Budúcnosť mediálneho plánovania poháňaná umelou inteligenciou
Existuje len málo odvetví, kde by bol technologický vývoj tak viditeľný, ako je marketing. V porovnaní s inými odvetviami, ako napríklad zdravotníctvo alebo financie, má menej regulácií, zároveň ale pracuje s veľkými množstvami dát. V konečnom dôsledku je to stále výrazne kreatívny odbor, čo podporuje práve rýchle adopcie nových technológií.
Najnovším buzz-wordom sú syntetické dáta, ktoré sú jednou z mnohých praktických aplikácií umelej inteligencie. Aktuálne sa predpokladá, že do roku 2030 bude AI pracovať z veľkej časti už iba so syntetickými dátami, namiesto reálnych dát.
Čo sú syntetické dáta?
Syntetické dáta podľa definície TechSonar od EDPS (European Data Protection Supervisor) sú umelo vytvorené dáta generované z reálnych záznamov pomocou modelu, ktorý je natrénovaný na reprodukciu charakteristík a štruktúry originálnych dát. To znamená, že syntetické dáta a originálne dáta by mali poskytovať veľmi podobné výsledky pri rovnakej štatistickej analýze. Miera, do akej sú syntetické dáta presnou náhradou originálnych dát, je mierou užitočnosti metódy a modelu.
Proces generovania, nazývaný aj syntéza, sa môže vykonávať pomocou rôznych techník, ako sú rozhodovacie stromy alebo algoritmy hlbokého učenia. Využívajú sa pokročilé metódy strojového učenia GAN (Generative Adversarial Networks). GAN boli zavedené nedávno a bežne sa používajú v oblasti rozpoznávania obrázkov. Spravidla sa skladajú z dvoch neurónových sietí, ktoré sa iteratívne navzájom trénujú.
Ako využiť syntetické dáta?
Využitie syntetických dát so sebou prináša viacero benefitov – rýchlosť výsledkov, dostupnosť, efektivita, anonymita, a mnohé iné. Vo svojej podstate sa jedná extrémnu demokratizáciu dát a insightov z nich vyplývajúcich.
Kde konkrétne vidíme priestor na využitie syntetických dát? U nás v GroupM, ale aj všeobecne v Data-driven marketingu vidíme uplatnenie napríklad v týchto oblastiach:
- Optimalizácia kampaní a lepšia adresnosť reklamy
Syntetické dáta umožňujú simulovať výkon kampaní ešte pred ich spustením. Môžeme modelovať rôzne scenáre, napríklad ako sa bude meniť konverzný pomer pri rôznych rozpočtoch, kanáloch alebo cieľových skupinách. Takéto simulácie šetria čas a peniaze, pretože umožňujú optimalizovať kampane na základe presných predpovedí.
Simulácia sezónnych trendov: AI môže generovať syntetické dáta, ktoré zohľadňujú historické sezónne správanie spotrebiteľov, čo umožňuje lepšie plánovať kampane počas Vianoc alebo letných prázdnin.
V rámci Nexus Media Solutions (pôvodne Xaxis) už viac ako 7 rokov vyvíjame a využívame nástroj Media Optimizations (pôvodne Copilot), ktorý využíva AI na optimalizáciu nákupu programatických kampaní.
- Spotrebiteľské prieskumy
Tradičné prieskumy trhu sú často nákladné, časovo náročné a závislé na dostupnosti respondentov. Syntetické dáta umožňujú simulovať správanie rôznych cieľových skupín na základe historických dát a prediktívnych modelov. Napríklad, ak chce firma analyzovať správanie mladých spotrebiteľov vo veku 18-24 rokov, môže generovať syntetické dáta, ktoré realisticky reprezentujú túto demografickú skupinu. Ďalší zaujímavý príklad zdieľal už pred pár mesiacmi Mark Ritson – Synthetic data suddenly makes very real ripples. Skúste si tipnúť, ktorý graf je z reálneho prieskumu, a ktorý bol generovaný na základe syntetických dát.
- Testovanie kreatív pomocou AI
Pred spustením reklamnej kampane je kľúčové otestovať, ako budú kreatívy rezonovať s cieľovým publikom. V tomto prípade AI modely pomáhajú pri testovaní rôznych variantov reklám. Napríklad AI môže generovať syntetické reakcie na rôzne vizuálne alebo textové prvky reklamy, čo umožňuje identifikovať kreatívy s najväčším potenciálom.
Pre príklad nemusíme chodiť ďaleko – v spolupráci s platformou Neurons už aj my v GroupM, v rámci produktu mPredict testujeme kreatívy, ako doplnok, či úplnú náhradu kreatívnych pre-testov. Výsledkom sú vizualizácie tzv. heatmaps, ktoré následne interpretujeme s ohľadom na ciele kampane.
Aká je budúcnosť syntetických dát v marketingu?
Pri všetkých výhodách, ktoré syntetické dáta ponúkajú, treba mať na mysli, že prinášajú so sebou aj výzvy. Konečné rozhodnutie bude výsledkom súhry človeka a technológie. Preto je z hľadiska užívateľa dát kľúčové si overiť, na akých zdrojoch dát bol daný model trénovaný. Toto nám pomáha odhadnúť, nakoľko budú dáta reprezentatívne pre naše účely a či neobsahujú skreslenia. Zároveň nám to pomáha zhodnotiť riziko, či model nebol trénovaný na nelegálne získaných dátach.
Etika a transparentnosť je vo všeobecnosti samostatnou kapitolou – aké limity by mali byť stanovené pri používaní syntetických dát na ovplyvňovanie spotrebiteľského správania? Ako byť transparentný voči svojim zákazníkom a nestratiť ich dôveru? Ako nestratiť autenticitu? To všetko sú otázky, ktoré bude musieť marketingová komunita adresovať v najbližšom období.
Kde sa dozviete ešte viac?
Odporúčame pohľad na syntetické dáta od nášho kolegu Phila (How to use synthetic data for enhanced ad addressability – Phil Tolliday, GroupM).
Štruktúrovaný pohľad nájdete aj v článku a videu od spoločnosti SAS (What is synthetic data? And how can you use it to fuel AI breakthroughs?).
Ako sa menia spotrebiteľské prieskumy a ako ich ovplyvňuje AI pekne zhrnuli v rozhovore pre Stratégie Ján Hudák (Kantar Slovakia) a Rasťo Kočan (Go4insight) – Prinesie AI prieskumy bez respondentov? Syntetické dáta už dnes nahrádzajú ľudí.
Zdroje: Neuronsinc / edps / Vedátor / Medium / Grandview
