI jövője az automatizált hirdetésekben
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ez azért fontos, mert a mai kijelző-, videó- ​​és csatlakoztatott TV-készletek nagy részét így értékesítik, így ezek a modellek határozzák meg, hogy az emberek milyen hirdetéseket látnak, mit keresnek a megjelenítők, és mekkora csalási és adatvédelmi kockázatot hordoz magában a rendszer.

Mély merülés

Amikor egy hirdetéshelyekkel rendelkező oldal vagy alkalmazás betöltődik, a megjelenítő kínálati oldali platformja ajánlatkérést küld, gyakran az IAB Tech Lab által karbantartott OpenRTB formátumban, a hirdetési piacoknak és a keresleti oldali platformoknak. A kérelem leírja a megjelenítést: webhely vagy alkalmazás, hirdetésméret, eszköztípus, hozzávetőleges hely, valamint a rendelkezésre álló felhasználói azonosítók. A teljes aukció időkerete általában körülbelül 100 ezredmásodperc, és a nyertes hirdetést azelőtt jelenítik meg, hogy a felhasználó késést észlelne. Az AI dönti el a legtöbbet. A DSP-k olyan modelleket futtatnak, amelyek előrejelzik az átkattintási arányt, a konverziós arányt vagy a láthatóságot minden egyes megjelenítéshez, majd ezeket az előrejelzéseket ajánlatokká alakítják. Ahogy az iparág a második áras aukciókról az elsőáras aukciókra mozdult el nagyjából 2017 és 2019 között (a Google Ad Manager 2019-ben váltott), a DSP-k hozzáadták az ajánlatok árnyékolását: a modellek becslése szerint a legalacsonyabb ár valószínűleg továbbra is nyer, így a vásárlók nem fizetnek túl. Az eladási oldalon az SSP-k dinamikus alsó szinteket határoznak meg, és eldöntik, hogy mely keresleti partnereket hívják fel. A közönségmodellezés korábban a harmadik féltől származó cookie-któl függött, amelyek követik a felhasználókat a webhelyeken. A Safari alapértelmezés szerint blokkolja őket, a Firefox pedig korlátozza őket, a Apple App Tracking Transparency (2021) pedig korlátozza a mobilhirdetési azonosítókat. A Google éveket töltött azzal, hogy az Adatvédelmi Sandboxon keresztül fokozatosan kivonja a harmadik féltől származó cookie-kat a Chrome-ból, majd 2024-ben megfordította az irányt, és közölte, hogy nem kényszeríti ki az eltávolításukat. Ennek ellenére az iparág elmozdult a belső adatok, a kontextus szerinti célzás, az adattiszta szobák és az alternatív azonosítók felé. A reklámcsalás állandó probléma. A robotok, a rejtett hirdetések és a hamisított tartományok kimerítik a költségvetést; a Methbot-művelet 2016-ban felfedte a hamisított videomegtekintéseket prémium oldalak hamisított verzióin. Az észlelési modellek nem emberi viselkedést keresnek, az ads.txt és a sellers.json szabványok pedig lehetővé teszik a vásárlók számára, hogy ellenőrizzék, ki jogosult egy webhely készletének értékesítésére. Gyakori tévhit, hogy a reklám AI „ismeri” az egyéneket. A legtöbb modell valószínűségi jelekkel működik, és a célzás nagy része kontextusfüggő vagy csoportszinten modellezett.

Valós megvalósítás

A keresletoldali platform (DSP) előrejelzi annak valószínűségét, hogy egy adott megjelenítés vásárláshoz vezet, és ezt megszorozza a hirdető konverziónkénti értékével, hogy beállítsa ajánlatát egy valós idejű aukción.

A hírkiadók kínálati oldali platformja (SSP) dinamikus alsó árat használ, így megtanulja, hogy az egyes megjelenítéstípusok milyen minimális árat kapnak, így a készletet nem adják el túl olcsón.

A csalásészlelő rendszer megjelöli a „látogatók” csoportját, amelyek adatközponti IP-címekről töltenek be oldalakat, soha nem görgetnek és kattintanak gépenként rendszeres időközönként, és a forgalmat kizárják az ajánlattétel előtt.

