CityU logo

AI技术在广告营销场景的运用

AI与广告营销

在互联网技术到来之前,传统的广告营销也是通过多种渠道进行的,如电视、广播、印刷媒体等。在互联网时代,随着数字广告的出现,广告营销的渠道更为多样化,主要分为线上和线下两种模式,广告商通过线上线下的结合更好的与用户进行交互,而AI技术的出现大大提高了广告营销的效率。

谷歌的响应式搜索广告使营销人员能够输入多达15个标题和4条描述行,随着时间的推移,Google Ads会测试不同的组合,并学习哪些组合效果最佳。该工具还可以与谷歌云完美结合,谷歌云依靠人工智能和机器学习为营销人员提供更深入的受众洞察[1]。IBM的人工智能助手使得公司能够利用人工智能微调营销策略,通过定位潜在受众,选择相关创意内容,并与目标受众进行一对一对话,企业从而更有效地运用营销预算,同时能够围绕受众的兴趣制定广告活动[1]。可口可乐使用AI算法来分析消费者何时、何地以及如何在社交媒体上谈论该品牌,该公司研究了12万条社交媒体内容,以了解其用户的统计数据和行为特征[2]。广告营销融入了多个AI技术,包括但不限于多触点归因(MTA),推荐系统(RS),强化学习(RL),大语言模型(LLM)。

广告营销AI技术之起始:MTA

在广告营销领域最早应用的AI技术为多触点归因 (Multi-touch attribution),简称MTA,旨在估计每个广告触点在用户转化过程中的相对贡献,归因的结果将直接影响到渠道预算分配,这种归因导向的预算分配可以降低CPA (Cost Per Action),提高CVR (Conversion Rate)。MTA在广告营销的应用廣泛,例如,逻辑回归 (LR)[3]模型作为最早的相关工作,直接采用逻辑回归的算法,这种方法简单且有效。可加多触点归因 (AMTA)[4]模型加入了生存分析模型来提高转化率预测的准确率。因果注意力多触点归因 (CAMTA)[5]模型通过削弱用户对于各个渠道的偏见(bias)来进一步提高准确率。下图展示了用户在不同渠道 (Display 展示型广告,Social 社交媒体,Paid Search 付费搜寻) 的触点转移直至最后产生转化的路径。常见的转化为下单购买、会员注册、点击等,视乎目标而定。

广告营销AI技术之发展:强化学习以及推荐系统

在广告营销场景下,AI技术的应用不局限于MTA,强化学习以及推荐系统也大放异彩。基于强化学习的推荐系统将广告商与用户交互的场景抽象为MDP的模式,这种模式包含三个元素:状态、动作及回报,然后根据这个模式来设计广告营销的策略。简单来说,根据用户所处的状态,推荐系统会制定相应动作的策略(如,推荐波鞋广告给搜寻或观看过运动健身信息及影片的用户),从而获得回报(如,点击、下单)。

上图展示了线上营销活动中,通过强化学习及推荐系统来控制现金优惠券发放从而推广数字支付应用程序的过程。AI技术会通过之前在大数据集上学习得到的策略来决定每个状态是否发放以及发放多少现金优惠券,从而在有限的预算条件下最大化收益(数字支付应用程序的推广程度)。

上图中十分流行的短视频广告推荐也应用AI技术,这种方法被TikTok,Kuaishou快手等短视频平台广泛应用。例如,在工作[6]中,Kuaishou团队使用基于强化学习的推荐系统提高了视频的平均观看时间,同时达到了限制要求(follow,like,comment达到一定数量)。

广告营销AI技术之未来:大模型

近期流行的ChatGPT也在广告营销场景展露锋芒,它广泛应用于个性化客户体验,编写产品说明,客服聊天机器人,创建客户服务调查等任务。

如同ChatGPT的发展,广告营销模型也趋于更大的模型,且不局限于语言模型。这种模式首先会利用一个巨大的用户离线数据集训练一个庞大的模型,然后再将模型置于线上环境,通过与用户实时的交互来更新优化模型,这里涉及另一个AI技术,称为fine-tune微调。当然,随之而来的挑战包括大模型的黑盒问题,巨大的计算复杂度带来的内存和时间损耗等等。将来能解决这些问题的话,将会给广告商或是企业带来巨大收益,包括提高转化率,自动生成最优的广告投放策略(减少人工成本),给用户更好的体验。

选择AI技术的关键:数据

如何选择AI技术帮助我们也是现阶段广告营销的重要课题。AI模型的一个关键是输入,这和我们的数据类型有关。如果是数值数据则采用一般模型,如多層感知器 (MLP) 等;如果是文本数据,可以采用语言类模型,如LLMs等;如果是图片数据,则采用计算机视觉 (CV) 模型。如果数据集大,我们采用大模型,如GPT;如果数据集小,我们采用一般模型,如MTA等。总的来说,AI技术通过学习数据中的潜在特征来满足我们的需求,所以我们在使用AI技术的时候一定不能脱离数据,基于用户数据的模型才能更好的保证用户的个性化体验,从而帮助企业获得预期收益。

基于AI的广告营销的未来与展望

未来的广告营销手段将会用到更丰富的AI技术,在模型中加入更多用户特征,并采用更大的模型来满足我们的需求。例如,联邦学习可以在不泄露用户隐私的情况下使用更大数据集来帮助我们更新模型,迁移学习通过将源域训练得到的模型迁移到目标域来完成更快更好的模型学习。使用多个AI技术以及更大的模型架构来提高模型的准确率是基于AI的广告营销的发展趋势。所以,如何融合各个AI技术,各取其长,以及怎么快速更新大模型将成为未来广告营销的前沿任务。

参考文献:

[1] Alyssa Schroer. AI in Marketing and Advertising: 19 Examples to Know. https://builtin.com/artificial-intelligence/ai-in-marketing-advertising

[2] Erica Santiago. AI Advertising: Pros, Cons, Tips & Examples. https://blog.hubspot.com/marketing/ai-advertising

[3] Shao, Xuhui, and Lexin Li. “Data-driven multi-touch attribution models.” Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. 2011. 

[4] Ji, Wendi, and Xiaoling Wang. “Additional multi-touch attribution for online advertising.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 31. No. 1. 2017.

[5] Kumar, Sachin, et al. “Camta: Causal attention model for multi-touch attribution.” 2020 International Conference on Data Mining Workshops (ICDMW). IEEE, 2020. 

[6] Cai, Qingpeng, et al. “Two-Stage Constrained Actor-Critic for Short Video Recommendation.” Proceedings of the ACM Web Conference 2023. 2023.

在此感谢 InnoHK、香港特别行政区政府及人工智能金融科技实验室对本文的支持。
(AIFT 竭力但不能保证内容之准确和可靠,亦不会承担因任何不准确或遗漏而引起的任何损失或损害。)

分享此內容

张昕之博士

人工智能驱动的供应链优化:应对动态世界的需求

阅读更多

地址

香港沙田香港科学园科技大道西 19号
11楼 1101-1102 及 1121-1123 室

产品及解决方案

人才

工作机会

关于我们

地址

版权所有 © 2024 人工智能金融科技实验室有限公司