من السهل ملاحظة جاذبية شراء الإعلانات الآلية ذات الخدمة الذاتية self-service programmatic ad. بدلاً من الشفافية المحدودة في التسعير والموضع، يمكن للمعلنين توجيه بالضبط أين يذهب إنفاق حملتهم والمبلغ الذي يدفعونه مقابل كل ظهور. ومع ذلك، كما اكتشف العديد من المتداولين للأسف، تأتي هذه الحرية مع تكاليف باهظة. لا يتطلب الأمر فقط الكثير من الوقت والطاقة لتحسين الأداء بشكل فعال، بل إنه أيضًا من الصعب للغاية تحقيق نتائج متسقة بالمقياس اللازم. من خلال التعلم العميق deep learning تحت تصرفهم، يمكن للمعلنين تجنب هذا العبء الذي لا نهاية له من العمل الشاق وغير الناجح، وبدلاً من ذلك الاعتماد على خوارزمية الذكاء الاصطناعي AI algorithm التي يتم تقديمها من خلال عمليات تكامل مثل الأسواق الخاصة الديناميكية dynamic Private Marketplaces (التي تسمى بخلاف ذلك DealIDs أو PMPs)، والتي ستعمل تلقائيًا على تحسين مشتريات الوسائط لتعظيمها أداء.
في الوقت الحالي، يبدو أن هناك تقسيمًا متساويًا إلى حد ما بين عدد العلامات التجارية والوكالات التي تعتمد على الخدمات المدارة وتلك التي تفضل الخدمة الذاتية. وجدت دراسة استقصائية أجريت مؤخرًا بواسطة Advertiser Perceptions أن 56% يستخدمون خدمة مُدارة من نوع ما، بينما قال 46% إنهم يستخدمون الخدمة الذاتية. في الوقت نفسه، أفاد 52% من المشترين عن نية زيادة إنفاقهم على الخدمة الذاتية هذا العام، في حين أن 17% فقط يعتزمون زيادة إنفاقهم على الخدمات المدارة. وجد الاستطلاع نفسه أن مكتب التجارة Trade Desk وأمازون للإعلانات Amazon Advertising وياهو !Yahoo أصبحت كل منها منصات خدمة ذاتية ذات أغلبية في العام الماضي، مما يدل على الرغبة المنتشرة في مزيد من الشفافية في البرامج، لا سيما فيما يتعلق بالرسوم.
ومع ذلك، على الرغم من كل التفاؤل المحيط بالخدمة الذاتية، إلا أنها لا تحل العديد من التحديات في الإعلان عن الأداء. على سبيل المثال، تتطلب الخدمة الذاتية مجموعة كبيرة من المتداولين من أجل إدارة العمليات اليومية بفعالية. مع ورود معلومات جديدة حول ظروف السوق، وتفضيلات المستهلكين، والاتجاهات، وما إلى ذلك، يجب أن يكون المتداولون قادرين على تجميع هذه المعلومات بسرعة من أجل تنفيذ الحملات بكفاءة ودقة. ومع ذلك، فإن البشر ليسوا روبوتات- نحن بحاجة إلى وقت لفحص المعلومات وتحليل الأنماط ذات الصلة قبل أن نتمكن من تصميم استراتيجية فعالة. نظرًا لضيق المواعيد النهائية التي تعمل بموجبها العديد من فرق التسويق، لا توجد طريقة حقيقية للمسوقين لإنتاج حملات مُحسَّنة تمامًا باستمرار، مما يؤدي إلى إهدار الإنفاق على المدى الطويل. من النادر أيضًا أن يكون لدى فريق التداول عدد كافٍ من المتداولين لتغطية جميع حملات عملائهم بفعالية. عادةً ما يضطرون إلى قضاء معظم وقتهم مع اثنين أو ثلاثة من أهم عملائهم، بينما يحصل الآخرون على وقت وجهد أقل.
هذا النظام من التجربة والخطأ الثابت وغير القابل للتطوير يجعل من الصعب للغاية تشغيله على نطاق واسع. تبدأ الكثير من التكتيكات بقوة ولكنها تتلاشى بسرعة، مما يترك المسوقين يتدافعون لتجميع الأفكار الجديدة معًا أثناء محاولتهم تحسين حملاتهم يدويًا. يعمل هذا فقط على جعل برامج الخدمة الذاتية مملة وغير فعالة أكثر مما يجب أن تكون - ويجعل من الصعب على جهات التسويق تحقيق نجاح طويل المدى.
وفقًا لـ Advertiser Perceptions، السبب الأول الذي قدمه معظم المعلنين الذين ينتقلون إلى الخدمة الذاتية هو "الرغبة في إبراز الرسوم الآلية". يشير أكثر من نصف المعلنين (56%) إلى تحسين الرسوم كأساس منطقي أساسي لإجراء الانتقال- وهو أمر مفهوم، نظرًا للضغط الذي أحدثه الوباء على ميزانيات التسويق. إذا كان المعلنون غير قادرين على تحسين إنفاقهم بشكل فعال، فإن التبديل إلى الخدمة الذاتية اليدوية قد لا يؤدي إلى توفير التكاليف الذي يأملونه.
