Google Cloud Ad Tech Seminar
當廣告遇上科技

文/Lydia|編輯/Quen

Google Cloud Ad Tech Seminar
當廣告遇上科技

文/Lydia|編輯/Quen

  CloudMile Google Taiwan 在台北101 77樓共同舉辦了一場「Ad Tech」的分享講座。所謂Ad Tech就如同金融科技 FinTech,指的是advertisingtechnology 的結合,在雲端越來越普及的趨勢之下,將會有越來越多產業和科技日益緊密

  這次的活動邀請到Google Cloud Customer Engineer Lead, Harry (上圖右)CloudMile 的技術總監 Jonathon(上圖左),來為大家介紹 Google Cloud 在廣告產業上可以提供什麼樣的有效幫助,在分享應用趨勢之外,也透過實際案例詳細的說明關於機器學習、大數據分析如何轉換成有價值的資訊。

Google Cloud是廣告商的最佳夥伴

收集資料便是做出好廣告的第一要事

  Harry 的講座在一開始便開宗明義的點出,對於廣告行銷而言,有效的價值來自於「資料量(data)」和「洞察的眼光(value)」,但同時我們也明白有效可用的資料其實並不那麼容易取得,目前一般可見的資料都太過分散,或是常常碰觸到個資問題,因此,收集資料便是做出好廣告的第一要事。

 

Ad Tech 要討論的為「是否真的了解客戶

  那麼,在有了大量的資料之後,同樣重要的下一步在於,這些資料是否有被妥善使用、發揮它應有的價值。舉例而言,面對同樣一份使用者的行為資料庫,不同的分析手段會得出完全不同的結論,也許是知道「什麼樣的產品會達到相對比較高的收益」,然後一般結論就是針對該產品加強行銷,但也許我們有機會可以更進一步做出更完整的洞察:「選擇該產品的用戶都是落在什麼樣的年齡層、消費習慣為何」,也就是嘗試去優化廣告的投放。廣告科技要討論的就是 Marketer 是否真的了解客戶,我們用了多少的有效資料在廣告上

Google Analytics and BigQuery

  Harry 向大家介紹一款由 Google 所提供的網站流量統計服務「Google 分析(Google Analytics, 簡稱 GA,透過 GA 行銷者可以知道在網頁上使用者的行為資料,而第一手資料只要再透過進一步分析整合,就能夠做出有效的理解,而 BigQuery 便是可以完成這件事情的重要角色。

 

全方位管理的企業資料倉儲系統 BigQuery  

        BigQuery 是Google的企業雲端資料儲存倉庫,可以用來處理大量的數據分析工作,因本身沒有伺服器和可管理的基礎架構,所以也不需要資料庫管理員,使用者可以直接透過 SQL 去分析需要的資料。其匯入資料可以從 GA、Google Cloud Storage 或 Google Cloud Datastore 等即時載入,儲存和運算分開的同時,讓使用者更好做到資源的配置,同時價位的計算也相對彈性,是安心又便利的大數據分析利器。

「Insight 1 2 3」將資料分析成視覺化表單

        Harry 提出一套「Insight 1 2 3」,透過 BigQuery 我們可以按照三個步驟完成洞悉資料的前置作業:第一步就是「收集資料」,上一段提到 BigQuery 的資料不需要自己管理,我們要做的是下一步的「data cleaning 」以及最後的「analyze and visualize」,選擇自己要的資料並將其淨化,分析成可以很直觀讀取的視覺化表單。

GCP data Lifecycle 的每個環節中都能夠提供幫助

        Harry 強調 Google 在 data life cycle 的每個環節中都能夠提供幫助,並以Snapchat的案例說明 GCP 帶來的效益,Snapchat 是一家app 廠商,可以讓用戶在線上分享照片或影片,加上一些文字和圖畫發佈到自己的好友群中,每日的流量在美國僅次於 Youtube,大量的訊息都在GCP上良好的運行,並且 Snapchat 將基礎建設交由Google去做,因此公司的核心員工可以十分的精簡,更能專注在產品或是新功能的開發。

Data Lifecycle:capture→process→store→analyze→use

日益強大的機器學習

  CloudMile 的技術總監 Jonathon 是機器學習的專家,他先和我們說明一般常被搞混的人工智慧、機器學習以及深度學習三者的區別,深度學習是機器學習的其中一個分支,而機器學習是人工智慧的一個分支。

