53% ökning av add-clicks efter implementering av AI-baserade marknadsföringsverktyg

Innowise har utvecklat en analysplattform baserad på AI och maskininlärning som hjälper till att matcha användarfrågor med de mest relevanta annonserna.

Kund

Industri

Försäljning och marknadsföring

Region

USA

Kund sedan

2022

Vår kund är en prestationsfokuserad marknadsföringsbyrå online som erbjuder reklamkampanjer, innehållsskapande och SEO-tjänster som syftar till att öka kvalificerade leads och transaktioner för sina kunder.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning: övervinna bristen på nyckelord-täckning med AI i digital marknadsföring

När digital reklam fortsätter att utvecklas kan användarna bli överväldigade av överflödet av alternativ. Trots detta kämpar onlinemarknadsföringsbyråer fortfarande för att nå sin målgrupp med relevanta produktrekommendationer vid rätt tidpunkt baserat på användarfrågor.

Vår kund stod inför ett grundläggande problem med ett underoptimerat annonsrekommendationssystem som misslyckades med att erbjuda sökmotorannonser som matchade användarnas behov. Under reklaminsatserna stod byrån inför ett antal betydande utmaningar: cirka 30-40% av de begärda sökmotorns användarförfrågningar täcktes inte av relevanta annonser. Dessutom var ett stort antal befintliga annonser irrelevanta på grund av dålig matchning med användarfrågor.

Den grundläggande orsaken till relevansproblemet var bristen på täckning av relevanta nyckelord och tillgångar i det befintliga annonseringssystemet, vilket påverkade användarnas klick och annonskampanjens prestanda. Kundens befintliga plattform tillhandahöll otillräcklig analys, vilket gjorde det svårt att korrigera relevansproblem och identifiera orsakerna till dåligt täckta förfrågningar. Antalet oöverträffade eller irrelevanta matchade förfrågningar var för stort för detaljerad databehandling och identifiering av lokala lågpresterande ad-orsaker.

För att lösa dessa problem kontaktade vår kund Innowise för avancerad analys och sammanfattningsgenerering för grupperade undergrupper av användarfrågor, vilket skulle driva smartare insikter. Klienten kontaktade Innowise med tanken på avancerad analys och sammanfattningsgenerering för grupperade undergrupper av användarfrågor för att driva smartare och bättre insikter.

Sammanfattningsvis omfattade arbetets omfattning:

analysera och klustera användarnas frågor;
identifiera målgrupper av användare och deras funktioner för att förbättra annonsrekommendationsresultaten;
ange de mest relevanta annonserna för queries clusters;
identifiera luckorna i befintliga annonser genom att analysera frågekluster som var dåligt täckta med befintliga annonser.

Lösning: AI-baserade marknadsföringsverktyg för optimerade annonskampanjer

Vårt team slutförde projektet framgångsrikt och utvecklade en reklamkampanjanalysplattform med en sökordsrankingsanalysator med nyligen visade SOTA språkteknologi modeller. Hela det neurala nätverket distribuerades i AWS cloud.

Plattformen är integrerad med Google och gör det möjligt att arbeta med statistiska data om användarfrågor, identifiera otäckta förfrågningar eller de med ineffektiv reklam, dela upp dem i undergrupper och generera sammanfattningar för vissa kategorier av stora mängder data för att justera de visade annonserna.

Vårt team har utvecklat lösningen för att ersätta det tidigare systemet som endast tillhandahöll grundläggande statistik och saknade förmågan att snabbt analysera annonsresultat och justera matchning baserat på avslöjade insikter.

Klustring och sammanfatta användarförfrågningar med keyword ranking analyzer tool

Baserat på kundens krav samlade vi in Google analytics-data om användarfrågor med ospelade annonser. Våra specialister konfigurerade ett system för att analysera dessa frågor och klustera dem med hjälp av semantiska inbäddningar från BERT-familjemodeller och olika klustertekniker som hdbscan, dbscan, T-SNE, KMeans. Webbapplikationen möjliggjorde också insamling av aggregerad statistik över en pool av användarförfrågningar. Beroende på den valda granularitetsnivån gjorde vi det också möjligt att samla aggregeringsstatistik för en pool av användarförfrågningar och producera sammanfattningar för varje distinkt grupp. Vi använde BERT, grundläggande statistiska verktyg och ämnesmodellering för att visa ett moln av taggar med de mest populära termerna i en viss grupp frågor. Användarna kunde också få en GPT-modell genererad sammanfattning baserad på specificerade kluster.

