Data Science & Künstliche Intelligenz im digitalen Publishing
Es wurde gesagt, dass Marketer alles ruinieren. So weit würde ich sicherlich nicht gehen, bin aber bereit zuzugeben, dass es modernen Marketern sicherlich schwer fallen kann, differenzierte Themen wie künstliche Intelligenz und Data Science vollständig zu verstehen. Digitale Publisher beginnen nun zu erkennen, wie unübersichtlich diese Angelegenheit geworden ist…
Mein guter Freund John Cole war kürzlich auf einem AdMonsters-Panel mit Google und diskutierte über das Wachstum von Data Science und das Aufkommen von künstlicher Intelligenz im digitalen Publishing-Bereich. Das Gespräch wurde recht interessant, als sie wirklich anfingen zu definieren, was diese Begriffe tatsächlich bedeuten (im Gegensatz zu dem, was Marketer Ihnen sagen, was sie bedeuten).
Im Folgenden werde ich ein paar Dinge ansprechen, die während des Panels zur Sprache kamen, da sie interessant waren und einige der Probleme aufzeigen, mit denen viele digitale Publisher meiner Meinung nach zu kämpfen haben. Ich werde auch einige Beispiele aufzeigen, wie diese Technologien und Konzepte auf moderne digitale Publishing-Abläufe angewendet werden können.
Was ist künstliche Intelligenz und maschinelles Lernen?
Ich werde versuchen, dies auf hohem Niveau und im Kontext der Welt des digitalen Publishings zu halten; andernfalls befürchte ich, dass dieses Thema ziemlich schnell unübersichtlich werden könnte.
Künstliche Intelligenz ist eine Untergruppe des maschinellen Lernens. Maschinelles Lernen ist das übergreifende Konzept eines Computers, der gezielt eine Art von Daten aufnimmt und im Laufe der Zeit aus diesen speziellen Daten lernt (in vielen Fällen so, dass Entscheidungen automatisiert werden können). Künstliche Intelligenz ist ein Teilbereich, der diese Daten nimmt und auf die Art und Weise “lernt”, wie es ein menschliches Gehirn tut; es ahmt das Verhalten von Neuronen und dergleichen nach.
Was bedeutet das nun für das digitale Publishing? Erinnern Sie sich an die lästigen Marketer, von denen ich vorhin sprach? Eines der wirklich interessanten Dinge, die im AdMonsters-Panel zur Sprache kamen, war die Fülle an Technologien und Dienstleistungen, die derzeit an digitale Publisher vermarktet werden und die Begriffe “KI” oder “maschinelles Lernen” verwenden, die eigentlich keine korrekten Anwendungen dieser Begriffe sind.
In vielen Fällen entscheiden sich Marketer dafür, algorithmusgesteuerte Technologien als “K.I.” oder “maschinelles Lernen” zu bezeichnen. Obwohl der Unterschied gering erscheinen mag, sind sie tatsächlich sehr unterschiedlich.
Was ist der Unterschied zu digitalen Publishern?
In vielen Fällen werden diese Begriffe am meisten verdreht, wenn es um Dinge wie Ad Targeting, Ad Testing und verschiedene andere Formen von Ad Operations und Data Science geht. Zu erkennen, wo maschinelles Lernen und KI in diesen Bereichen tatsächlich existieren, könnte einen großen Unterschied machen, wenn Publisher zukünftige Strategien definieren.
Der Hauptunterschied zwischen maschinellem Lernen (so etwas wie automatisiertes multivariates Testen) & algorithmischer Optimierung (A-B-Tests) ist dieser: Bei der algorithmischen Optimierung muss ein Mensch nicht nur entscheiden, welche Faktoren in die Berechnung einfließen, sondern auch eine Reihe von “Wenn-dann”-Regeln fest programmieren, die bestimmen, wie die Entscheidungen getroffen werden. Sie sind verschlossen.
Mit anderen Worten: Algorithmische Optimierung bedeutet, dass die Regeln für die Maschine geschrieben werden, und beim maschinellen Lernen ist es genau umgekehrt – die Maschine schreibt die Regeln.
Künstliche Intelligenz in die Praxis umsetzen
Nehmen wir an, wir möchten wissen, ob die CTR mit dem geografischen Standort zusammenhängt (so dass wir möglicherweise unsere Gebotsmengen nach dem geografischen Standort anpassen können). Bei der algorithmischen Optimierung betrachten wir nur wenige Faktoren – die Position, die geografische Lage, die historische CTR, das Gerät, die vorgeschaltete Traffic-Quelle und so weiter.
Wir könnten ein Programm schreiben, um den wahrscheinlichen Wert einer Anzeige im Laufe der Zeit statistisch vorherzusagen (aus CTR/CPC/eCPM) und Umsatzverbesserungen aus den bereinigten Floor-Änderungen darzustellen; aber der Hauptfehler bei dieser Art von Berechnung ist, dass wahrscheinlich Faktoren fehlen, die für das Gesamtziel (in diesem Fall Umsatz) entscheidend sind, aber weil unser (von uns geschriebener) Algorithmus auf das beschränkt ist, was wir für wichtig gehalten haben.
