Recomanació publicitària vs

Com de publicitat dirigida és matar motors de recomanació a càrrec seu

Vau estar un minut buscant un regal per a la vostra neboda i a partir de llavors veieu imatges de nines a tot arreu. Sona familiar?
Els serveis publicitaris orientats sovint s’emmarquen com a motors de recomanació per esborrar la desalinització entre els incentius de les empreses i els individus. És tan freqüent que la majoria de la gent consideri que els serveis de recomanació són plataformes d’anuncis disfressats.
Anem a veure com difereix la publicitat orientada d’un motor de recomanacions i què significa per a un usuari: tu.

Intenció de comprar [Tom Fishburne]

Què són les recomanacions i la publicitat orientada?

Primer, què vull dir per recomanació? Aquesta és bastant senzilla: busqueu alguna cosa que convingui al vostre gust personal, digueu música. Feu servir un servei on podeu introduir les vostres preferències, com ara Spotify. Aquest servei suggereix llavors noves cançons que és probable que us agradin, donats els vostres gustos passats. Acabeu de rebre recomanacions.

La recomanació té com a objectiu optimitzar la vostra experiència proporcionant els millors articles segons els vostres gustos personals.

La publicitat dirigida, d’altra banda, implica a tercers. Dir que l’anunciant A ven sabates i l’anunciant B ven paquets de viatges. Cadascun crea la seva campanya publicitària i paga als agents d’anuncis per mostrar-los. L’anunciant A utilitza DoubleClick i l’anunciant B utilitza AppNexus. Visiteu un lloc web que ven espais publicitaris, com el DailyNews. En un dècim de segon, aquests corredors d’anuncis compren l’historial del navegador en un mercat de dades i després ofereixen per decidir quin anunci es mostrarà.
Si DoubleClick paga el màxim, veuràs les sabates fantàstiques. Si AppNexus paga el màxim, veuràs els paquets de viatges exòtics barats i pensarà en les properes vacances.

La publicitat té com a objectiu optimitzar els beneficis de l’anunciant, l’editor i els tercers en funció del vostre historial de navegació.
Recopilació de dades personals [Marketoonist]

Baixem un cop a les femelles i cargols. En termes publicitaris, a un “agent d’anuncis” s’anomena plataforma de costat de la demanda (DSP). Es paga un DSP quan feu clic a l’anunci, per tant, calcula les ofertes per maximitzar la probabilitat de fer clic. La semblança amb la recomanació es produeix quan el DSP utilitza les vostres dades personals, comprades a una plataforma de gestió de dades (DMP).

Els DMP més grans, com Oracle o Salesforce, coneixen molt sobre la vostra edat, els llocs web que visiteu, el vostre historial de cerques, les vostres compres fora de línia o la vostra activitat a les xarxes socials. Utilitzen cookies de seguiment infames per recopilar dades arreu i sincronitzar tots els teus perfils. El DSP utilitza aquestes dades per predir la probabilitat de fer clic. És per això que després de buscar sabates a Google, podreu veure anuncis de sabates entre els vostres articles.

Publicitat en línia tercers [Viquipèdia]

Diferents marcs tècnics

La publicitat orientada difereix significativament de la recomanació per tres motius principals: les dades implicades en aquests plantejaments, la simplificació excessiva dels perfils d’usuaris i les limitacions computacionals.

1. Feedback implícit i explícit

En primer lloc, els sistemes de recomanació són interactius. Podeu ajustar les vostres preferències per modificar el que obteniu. Aquests serveis utilitzen principalment comentaris explícits.
Per contra, els sistemes de publicitat només recullen comentaris implícits, sovint sense demanar permís. El fet de veure una gran quantitat de subministraments per a nadons durant diverses setmanes és frustrant quan només heu comprat un regal al vostre recent amic progenitor. Les dades rebudes per feedback implícit són molt menys informatives que d’un procés interactiu.
Com a expert en música, podríeu recomanar una bona música per a algú després d’una breu conversa sobre música? Segur. Podríeu fer-ho només amb les recents cerques a Google? Jo no faria clic sobre això.

2. Colofonació gruixuda dels perfils d’usuaris

Una segona diferència important prové del nombre de tercers implicats en el procés de licitació en temps real. Atès que els DSP (corredors d’anuncis) i els DMP (plataformes de dades) són negocis diferents, el tractament de les vostres dades es separa substancialment de la recomanació en temps real. El DMP no sap quines són les campanyes publicitàries actuals quan comprimeix els seus nombrosos punts de dades en esquemes informatius. Aquest procés té com a resultat una segmentació simplificada de sobresortiment dels perfils d'usuaris en categories gruixudes predefinides. Et sentiria entès si hagués d’estereotipar els teus gustos només escollint alguns dels següents 44 trets?

