POPJAM Logo
Tagasi blogisse

Dünaamiline loovlahenduste optimeerimine tulemusturundajatele

Avasta dünaamilise loovlahenduste optimeerimise võimalused. Kasuta tehisintellekti võitvate reklaamide loomiseks ja võta selle uuendusliku turundustöövooga eelarvest maksimum.

Doruk Gezici
Doruk Gezici
11 min lugemist
Dünaamiline loovlahenduste optimeerimine tulemusturundajatele

Lühiülevaade:

  • Dünaamiline loovlahenduste optimeerimine hõlmab tehisintellektiga loovlahenduste loomist enne avaldamist, sünteetiliste persoonadega filtreerimist ja kohanduvaid katseid. See aitab tulemusturundajatel ning agentuuridel leida parimad loovlahendused kiiremini ja vähendab raisatud näitamisi. Välikatsed näitavad jaotuse ülemises otsas märkimisväärset kaasatuse kasvu, kinnitades õigesti rakendatud töövoo tõhusust.

Dünaamiline loovlahenduste optimeerimine tähendab selles artiklis tehisintellektiga loovlahenduste loomist, simuleerimist ja valideerimist enne avaldamist, kasutades sünteetilisi ostjapersoonasid ning kohanduvaid katseid. See on kaheastmeline töövoog võrguvälisest etapist reaalsete veebikatseteni: esmalt toodab genereeriv mudel loovkandidaate, mida suunab sinu ajaloolistel A/B-andmetel treenitud ennustav järjestusmudel; seejärel valib partiidena kohanduv katse võitjad päris liikluses. Kui juhid tasulisi kampaaniaid Metas, Google’is, TikTokis või LinkedInis ja tahad lõpetada eelarve raiskamise testimata loovlahendustele, sobib see töövoog sulle.

Sisukord

Mida dünaamiline loovlahenduste optimeerimine siin tegelikult tähendab?

Enamik veebiallikaid määratleb DCO kui mallide reaalajas kokkupaneku reklaami edastamise hetkel. See on teine toode teisele meeskonnale. See artikkel käsitleb tulemusturundajatele ja kasvumeeskondadele kasulikumat lähenemist: tehisintellektiga genereerimine, sünteetiliste persoonade eeltestid ja kohanduvad veebikatsed.

Mida see DCO hõlmab:

  • Brändiga kooskõlas loovvariantide genereerimine tehisintellektiga lähtevaradest
  • Sünteetiliste persoonade simulatsioon, et kaotajad enne kulutamist välja filtreerida
  • Partiidena kohanduvad katsed, mis suunavad liiklust ümber võitjate poole

Mida see ei hõlma:

  • Malli reaalajas isikupärastamine reklaamiserveris
  • Dünaamilised tootevood või sihtrühmasegmentide pikslipõhine kokkupanek

Kaks etappi täiendavad teineteist. Kandidaatide komplekti võrguväline loomine on kiire ja odav. Reaalses veebiliikluses kohanduv valik on aeglasem, kuid muudab ennustused kinnitatud võitjateks. Võrreldes lihtsa kahe variandiga A/B-testiga saavad sellest enim kasu meeskonnad, kes teevad kuus rohkem kui mõne kampaania, ning mitme kliendiga agentuurid.

Miks võrguvälisest etapist veebikatseteni ulatuv töövoog muudab su tulemusnäitajaid?

Põhiväärtus on lihtne: leiad jaotuse ülemise otsa võitjad kiiremini ning raiskad ilmsetele kaotajatele vähem näitamisi. Seda töövoogu kasutanud välikatsed registreerisid kolmes eraldi rakenduses kaasatuse kasvu 45,1%, 46,7% ja 36,2%. Need pole kõigi loovlahenduste keskmised kasvud. Need on kasud, mis tulevad komplekti parima loovlahenduse leidmisest ühe testimata reklaami käitamise asemel.

