Hoe moeten adverteerders zich aanpassen aan nieuwe technologieën om te overleven?

Door het verdwijnen van third party cookies, wordt Deep Learning de belangrijkste methode om inzicht te behouden in grote complexe datasets.

Deep Learning is dé oplossing voor de cookieloze toekomst

Marketing is voortdurend in beweging en als adverteerders er niet in slagen gebruik te maken van hulpmiddelen om zich aan deze trends aan te passen, lopen achterop.

De grootste bedreiging voor elk bedrijf is niet mee te gaan in de kansen die veranderingen bieden. De markt en consumenten veranderen sneller dan ooit, en traditionele oplossingen zijn niet meer zo effectief als ze ooit waren. Het succes van je bedrijf zal grotendeels afhangen van hoe goed het zich aan deze veranderingen aanpast.

Laten we eens kijken naar een van de grootste veranderingen in het huidige marketinglandschap om de omvang van de uitdaging te begrijpen: Google's stappen om 3rd-party tracking cookies met pensioen te laten gaan.

3rd-Party Tracking Cookies lagen aan de basis van het reclame-ecosysteem

Het verdwijnen van 3rd-party tracking cookies was al aangekondigd in 2019. Veel grote browsers, zoals Firefox en Edge, hadden ze al verwijderd zonder alternatieven te bieden. Zelfs voordat Google hun beslissing aankondigde om 3rd-party tracking cookies te verwijderen, waren toonaangevende AdTech providers, zoals RTB House, al begonnen met het werken aan oplossingen.

De crux van de uitdaging is dat 3rd-party tracking cookies aanzienlijke hoeveelheden data bevatten die een waarde bieden in advertentie campagnes. Adverteerders konden deze gegevens gebruiken om ervoor te zorgen dat gebruikers advertenties ontvingen waarmee ze beter kunnen targeten of gebruikers segmenten kunnen ontsluiten waarmee zowel betere brandig effecten als online sales kunnen worden gestimuleerd.

Google heeft onlangs de afschaffing van third-party tracking cookies uitgesteld, maar dat betekent niet dat adverteerders achterover kunnen leunen. Het verdwijnen van de cookies is namelijk een kans om oplossingen te adopteren die we vandaag of morgen nodig hebben.

Welke alternatieven zijn er?

Er zijn drie belangrijke oplossingen waar AdTech-bedrijven aan werken. Eén optie is het verbeteren van bestaande context targeting methoden. Dit betekent dat advertenties verschijnen op exact de juiste pagina's met de juiste artikelen die adverteerders vinden passen bij het product of doelgroep. Dit is een uitdaging om effectief te doen door de enorme hoeveelheid online beschikbare content, plus het feit dat traditionele machine learning oplossingen beperkingen met zich meebrengen zoals bias.

Een andere oplossing komt van Google zelf. Het bedrijf heeft een geanonimiseerd alternatief gecreëerd voor tracking cookies van derden, genaamd de Google Privacy Sandbox. RTB House is actief betrokken geweest bij de ontwikkeling van dit systeem, en was het eerste Demand-Side Platform dat het systeem met succes gebruikte om wereldwijd echte advertentie impressies in te kopen. Hier kun je meer te weten komen over het project

De laatste oplossing is Individual Targeting, waarbij gebruik wordt gemaakt van andere manieren dan third-party cookies om een individu op het web te identificeren. De twee meest gebruikte zijn universele deterministische en probabilistische identifiers. Bij de eerste methode moet een stukje persoonlijk identificeerbare informatie (PII), zoals een e-mailadres of login gegevens, worden gebruikt om een individu op verschillende websites en apparaten te herkennen. Bij probabilistische identificatie methodes wordt gebruik gemaakt van alle beschikbare niet-deterministische datapunten, zoals de versie van de browser van de gebruiker, het IP-adres en vele andere, om deze te combineren en met behulp van statistische modellering een beeld van de persoon te maken. Er zijn andere hulpmiddelen die hier voor specifieke use-cases kunnen worden gebruikt, zoals Publisher Provided IDs, die uitgevers kunnen gebruiken om een aangepaste doelgroep te creëren.