الخدمة الذاتية موجودة لتبقى، لكن أزمة الوقت وصعوبة إيجاد تكتيكات قابلة للتطوير تعد عاملاً مقيدًا كبيرًا للنجاح. يجب أن يبحث معلنو الخدمة الذاتية عن حلول تعالج هذه المشكلات. الحلول التي ستؤدي العمل الشاق المتمثل في التحسين لهم، وتحريرهم بدلاً من ذلك لتتمكن من تغطية جميع حملاتهم بالتساوي، والتركيز على الإستراتيجية والاهتمامات طويلة المدى. على وجه الخصوص، استخدمت العلامات التجارية مثل DoorDash أشكالًا مختلفة من التعلم الآلي، مثل التعلم العميق، للتأكد من قدرتها على تحسين الإنفاق الإعلاني على نطاق واسع.
يعد التعلم العميق أداة قيمة بسبب قدراته التنبؤية ذاتية التطور والتعلم. على سبيل المثال، إذا كنت ستقوم بتدريب خوارزمية التعلم العميق على بيانات العملاء، فستكون قادرة على تحديد الخصائص الرئيسية للمستهلك المستهدف واستخدام هذه المعلومات لعمل تنبؤات حول كيفية استجابة العملاء المحتملين الجدد لإعلانك. يمكّن هذا الخوارزمية من تجنب الإعلان للأشخاص الذين من غير المرجح أن يغيروا دينهم، مع التركيز على أولئك الذين يغيرون حياتهم. والأفضل من ذلك كله، أنه يقوم بذلك تلقائيًا وفي الوقت الفعلي، وسوف يعدل توقعاته لأنه يتعلم المزيد عن جمهورك وكيف يستجيبون.
هذه الخوارزميات متطورة وقوية بما يكفي لتقييم كل فرصة شراء وسائط على حدة - مما يعني أنه بدلاً من وضع قواعد تعسفية حول من يجب استهدافه، ستقرر الخوارزمية نفسها من يستحق الاستثمار ومن يجب تجنبه. ونتيجة لذلك، يتيح ذلك إجراء تحليل منفصل ومخصص للحملة حتى أثناء استمرار الحملة بحيث يتم وضع ظروف السوق في الوقت الفعلي وسلوكيات المستهلك في الاعتبار باستمرار.
من الصعب، إن لم يكن من المستحيل، إتقان إعلانات الخدمة الذاتية اليدوية على المدى الطويل وعلى نطاق واسع. يتطلب الأمر مراعاة العديد من العناصر المختلفة التي يمكن أن تتغير في أي لحظة ، مع تجاهل تعقيدات السلوك البشري. باستخدام خوارزميات التعلم العميق ، يمكن إعفاء معلني الخدمة الذاتية من الضغط الذي لا ينتهي لتحسين الأداء ، وبدلاً من ذلك يعتمدون على تقنيات مثل PMPs الديناميكية المدعومة بالذكاء الاصطناعي والتي ستعمل على تحسين الحملات باستمرار ومنحهم أخيرًا الوقت لإدارة كل ما لديهم بشكل فعال الحملات.
في الوقت الحالي، يبدو أن هناك تقسيمًا متساويًا إلى حد ما بين عدد العلامات التجارية والوكالات التي تعتمد على الخدمات المدارة وتلك التي تفضل الخدمة الذاتية. وجدت دراسة استقصائية أجريت مؤخرًا بواسطة Advertiser Perceptions أن 56% يستخدمون خدمة مُدارة من نوع ما، بينما قال 46% إنهم يستخدمون الخدمة الذاتية. في الوقت نفسه، أفاد 52% من المشترين عن نية زيادة إنفاقهم على الخدمة الذاتية هذا العام، في حين أن 17% فقط يعتزمون زيادة إنفاقهم على الخدمات المدارة. وجد الاستطلاع نفسه أن مكتب التجارة Trade Desk وأمازون للإعلانات Amazon Advertising وياهو !Yahoo أصبحت كل منها منصات خدمة ذاتية ذات أغلبية في العام الماضي، مما يدل على الرغبة المنتشرة في مزيد من الشفافية في البرامج، لا سيما فيما يتعلق بالرسوم.
ومع ذلك، على الرغم من كل التفاؤل المحيط بالخدمة الذاتية، إلا أنها لا تحل العديد من التحديات في الإعلان عن الأداء. على سبيل المثال، تتطلب الخدمة الذاتية مجموعة كبيرة من المتداولين من أجل إدارة العمليات اليومية بفعالية. مع ورود معلومات جديدة حول ظروف السوق، وتفضيلات المستهلكين، والاتجاهات، وما إلى ذلك، يجب أن يكون المتداولون قادرين على تجميع هذه المعلومات بسرعة من أجل تنفيذ الحملات بكفاءة ودقة. ومع ذلك، فإن البشر ليسوا روبوتات- نحن بحاجة إلى وقت لفحص المعلومات وتحليل الأنماط ذات الصلة قبل أن نتمكن من تصميم استراتيجية فعالة. نظرًا لضيق المواعيد النهائية التي تعمل بموجبها العديد من فرق التسويق، لا توجد طريقة حقيقية للمسوقين لإنتاج حملات مُحسَّنة تمامًا باستمرار، مما يؤدي إلى إهدار الإنفاق على المدى الطويل. من النادر أيضًا أن يكون لدى فريق التداول عدد كافٍ من المتداولين لتغطية جميع حملات عملائهم بفعالية. عادةً ما يضطرون إلى قضاء معظم وقتهم مع اثنين أو ثلاثة من أهم عملائهم، بينما يحصل الآخرون على وقت وجهد أقل.