A harmadik féltől származó cookie-adatokkal nem rendelkező kereskedő kontextus szerinti célzást alkalmaz: a modell beolvas egy túrázási cikk tartalmát, és ezen az oldalon licitál a kültéri felszerelések hirdetéseire anélkül, hogy személyes azonosítót használna.

Az AI jövője az automatizált hirdetésekben

Folyamatos elmozdulás várható az olyan jelek felé, amelyek nem támaszkodnak a webhelyek közötti követésre: a megjelenítők belső adatai, az oldal és a videó jelentését megértő kontextuális modellek, valamint tiszta helyiségek, ahol a hirdetők és a megjelenítők a nyers rekordok cseréje nélkül egyeztetik a közönséget. A kiskereskedelmi médiahálózatok és a csatlakoztatott televíziózás egyre növekvő csatornák, ahol ezek a megközelítések már elterjedtek. A különböző joghatóságok adatvédelmi törvényei továbbra is korlátozzák, hogy milyen adatokkal szolgálhatnak közönségmodellek, a mérés pedig inkább a modellezett, összesített hozzárendelésre fog támaszkodni. A csalások folyamatosan alkalmazkodni fognak, ideértve a generatív mesterséges intelligenciát is, amelyet alacsony minőségű hirdetési oldalak tömeggyártására használnak, így az ellenőrzés és az ellátási útvonal átláthatósága továbbra is központi kérdés marad. Továbbra is bizonytalan, hogy a böngésző cookie-szabályzata hogyan fejlődik tovább.

A gyakorlatba ültetés

Miért számít

  • Kontextus és szabályok. Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
  • Minőségellenőrzés. A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
  • Építési lehetőségek. A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.

Vigyázz

  • A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
  • A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
  • Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.

Következő lépések

  1. Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
  2. Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
  3. Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
  4. Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI in Programmatic Advertising quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az AI az automatizált hirdetésben?

Az AI az automatizált hirdetésben a gépi tanulás használata a digitális hirdetésmegjelenítések automatikus vásárlására és eladására, ezredmásodpercek alatt eldöntve, hogy melyik hirdetést, kinek és milyen áron jelenítse meg. Ez azért fontos, mert a mai kijelző-, videó- ​​és csatlakoztatott TV-készletek nagy részét így értékesítik, így ezek a modellek határozzák meg, hogy az emberek milyen hirdetéseket látnak, mit keresnek a megjelenítők, és mekkora csalási és adatvédelmi kockázatot hordoz magában a rendszer.

Körülbelül mennyi ideig kell lezajlania egy tipikus valós idejű ajánlattételi aukciónak?

Az RTB-aukciók általában körülbelül 100 ezredmásodperces költségkereten belül futnak, így a nyertes hirdetés még azelőtt megjelenhet, hogy a felhasználó bármilyen késést észlelne.

Melyik szervezet tartja karban az ajánlatkéréseknél általánosan használt OpenRTB formátumot?

Az OpenRTB-t az IAB Tech Lab, a reklámipar műszaki szabványügyi testülete tartja karban.

Mit tesz az ajánlatárnyékolás?

Az elsőáras aukciókon a győztes annyit fizet, amennyit licitált, így a licit-shading modellek a legalacsonyabb nyerő árat becsülik a túlfizetés elkerülése érdekében.

Miért kell az ajánlattevők átkattintási arányának előrejelzéseit jól kalibrálni, nem csak jól rangsorolni?

Az ajánlatot a megjósolt valószínűségből számítják ki, így a 20 százalékos túlbecslés egyenesen 20 százalékos túllicitálást eredményez.

Mit jelentett be a Google 2024-ben a harmadik féltől származó cookie-król a Chrome-ban?

Miután évekig tervezte a Privacy Sandboxon keresztüli fokozatos kivonást, a Google 2024-ben azt mondta, hogy nem kényszeríti ki a harmadik féltől származó cookie-k eltávolítását.