Ainult ennustavast järjestusmudelist ei piisa. Võrguvälised hinded on reaalse tulemuslikkuse mürarikkad asendusnäitajad. Mudeli tegelik ülesanne on suurendada kandidaatide hulga saagist ehk tuua testikomplekti rohkem tegelikult tugevaid loovlahendusi. Kohanduv katse teeb seejärel tegeliku valiku päris liikluses. Veebietapi vahelejätmine ja võrguväliselt kõrgeima koha saanud loovlahenduse otse avaldamine on üks meeskondade levinumaid ning kulukamaid vigu.

Parimate tulemustega brändid testivad igal nädalal 3–5 uut loovvarianti, muutes loovtestimise pidevaks protsessiks, mitte kvartalisündmuseks. Selline sagedus on teostatav ainult siis, kui genereerimine ja eelfiltreerimine on automatiseeritud.

Millised mõõdikud ja katseparameetrid peaksid määrama?

Olulised mõõdikud

Mõõdik Mida see mõõdab? Prioriteet
Kandidaatide hulga saagis Tegelike tipploovlahenduste osakaal, mis jõuab sinu komplekti Võrguväline
Valitud haru kvaliteet Katse võitja tulemuslikkus päris liikluses Veebis
Kahetsuskaotus Testimise käigus vähem headele harudele kulutatud näitamised Veebis
CTR / kerimise peatamise määr Kaasatussignaal; lühikestes ajavahemikes mürarikas Teisene
CPA / ROAS Konversioonide tõhusus; peamine otsustusmõõdik Peamine

Kasuta peatamiskriteeriumina CPA või ROAS-i optimeerimist. CTR on kasulik varajane signaal, kuid lähteülesande kvaliteet ja kooskõla kliendi eluea väärtusega mõjutavad konversioone usaldusväärsemalt kui üksnes klikkimine.

Juhised katse suuruse määramiseks

Komplekti suurus (K) Soovitatav esimene partii Minimaalsed näitamised haru kohta
8 5,– kokku –
12 9,– kokku –

Need on lähtepunktid. Mürarikkad lühiajalised kaasatusmõõdikud võivad varajast ümberjaotamist eksitada, seega hoia jaotus enne järeljaotuste uuendamist vähemalt ühe terve partii jooksul ühtlasena.

Milliseid andmeid ja taristut vajad?

Selle töövoo suuremas mahus käitamine nõuab enne alustamist nelja konkreetset sisendit.

Andmetüüp Mida vajad? Miks see loeb?
Ajaloolised katsed Juhuslikustatud A/B-testide tulemused koos loovlahenduste ID-dega Treenib ennustavat järjestusmudelit
Sündmusetaseme signaalid Ajatemplitega näitamiste, klikkide ja konversioonide read Toidab kohanduvate testide järeljaotuste uuendamist
Loovlahenduste metaandmed Tekst, visuaalsed kirjeldused, formaat, paigutus Võimaldab duplikaatide eemaldamist ja brändifiltreerimist
Kohordi identifikaatorid Katse ID, kokkupuuteaken, omistamisaken Tagab puhta järjestusmudeli treeningu ja tulemuste logimise

Mudelite poolel vajad ennustavat järjestusmudelit, näiteks gradiendivõimendusega järjestajat või peenhäälestatud manustusmudelit, fikseeritud genereerivat mudelit koos viiba-API-ga, partiidena ümberjaotamist toetavat katsete käitajat ja vaadeldavuseks logimistaristut.

Privaatsusmärkus: treeni järjestusmudelit ainult koondatud signaalidel, mille kasutamiseks on nõusolek. Ära lisa isikutuvastajaid loovlahenduste metaandmetesse ega katselogidesse. Toetu kohorditaseme tulemustele ja anonüümitud sündmuste andmetele. GDPR-iga kooskõlas koondamine on kohustuslik, kui mõni osa liiklusest puudutab EL-i kasutajaid, ning hea tava igal juhul.