De sleutel is het interpreteren van de gegevens en het combineren van methodologieën

De uitdaging bij deze drie bovengenoemde oplossingen is het begrijpen van de gegevens zelf. Menselijke en machine learning-methodes hebben moeite met de enorme hoeveelheid beschikbare data, of met de complexiteit van deze nieuwere datasets. Dit is waar de volgende generatie van machine-learning oplossingen in het spel komt: Deep Learning.

In tegenstelling tot machine learning-algoritmen zijn Deep Learning-algoritmen in staat enorme complexere en zelfs ongestructureerde datasets te verwerken. Deep Learning systemen doen dit door de gegevens te verwerken via een reeks complexe lagen.

De eerste laag kan bijvoorbeeld een gebruiker in een specifieke groep plaatsen, de tweede laag zal dan proberen specifieke niches of interesses te definiëren, en de derde laag kan proberen te bepalen in welke fase van de sales funnel deze gebruiker zich bevindt.

Een ander voordeel van Deep Learning-algoritmen is dat patronen geïdentificeerd kunnen worden zonder vooraf ingestelde parameters van menselijke input. Dit betekent dat Deep Learning veel flexibeler kan werken dan bestaande oplossingen, want Deep Learning stelt ons in staat om het beste van alle beschikbare targeting methodes te gebruiken om de resultaten voor adverteerders te maximaliseren.

RTB House maakt sinds 2017 gebruik van Deep Learning in 100% van zijn campagnes

RTB House ziet uiteraard de voordelen van Deep Learning, omdat we het gebruiken in alles wat we doen. Sinds 2017 heeft RTB House Deep Learning met grote effectiviteit ingezet in 100% van onze actieve campagnes.

Neem het voorbeeld van contexuele targeting. Onze zelfgebouwde ContextAI-oplossing stelt RTB House in staat om specifieke content op 1.1 miljard websites van hoge kwaliteit te identificeren - in meer dan 41 talen - terwijl de veiligheid van het merk gegarandeerd overeind blijft. RTB House heeft een contextAI database die 95% van het internet omvat, en Deep Learning stelt ons in staat om de juiste artikelen en sites te targeten, voor de juiste advertentie.

Deep Learning is de basis van deze technologie, omdat het ons in staat stelt context beter te begrijpen. In plaats van te vertrouwen op een set trefwoorden, gebruikt ContextAI Deep Learning-algoritmes om vergelijkbare onderwerpen te vinden en te identificeren, en advertenties aan die site toe te wijzen. Dit verbreedt het bereik aanzienlijk, terwijl ook de relevantie van de geserveerde advertentie wordt verbeterd.

Deze technologie wordt met succes ingezet op onze campagnes. RTB House was bijvoorbeeld in staat om Honda's KPI's met meer dan 3x te verslaan tijdens een campagne voor de lancering van de Jazz Hybrid en Jazz Crosstar voertuigen. In een andere campagne voor Audi San Francisco was RTB House in staat om een 96% video completion rate te bereiken, met een eCPV 25% lager dan het industriegemiddelde.


RTB House is een ad-tech bedrijf met kantoren in 30 landen dat state-of-the-art (re)targeting technologie levert voor A-merken. Onze eigen ad buying engine wordt aangedreven door Deep Learning algoritmes en helpt toonaangevende adverteerders uitstekende resultaten te genereren om hun doelstellingen op korte, middellange en lange termijn te bereiken. We geloven in personalization-at-scale en bewijzen dit door kostenloos dynamische video en display creatives te maken die voor onze klanten een incrementeel sales en branding effect leveren.

 

Edo Povel is Country Manager BNX bij RTB House.