هذا النظام من التجربة والخطأ الثابت وغير القابل للتطوير يجعل من الصعب للغاية تشغيله على نطاق واسع. تبدأ الكثير من التكتيكات بقوة ولكنها تتلاشى بسرعة، مما يترك المسوقين يتدافعون لتجميع الأفكار الجديدة معًا أثناء محاولتهم تحسين حملاتهم يدويًا. يعمل هذا فقط على جعل برامج الخدمة الذاتية مملة وغير فعالة أكثر مما يجب أن تكون - ويجعل من الصعب على جهات التسويق تحقيق نجاح طويل المدى.
وفقًا لـ Advertiser Perceptions، السبب الأول الذي قدمه معظم المعلنين الذين ينتقلون إلى الخدمة الذاتية هو "الرغبة في إبراز الرسوم الآلية". يشير أكثر من نصف المعلنين (56%) إلى تحسين الرسوم كأساس منطقي أساسي لإجراء الانتقال- وهو أمر مفهوم، نظرًا للضغط الذي أحدثه الوباء على ميزانيات التسويق. إذا كان المعلنون غير قادرين على تحسين إنفاقهم بشكل فعال، فإن التبديل إلى الخدمة الذاتية اليدوية قد لا يؤدي إلى توفير التكاليف الذي يأملونه.
الخدمة الذاتية موجودة لتبقى، لكن أزمة الوقت وصعوبة إيجاد تكتيكات قابلة للتطوير تعد عاملاً مقيدًا كبيرًا للنجاح. يجب أن يبحث معلنو الخدمة الذاتية عن حلول تعالج هذه المشكلات. الحلول التي ستؤدي العمل الشاق المتمثل في التحسين لهم، وتحريرهم بدلاً من ذلك لتتمكن من تغطية جميع حملاتهم بالتساوي، والتركيز على الإستراتيجية والاهتمامات طويلة المدى. على وجه الخصوص، استخدمت العلامات التجارية مثل DoorDash أشكالًا مختلفة من التعلم الآلي، مثل التعلم العميق، للتأكد من قدرتها على تحسين الإنفاق الإعلاني على نطاق واسع.
يعد التعلم العميق أداة قيمة بسبب قدراته التنبؤية ذاتية التطور والتعلم. على سبيل المثال، إذا كنت ستقوم بتدريب خوارزمية التعلم العميق على بيانات العملاء، فستكون قادرة على تحديد الخصائص الرئيسية للمستهلك المستهدف واستخدام هذه المعلومات لعمل تنبؤات حول كيفية استجابة العملاء المحتملين الجدد لإعلانك. يمكّن هذا الخوارزمية من تجنب الإعلان للأشخاص الذين من غير المرجح أن يغيروا دينهم، مع التركيز على أولئك الذين يغيرون حياتهم. والأفضل من ذلك كله، أنه يقوم بذلك تلقائيًا وفي الوقت الفعلي، وسوف يعدل توقعاته لأنه يتعلم المزيد عن جمهورك وكيف يستجيبون.
هذه الخوارزميات متطورة وقوية بما يكفي لتقييم كل فرصة شراء وسائط على حدة - مما يعني أنه بدلاً من وضع قواعد تعسفية حول من يجب استهدافه، ستقرر الخوارزمية نفسها من يستحق الاستثمار ومن يجب تجنبه. ونتيجة لذلك، يتيح ذلك إجراء تحليل منفصل ومخصص للحملة حتى أثناء استمرار الحملة بحيث يتم وضع ظروف السوق في الوقت الفعلي وسلوكيات المستهلك في الاعتبار باستمرار.
من الصعب، إن لم يكن من المستحيل، إتقان إعلانات الخدمة الذاتية اليدوية على المدى الطويل وعلى نطاق واسع. يتطلب الأمر مراعاة العديد من العناصر المختلفة التي يمكن أن تتغير في أي لحظة ، مع تجاهل تعقيدات السلوك البشري. باستخدام خوارزميات التعلم العميق ، يمكن إعفاء معلني الخدمة الذاتية من الضغط الذي لا ينتهي لتحسين الأداء ، وبدلاً من ذلك يعتمدون على تقنيات مثل PMPs الديناميكية المدعومة بالذكاء الاصطناعي والتي ستعمل على تحسين الحملات باستمرار ومنحهم أخيرًا الوقت لإدارة كل ما لديهم بشكل فعال الحملات.