Kuidas sünteetilised persoonad DCO tsüklisse sobivad?

Sünteetilised persoonad toimivad kiire eelfiltrina. Enne dollari kulutamist päris liiklusele lased kandidaatide komplekti läbi kalibreeritud tehisintellekti persoonade, mis simuleerivad konkreetsete ostjasegmentide reaktsiooni igale loovlahendusele. Eesmärk on eemaldada ilmsed kaotajad, mitte asendada reaalset testimist.

Dokumenteeritud juhtumiuuringud kirjeldavad märkimisväärset ROAS-i, CVR-i ja CTR-i kasvu, kui sünteetilised eeltestid ühendatakse reaalse valideerimisega. Võtmesõna on „ühendatakse”. Sünteetilised paneelid ennustavad suhtelist järjestust hästi. Absoluutsete tulemusarvude puhul on need vähem usaldusväärsed.

Millal teha sünteetilisi eelteste:

  • Ideede sõelumine viie või enama sõnuminurga vahel
  • Kultuurilise tundlikkuse kontrollid enne uuele turule sisenemist
  • Segmendipõhine tähelepanu püüdja valideerimine, näiteks hinnatundlikud võrreldes funktsioonidest motiveeritud ostjatega
  • Pealkirjade järjestamine, kui tekstivariante on rohkem, kui päris testimise eelarve lubab

Kalibreerimine on määrav. Üldised suurte keelemudelite viibad annavad päris inimpaneelidega ligikaudu 55% ennustusliku vastavuse. Tegelike tarbijate psühhograafilistel andmetel põhinevad kalibreeritud sünteetilised persoonad jõuavad 85–95% vastavuseni. Erinevus sõltub sellest, kas persoonad peegeldavad tegelikku ostukäitumist või internetitekstide statistilist keskmist.

Säilita inimese valideerimisvoor suure kaaluga loovlahenduste, brändilansseerimiste ja tundlike kategooriate jaoks. Sünteetilised paneelid on kiiruse tööriist, mitte otsustusvõime asendus.

Praktilise ülevaate nende persoonade loomisest ja kasutamisest annab POPJAM-i juhend selle kohta, mis on sünteetilised persoonad. See on hea lähtepunkt.

Sünteetiliste persoonade koht DCO tsüklis: ülevaateskeem

DCO teostuse head tavad ja levinud vead

Tee nii:

  • Eralda igas genereerimispartiis üks muutuja, et järjestusmudel õpiks puhtaid signaale
  • Lukusta brändielemendid, näiteks logo paigutus, värvipalett ja font, enne genereerimist
  • Määra peatamisreeglid enne iga kohanduva katse käivitamist
  • Anna iga loovlahenduse versioonile unikaalne ID, mis on seotud selle genereerimisviiba ja järjestusmudeli hindega
  • Tee inimese juhitud brändiohutuse ülevaatus enne, kui mõni loovlahendus jõuab päris testikomplekti

Väldi seda:

  • Ainult klikkide optimeerimine; CTR-i võitjad jäävad CPA poolest sageli nõrgaks
  • Võrguväliselt kõrgeimale kohale järjestatud loovlahenduse avaldamine ilma reaalse valideerimiseta
  • Suuremate komplektide käitamine, kui liiklus suudab mõistliku aja jooksul eristada
  • Duplikaatide eemaldamise vahelejätmine; peaaegu identsed harud lahjendavad signaali ja suurendavad kahetsuskaotust

Praktiline nõuanne: Ühenda loovtestimine maandumislehe variantidega. Võitev reklaam, mis suunab liikluse sobimatule maandumislehele, kaotab suure osa kasvust. 3-3-3 kärpimisreegel, eemalda kolme päeva järel alumine 50%, kärbi uuesti kuuendal päeval ja kinnita võitja üheksandaks päevaks, töötab hästi siis, kui rakendad seda kogu lehtrile, mitte ainult reklaamiüksusele.