Algorithmus-getriebene Ansätze für diese Strategie würden eine Menge wertvoller Möglichkeiten verpassen. Zum Beispiel der Verdünnungseffekt anderer Anzeigen auf der Seite – ihre eigenen Preisprofile und ihre Auswirkung auf nachfolgende Seiten / nachfolgende Anzeigenwerte (d. h. – sollte diese Anzeige auf Tablet-Geräten überhaupt für diesen Nutzer da sein, wenn wir Dinge wie die Dauer der engagierten Session und die Einnahmen als Ergebnis erhöhen wollen?)
Maschinelles Lernen nimmt alle Signale eines Nutzers auf und gewichtet sie für den Publisher, indem es seine eigenen Algorithmen/Berechnungen trainiert, die sich dann im Laufe der Zeit anpassen. Dies ist der Hauptunterschied zwischen den Arten von zusammengesetzten Ergebnissen, die Sie von K.I. im Vergleich zu algorithmisch getriebenen Lösungen erhalten können.
Dies ist letztlich ein ausgefeilterer und individuellerer Ansatz, um diese Herausforderungen zu lösen. Manchen Publishern mag das alles gleich erscheinen, aber da sich der Markt rasant entwickelt, steigt der Ruf nach individuellen Nutzererlebnissen, und das ist etwas, was nur K.I. tatsächlich bieten kann.
Ein Datenwissenschaftler aus der Branche erklärte dies kürzlich auf einer Veranstaltung von MediaTel zusammen mit The Guardian, Financial Times und Hearst Media. Sie können sich unten einen Ausschnitt aus diesem Video ansehen.
Warum das Testen die größte Anwendung von K.I. für Publisher sein könnte
Mark Zuckerberg gab bekannt, dass es zu jedem Zeitpunkt 10.000 Versionen von Facebook live gibt. Hier ist das komplette Zitat:
“Zu jedem beliebigen Zeitpunkt gibt es nicht nur eine Version von Facebook, sondern wahrscheinlich 10.000. Jeder Ingenieur in der Firma kann grundsätzlich entscheiden, dass er etwas testen möchte. Es gibt einige Regeln für sensible Dinge, aber im Allgemeinen kann ein Ingenieur etwas testen… Und dann bekommen sie einen Überblick darüber, wie sich das auf die verschiedenen Metriken und Dinge, die uns wichtig sind, ausgewirkt hat. Wie haben sich die Leute verbunden? Wie haben die Leute geteilt? Haben die Leute mehr Freunde in dieser Version? Natürlich auch Geschäftsmetriken, wie z. B. die Kosten für die Effizienz des Dienstes, wie viel Einnahmen machen wir?” – Reid Hoffman im Interview mit Mark Zuckerberg – “Perfect is Imperfect” – Masters of Scale Podcast
Ich denke, das ist ein gutes Zeichen dafür, dass sich der Test-Ethos ausweitet. Google sagte auch auf dem AdMonsters-Panel, dass ihr Suchalgorithmus (für die Suchergebnisse) jetzt weitgehend von A.I. und nicht von einzelnen Updates gesteuert wird (z.B. sind die Tage eines großen Updates – z.B. Panda – vorbei).
Dieses Zitat bringt auch etwas Offensichtliches zum Vorschein. Die meisten digitalen Publisher, selbst die intelligentesten, führen nicht die Art von Tests durch, die Plattformen wie Facebook und Google durchführen. Dies ist eine der größten ungenutzten Möglichkeiten für die meisten Publisher; denn Tests, die sich auf das Nutzererlebnis auswirken, haben mehr Potenzial als so ziemlich jede andere Strategie, um Nutzererlebnisse und Einnahmen zu steigern.
Wo passt Data Science in all das hinein?
Eine Definition von Data Science, die ich kürzlich von einem digitalen Publisher gehört habe, war die beste, die ich je gehört habe. Sie sagten, dass Data Science eine Kombination aus Statistik, wissenschaftlicher Methode und Informatik ist – eine Mischung, die in der Lage ist, intelligente Vorhersagen anhand von Daten zu treffen, um das gewünschte Ergebnis zu maximieren.
Im Zuge der Entwicklung des digitalen Publishings werden sich immer mehr Unternehmen Data Science zuwenden, da es eine offensichtliche Verbindung zu Technologien wie echter KI darstellt. Ich denke, das führt zu mehr personalisierten Nutzererlebnissen, mehr Tests und mehr datengesteuerten Entscheidungen, die sich nicht auf Dinge wie Umfragen, Nutzerfeedback und persönliche Vorlieben verlassen (da Publisher wissen, dass diese Dinge nicht immer erfolgreich sind).
Letztendlich können sich diese Veränderungen für digitale Publisher einschüchternd – und offen gesagt unglaubwürdig – anfühlen; wenn man jedoch weiß, was diese Technologien wirklich leisten können und welche Probleme sie lösen können, wird sich dies für digitale Publisher letztendlich als sehr hilfreich erweisen.
Was denken Sie?