Smart analys och klustring av användarförfrågningar med irrelevanta annonser

Plattformen vi utvecklat möjliggör visning av användarinteraktioner med specifika annonser, vilket möjliggör identifiering av irrelevanta annonser matchade med olämpliga frågor genom att analysera interaktionsdata. Genom att använda omfattande statistik, taggar och sammanfattningar av specifika sökningar med lågpresterande resultat är det nu möjligt att fastställa orsaken till skillnader med användarintressen och visade annonser. Denna plattformsfunktion är ett viktigt verktyg för att identifiera och fylla luckorna i befintliga annonser för målgrupper av användare och deras funktioner.

Matcha otäckta användarfrågor med de mest relevanta annonserna

Genom att använda AI- och ML-verktyg erbjuder plattformen potentiella annonsmatchningar för grupper av frågor som tidigare inte hade några relevanta annonser. Vi uppnådde detta genom att generera textrepresentationer av frågekluster och skapa annonser genom att ange de mest relevanta för varje kluster med hjälp av likhetspoäng från transformatormodeller. Dessutom anpassade vi dessa annonser för specifika grupper av användare genom att utföra snabb teknik på GPT-familjemodeller för att skapa mer relevanta och engagerande annonser anpassade till deras specifika intressen. Med hjälp av data som visas på befintliga frågor på instrumentpanelen bestämmer och genererar systemet relevanta annonsalternativ för vissa frågesegment. Detta tillvägagångssätt gjorde det möjligt för oss att avgöra vilka aktuella annonser som kan kopplas till användarförfrågningar som tidigare inte uppfyllts och avslöja latenta krav på framtida annonsgenerering eller korrelera sådana förfrågningar med färdig reklam som passar dem mest.

Teknik

Plattformar

AWS

Front-end

React, Redux, HTML5, CSS3, Formik, Yup, Material UI

Back-end

Python 3.x, Flask (mikrotjänster), Flask-restful, Celery, RabbitMQ

AWS S3 PostgreSQL, AWS Sagemaker (Pipelines, Feature Store), AWS Glue PySpark, Spark AWS Airflow

DS, ML och MLOps

AWS Sagemaker (studio, experiment, anteckningsböcker, AutoML, modellövervakning), Scikit-learn, Matplotlib, BERT, Pandas, Numpy

Process

Vid mottagandet av en kundförfrågan identifierade vårt team de viktigaste potentiella användningsfallen för att få avancerad och visuell analys genom att samla information från Google Analytics. Vi fick sedan en stor mängd data om användarfrågor och interaktioner med visade annonser.

Vårt första steg var att klustra informationen i mindre undergrupper baserat på de nyckelord som användarna angav i söksträngen. Vi använde generativa modeller som GPT för att skapa textrepresentationer för varje grupperad datagrupp. De resulterande sammanfattningarna visades på plattformen för att ge detaljerad information om upptäckta frågor eller frågor med dåligt presterande annonser, vilket möjliggör en bättre förståelse av orsakerna till irrelevans och efterföljande justeringar av annonserna.

Nästa steg var att föreslå att matcha de mest relevanta annonserna för att matcha med avslöjade frågor så nära som möjligt för att förbättra prestanda. Vi sökte efter annonser från en lista med skriftliga annonser som täckte så många frågor som möjligt för att fylla luckorna och skapa suggestiva sammanfattningar för potentiella matchningar.

När det gäller projektledning följde vi agil metodik med dagliga möten för att diskutera genomförda och planerade uppgifter och samtal varannan vecka med VD. Vårt team kommunicerade via Slack och tilldelade uppgifter och övervakade prestanda genom Jira och Confluence.

För närvarande pågår projektet fortfarande; i detta skede fortsätter vi att stödja plattformen och implementera nya funktioner.

Team

Projektledare

Dataingenjörer

Back-end utvecklare

Front-end-utvecklare

Ingenjörer inom datavetenskap

QA-ingenjörer

Resultat: öka användarklick på annonser med AI-baserad sökordsrankningsanalysator

Vi har byggt en AI-driven som ger våra kunder mer relevanta och målinriktade annonser genom att känna igen en grupp användaren tillhör och använda denna information för att driva smartare och bättre insikter för annonseringspersonalisering. Webbapplikationen analyserade runned ads-kampanjer och fann luckor i annonseringen, vilket hindrade vår klient från att nå alla nödvändiga användare.

Dessutom kan lösningen nu automatiskt generera nya annonser, vilket optimerar företagets copywriting-processer.

Sammantaget har plattformen resulterat i en 53% ökning av användarklick på annonser. Vi skapade också rekommendationer för copywriters baserat på de mest täta och största klustren, så att de kan skapa annonser som täcker upp till 92% av nödvändiga användarförfrågningar. Vi fortsätter att utforska kraften i AI i digital marknadsföring samtidigt som vi utvecklar ytterligare AI-baserade marknadsföringsverktyg för att fortsätta plattformsförbättringen.

Projektets löptid

Mars 2022 - fortlöpande

25%

tid sparad på att skapa nya annonser

53%

öka i Lägg till klick

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.