Juhtimiskorraldus loeb sama palju kui metoodika. Lisa töövoogu ülevaatusjärjekord, et ükski tehisintellektiga loodud loovlahendus ei läheks avalikuks inimese kinnituseta. See on eriti oluline reguleeritud kategooriate ja bränditundlike kampaaniate puhul.

DCO teostuse head tavad ja levinud vead: ülevaateskeem

Mida välikatsed tegelikult näitavad?

Kõige usaldusväärsem tõendus tuleb võrguvälisest etapist veebikatseteni ulatuva töövoo uuringust, mis dokumenteeris kolm eraldi välirakendust.

Katse Raporteeritud kasv Valideeritud töövooelement
Rakendus 1 +45,1% kaasatust Järjestusmudeli suunatud genereerimine ja kohanduv valik
Rakendus 2 +46,7% kaasatust Järeldamise ajal töötav kriitikatsükkel
Rakendus 3 +36,2% kaasatust Partiidena kohanduv ümberjaotamine

Need on jaotuse ülemise otsa kasvud ehk kasu, mis tuleb komplekti parima loovlahenduse leidmisest võrreldes baastasemega. Tõlgenda neid töövoo võimaliku ülempiirina siis, kui andmekvaliteet on kõrge ja järjestusmudel hästi kalibreeritud. Tegelik kasv sõltub ajalooliste andmete mahust, mudeli täpsusest ning komplekti kvaliteedist.

Korratavus nõuab kolme asja: juhuslikustatud ajaloolisi katseid, mitte vaatlusandmeid; sündmusetaseme logimist puhta omistamisega; ja komplekti moodustamise protsessi, mis ei lekita testitulemusi treeningusse. Meeskonnad, kes ühe neist kolmest vahele jätavad, saavad nõrgema järjestusmudeli ja mürarikkamad katsetulemused.

Kuidas hinnata DCO teenusepakkujaid ja mida küsida?

Kui hindad mõnda platvormi selle töövoo jaoks, küsi otse järgmised küsimused.

  • Kas saan importida ajalooliste A/B-katsete tulemusi järjestusmudeli treenimiseks?
  • Kui tihti järjestusmudelit uuesti treenitakse ja kas saan selle käsitsi käivitada?
  • Kas generaator toetab brändielementide lukustamise ja muutmise juhte?
  • Milliseid kohanduva katse disaine platvorm toetab, näiteks Thompsoni valimit, UCB-d või Bayesi lähenemist?
  • Kas katseloge saab eksportida väliseks analüüsiks?
  • Kuidas käsitleb platvorm treeningandmete privaatsusnõuetele vastavust?
  • Milline on usaldusväärse järjestusmudeli jaoks vajalik minimaalne ajalooliste katsete maht?

Mida POPJAM nende kriteeriumide puhul pakub:

POPJAM-i loovautomaatika platvorm katab tehisintellektiga genereerimise, sünteetiliste persoonade simulatsiooni ja avaldamiseelse testimise ühes terviklikus töövoos. See toetab pilte, videoid, animatsioone, sotsiaalpostitusi ja e-kirju Meta, Google’i, TikToki, LinkedIni ning Redditi jaoks. Katseandmed lähevad otse lähteülesande koostamisse, lahendades kvaliteedilünga, mille eraldiseisvad generaatorid jätavad lahti. POPJAM on loodud GDPR-iga kooskõlas ning kasutab persoonade kalibreerimiseks koondatud signaale, milleks on nõusolek.

Spetsiaalselt agentuuridele mõeldud agentuuride töövoog hõlmab meeskonnafunktsioone ja mitme kliendi kasutuselevõttu.