Els 44 segments d'usuari del conjunt de dades iPinYou [sic]

Per a un DMP, sovint és més rendible acumular milers de milions de usuaris en comptes de gastar temps i diners recollint preferències gustatives en profunditat per a poques persones. Un DMP us pot etiquetar com a "home de 30 anys que busca sabates", però no saben quin tipus de sabates preferiu ni si el vostre amic va utilitzar el vostre ordinador per a aquesta cerca.

3. Capacitat computacional

El tercer contrast tècnic que vull remarcar és la limitació de temps extremadament curta que els DSPs ofereixen per fer ofertes en un espai publicitari: sovint inferior a 100 ms. Això fa que s’utilitzin algoritmes absolutament ingents en comparació amb el que poden permetre els sistemes de recomanació. Un algorisme de predicció per a ofertes en temps real (RTB) normalment seleccionarà un subconjunt escàs de 30 a 40 característiques on un algorisme de recomanació usaria representacions denses amb desenes de milions de paràmetres.

Combinat amb la simplificació explicada anteriorment, és evident que els motors de recomanació habituals tenen ordres de magnitud computacional de magnitud més grans que les de RTB.

El joc d’oferta en temps real [AdExchanger]

Què significa per a un usuari

Ara que hem exposat les diferències claus, vegem com afecta la seva experiència als usuaris. A causa de les limitacions tècniques anteriors, els anuncis estan lluny d’adaptar-se al gust dels usuaris. L’estadística perfecta per demostrar aquest fet és que el nombre mitjà de vegades que es fa clic en un anunci és inferior a 1/1000. De la mateixa manera, el nombre mitjà de conversions (per exemple, compra, descàrrega) és inferior a 1 / 20.000. Un motor de recomanació amb només una bona endevina que sempre va tenir 20.000 suposicions al matí.

Com que paguen els clics, els anunciants en línia utilitzen mètodes coneguts per cridar l’atenció d’usuaris no interessats: animacions intermitents, alt contrast visual i efectes de so. Evidentment, això perjudica l’experiència en línia i explica per què les persones s’afanyen al programari de bloqueig d’anuncis. eMarketer espera que el 30% dels usuaris d’internet n’utilitzin un el 2018.

Nombre de dispositius que utilitzen programari de blocs d’anuncis [PageFair]

El propi sistema d'ofertes té un impacte en l'experiència. L’anunci seleccionat acaba sent el del DSP que més paga. El que l'usuari veu no només és irrellevant, sinó també fortament esbiaixat cap a les empreses benestants. Les bandes indie o els fabricants de cinema mai es promocionaran quan competeixen amb grans indústries, encara que siguin les millors.

En casos extrems, els usuaris no veuen res sense haver pagat una campanya publicitària cara. Els espais publicitaris no són un lloc per suggerir a la gent que visiti aquest parc ocult que els seus veïns us deien, o el petit museu públic que vau descobrir dos anys després de passar cada dia. Per contra, un bon motor de recomanacions, no impulsat per beneficis, els recolliria si funciona per a vosaltres. Especialment articles i activitats gratuïtes.

Reconstruïm la confiança en els motors de recomanació

Quan la confiança es fa malbé, la relació canvia per sempre. Fer mal a l’experiència en línia ens fa ser cada cop més sospitosos sobre els suggeriments algorítmics que rebem. Un autèntic motor de recomanacions només ha d’estar preocupat per tu, per a l’individu, i treballar per als teus millors interessos. No confiaria en les recomanacions d’una plataforma que ofereix productes patrocinats o, pitjor, que vengués les meves dades personals a agències de tercers.

Imagineu-vos dos futurs: un en què les publicitats guanyen i les finestres emergents s’emeten directament als vostres nervis òptics; el segon, on la IA és aquí per ajudar-vos a descobrir coses que us encanten. Quin futur voleu formar part de la construcció?
És per això que a Crossing Minds creem hai, un motor de recomanació interactiu per a mitjans i entreteniment, lliure de biaix. Podeu registrar-vos aquí per provar la versió alfa: milions de paràmetres, entrenats per vosaltres mateixos, per obtenir el vostre benefici.