  • 人工智慧(Artificial Intelligence, AI)
    希望藉由新興計算機構建具備等同於人類智力特徵的複雜機器,擁有人類的所有甚至可能更多的感覺和理智,並且像人類一樣思考。目前尚未有如此完美高等的技術出現,便出現了「狹義人工智慧(Narrow AI)」的概念,是指在處理特殊任務的時候能夠有和人類一樣好的技術表現。例如, Youtube 上的影像檢測與 Facebook 的人臉辨識等。
  • 機器學習(Machine Learning, ML)
    早期的人工智慧在沒有數據以及運算資源有限的情況下,根本無法回答人類無法回答的問題甚至無法做到預測。隨著硬體效能上升便伸出了機器學習。機器學習是一門涵蓋電腦科學( Computer Science )、統計學等多方領域的學問,意思是讓機器自行從資料中學習技能,進而預測出我們要的答案。
  • 深度學習(Deep Learning)
    初期的機器學習,需要人工的方式從數據中做特徵擷取,而深度學習的宗旨就是讓機器自行從大量的資料中找出決定性的特徵,為近年來捧紅機器學習的明日之星,而在廣告的應用上的機器學習指的通常是深度學習的部分,

「訓練」以及「預測」

        當我們可以預測使用者的行為,就能夠將機器學習做各種面向的運用,像是防止詐騙或是洗錢,當然也能應用在向消費者推薦商品及文章,做出最有效益的廣告投放。機器學習的流程主要分為兩個階段:「訓練」以及「預測」,例如我們想要做一個預測 Target Audience 是否會點擊廣告的模型,於是我們會將事先準備好的資料餵進去,也許是曾經點擊過相關廣告的消費者,透過機器學習的訓練後就可以找出會點擊廣告的消費者有什麼樣的特徵,得到一個有用的模型,當未來有新的消費者出現時,這個模型便可以用相關特徵來做出預測,並合理的下廣告。

一個好廣告的核心概念

資料分析的四大階段。圖/哈佛商業評論

  Jonathon 引用資訊科技研究及顧問機構 顧能(Gartner)所提出資料分析的四大階段,分別是慢慢演進的「描述型分析」→「診斷型分析」→「預測型分析」→「指示型分析」。過去傳統的資料分析大多著重在具體發生了什麼的描述型、或是為什麼發生的診斷型分析,而機器學習要做的就是提高資料分析的價值,去預測同樣的狀況在未來會不會發生,並且試圖去掌控這樣優勢,去明白如何讓這樣的消費再次發生,也就是將邏輯擺在前面,去提高廣告轉換率。

 

在對的時間,將對的廣告投遞給對的受眾

  店商需要做消費者分析,金融業更是需要準確的機器學習,而廣告業的核心概念應該是「如何在對的時間,將對的廣告投遞給對的受眾」,放遠點看,整個廣告投放的流程有受眾分析,策略制定,廣告投放,以及優化提升和效果評估。這五個環節皆可以依靠機器學習的技術,並且將這整個流程自動化、最佳化。

精準還要更精準

利用機器學習做到「個人化」的分析

  每個曝光都需要一定的成本,若一則廣告投錯了對象就有被直接無視的可能,因此如何能不浪費成本的行銷是廣告的最大課題。機器學習可以做到「個人化」的分析,所謂的個人化就是透過資料收集與分析,盡可能地擷取出目標的特徵(年紀、興趣、職業、性別、正在使用的裝置等等),或是甚至透過機器學習去了解使用者的心理,例如瀏覽習慣的改變,也許是有特殊例如送禮的購物需求。

有效數據拒絕「Garbage in Garbage out」

  「推薦引擎」也是可以透過機器學習來完成的工作,在有足夠資料量的前提下,就能夠以相似屬性的目標做出推薦。但我們知道「 Garbage in Garbage out 」是資料分析中常見的問題,一如文章一開始Harry所強調的,在機器之外我們需要做的就是將數字理解成有效數據,才能滿足機器學習的大數據前提。

只要有最佳化,或預測的需求,就有機會利用機器學習達到最好的成果。

− Jonathon

  根據國外的數據統計,百分之86的消費者證實個人化行銷會影響他們的消費決策,百分之75的消費者因為品牌有做個人化行銷,優化消費者體驗而對該品牌產生正面印象,再次說明了廣告優化的重要性。

CloudMile

成立於 2016 年,致力於 B2B 雲端與人工智慧應用,為客戶建立國際級雲端架構,並以機器學習及大數據分析技術為核心,協助企業進行商業預測與產業升級。

Website: https://www.mile.cloud/
Facebook: https://www.facebook.com/CloudMileFans/
Linkedin: https://www.linkedin.com/company/cloudmile/
Youtube: https://www.youtube.com/c/CloudMile
Contact Us: service@mile.cloud