Piloodi kontrollnimekiri:

  • Minimaalsed andmed: vähemalt 50 ajaloolise katse tulemust koos loovlahenduse taseme tulemustega
  • Ajakava: kaks kuni kolm nädalat andmete impordist esimese reaalse kohanduva katseni
  • Edukriteeriumid: kandidaatide hulga saagis üle 70% ja vähemalt üks haru näitab kolmandaks nädalaks statistiliselt sisukat kasvu

Tehisintellekti rakendamist kogu meeskonnas käsitleb hästi ka Errant Agency praktiline tehisintellekti turunduse juhend.

Peamised järeldused

Kõige usaldusväärsem tee parema reklaamitulemuseni on kaheastmeline võrguvälisest etapist veebikatseteni ulatuv DCO töövoog: ennustava järjestusmudeli juhitud tehisintellektiga genereerimine, millele järgnevad partiidena kohanduvad katsed, mis kinnitavad võitjad päris liikluses.

Punkt Üksikasjad
Võrguväline järjestusmudel suurendab saagist Kasuta ennustavat järjestusmudelit komplekti täitmiseks tugevate kandidaatidega, mitte avaldamisreeglina.
Kohanduvad katsed kinnitavad võitjad Partiidena ümberjaotamine lootustandvatele harudele vähendab kahetsuskaotust võrreldes ühtlase A/B-testimisega.
Sünteetilised persoonad filtreerivad kaotajad ette välja. Kalibreeritud persoonad saavutavad päris inimpaneelidega suure ennustusliku vastavuse ning neile peaks alati järgnema reaalne valideerimine.
Välikatsete kasvud puudutavad jaotuse ülemist otsa Dokumenteeritud kasvud 36,2%, 45,1% ja 46,7% peegeldavad parima loovlahenduse kasu, mitte kampaania keskmist paranemist.
POPJAM ühendab kogu töövoo POPJAM-i platvorm katab genereerimise, persoonasimulatsiooni ja avaldamiseelse testimise ühes kohas.

Aus põhjendus, miks teha seda hoolikalt

Välikatsete arvud on tõepoolest põnevad. Jaotuse ülemise otsa kasvud vahemikus 36–47% pole turundustekst. Need pärinevad eelretsenseeritud töövoouuringust. Kuid on ka selle töövoo versioon, millesse meeskonnad kiirustades sukelduvad ja millest nad peaaegu midagi ei saa. Tavaliselt taandub see ühele veale: võrguvälise järjestusmudeli kohtlemisele avaldamise oraaklina.

Järjestusmudel on kompass, mitte GPS. See kitsendab valikut. See ei ütle, milline loovlahendus võidab sinu konkreetsel turul, sinu kindla sihtrühmaga, just sellel hetkel kampaaniakalendris. Selle vastuse annavad ainult reaalsed andmed. Meeskonnad, kes jätavad kohanduva katse vahele, sest mudel „ütles vastuse juba ära”, sisuliselt avaldavad ja loodavad parimat mõne lisasammuga.

Teine asi, millele vastu vaidleksin, on tung luua võimalikult suur komplekt. Rohkem kandidaate tundub rohkemate võimalustena. Praktikas tähendab kaheteistkümnene komplekt 3000 näitamisega nädalaeelarves 250 näitamist haru kohta, mis pole usaldusväärseks otsuseks ligilähedaseltki piisav signaal. Piiratud liikluse korral ületab puhtalt käitatud tihe neljane komplekt iga kord laialivalguvat kaheteistkümnest komplekti.

Töövoog toimib. Kasuta seda distsiplineeritult.

POPJAM teeb töövoo kättesaadavaks esimesest päevast

Enamik meeskondi teab, et peaks testima rohkem loovlahendusi. Kitsaskoht pole kunagi ambitsioon. See on lõhe hea idee ja testitud, brändiga kooskõlas loovlahenduse vahel, mille saab kindlalt avaldada.

POPJAM täidab selle lünga. Sina tood lähtevarad ja ajaloolised katseandmed. POPJAM genereerib brändiga kooskõlas variandid, laseb need kiire eelfiltrina läbi kalibreeritud sünteetiliste persoonade ja annab järjestatud komplekti, mis on valmis reaalseks testimiseks. Kogu võrguväline etapp, mis varem võttis loovmeeskonnal päevi, toimub tundidega.

POPJAM

Platvorm toetab kõiki peamisi reklaamiformaate ja paigutusi Metas, Google’is, TikTokis, LinkedInis ning Redditis. See on loodud mahtu vajavatele tulemusturundajatele ja mitme kliendiga agentuuridele, kes vajavad juhtimiskorraldust. GDPR-iga kooskõla on sisse ehitatud, et treeningandmed püsiksid korras.

Valmis esimeseks piloodiks? Alusta POPJAM-i tehisintellekti reklaamiloojast ja too kaasa ajaloolised katseandmed. Kahe kuni kolme nädalaga võivad sul olla järjestatud komplekt ja töötav reaalne kohanduv katse.

Kasulikud allikad

Allikas Miks see kasulik on?
ArXiv: tehisintellekti juhitud genereerimine ennustava järjestusmudeli ja kohanduvate katsetega Algupärane uurimus võrguvälisest etapist veebikatseteni ulatuva töövoo kohta; dokumenteerib kolme välikatse kasvud.
Neuroflash: sünteetiliste sihtrühmade juhtumiuuringud Dokumenteerib ROAS-i, CVR-i ja CTR-i kasvu, kui sünteetiline eeltestimine ühendatakse reaalse valideerimisega.
InsightIQ: tehisintellekti reklaamiloovlahenduste testimine e-kaubanduses Praktilised sagedusjuhised, sealhulgas 3-3-3 kärpimisreegel ja iganädalased variantide eesmärgid.
Omniconvert: tehisintellekti reklaamiloovlahenduste generaator Kolmekihiline raamistik platvormide hindamiseks: tootmiskiirus, lähenemise asjakohasus ja kooskõla kliendi eluea väärtusega.
POPJAM: loovautomaatika platvorm Tootedokumentatsioon POPJAM-i ühendatud genereerimise, persoonasimulatsiooni ja testimise töövoo kohta.
POPJAM: genereeriva tehisintellekti turundusjuhend Praktiline rakendusjuhend genereerivate mudelite ühendamiseks katseandmete ja lähteülesannetega.

Korduma kippuvad küsimused

Mis on dünaamiline loovlahenduste optimeerimine selles kontekstis?

Siin tähendab dünaamiline loovlahenduste optimeerimine tehisintellektiga loovlahenduste loomist enne avaldamist, sünteetiliste persoonade simulatsiooni ja kohanduvaid veebikatseid, mitte reklaamiserveris mallide reaalajas kokkupanekut.

Kui palju ajaloolisi andmeid on vaja ennustava järjestusmudeli treenimiseks?

Vähemalt 50 juhuslikustatud katse tulemust koos loovlahenduse taseme tulemustega on praktiline lähtepunkt. Rohkem andmeid annab usaldusväärsema järjestusmudeli.

Kas sünteetilised persoonad võivad asendada reaalset A/B-testimist?

Ei. Kalibreeritud sünteetilised persoonad on eelfilter, mis parandab komplekti kvaliteeti, kuid päris liiklusoludes võitjate kinnitamiseks on vaja kohanduvaid veebikatseid.

Millist kasvu võib sellest töövoost realistlikult oodata?

Välikatsed dokumenteerisid jaotuse ülemise otsa kaasatuse kasvud 45,1%, 46,7% ja 36,2%. Need peegeldavad parima loovlahenduse kasu, mitte garanteeritud keskmist kampaaniaparandust.

Kuidas POPJAM seda töövoogu toetab?

POPJAM katab tehisintellektiga genereerimise, sünteetiliste persoonade simulatsiooni ja avaldamiseelse testimise ühel platvormil, GDPR-iga kooskõlas andmekäitluse ning Meta, Google’i, TikToki, LinkedIni ja Redditi toega.