Performance publicitária otimizada com tecnologia avançada de banco de dados vetorial e machine learning

Atualizado em Dezembro 6, 2023

Nos últimos tempos, os profissionais de marketing têm sofrido uma pressão sem precedentes. Mudanças constantes e custos elevados no cenário publicitário, além de novas regulações e da incerteza macroenômica geral, tornam-os cada vez mais dependentes de atividades de marketing digital com base na performance. Como os consumidores continuam a considerar fortemente cada compra, táticas de fundo de funil de alta performance desempenham um papel crucial para fechar transações e obter receita.

Na Criteo, tecnologia e inovação estão no centro do que fazemos, desde os primórdios, quando, há mais de 15 anos, operávamos um serviço de recomendação de filmes. A IA (Inteligência Artificial) é parte de nosso DNA e, a cada dia, nos empenhamos para melhorar nossas soluções e gerar resultados significativos para as campanhas publicitárias de nossos clientes. Assim, estamos animados para apresentar o DeepKNN, a mais recente adição à engine de recomendação de retargeting da Criteo. O DeepKNN é a tecnologia de banco de dados de vetores e deep learning de ponta da Criteo, que já impulsiona partes importantes de nossa linha de produtos.

O impacto dessa abordagem é nítido. Durante nossa versão beta do DeepKNN em nosso sistema de recomendação de retargeting, observamos aumentos significativos em todas as métricas de engajamento. Embora a performance varie de acordo com o cliente, estamos promovendo melhorias nas taxas de cliques e aumentos na receita atribuída, que geralmente ultrapassam 10%! Em poucas palavras, nossa IA de última geração oferece uma melhor performance para os profissionais de marketing, em escala.

Como o DeepKNN melhora significativamente a performance? Na próxima seção, daremos uma rápida explicação sobre o que o DeepKNN representa e como nos ajuda a alavancar a performance da campanha.

O que é DeepKNN?

DeepKNN significa “Deep Learning Representation for K-Nearest Neighbors Search”, ou seja, “Representação de Aprendizado Profundo para K-Vizinhos Mais Próximos”. O DeepKNN combina o que há de mais avançado em tecnologia de banco de dados de vetores e deep learning. Essa estrutura já está por trás da maioria das campanhas publicitárias da Criteo: para os consumidores, oferece melhores recomendações de produtos; para os anunciantes, otimiza as métricas de engajamento do consumidor.
O DeepKNN representa a combinação de duas tecnologias poderosas:

  • Uma rede neural profunda, que processa todas as nossas informações de produtos e atividades do consumidor em um conjunto de vetores (como mostrado no pipeline de processamento na Figura 1 abaixo).
  • Um banco de dados de vetores (VectorDB), que armazena os vetores de produto e consumidor e nos permite encontrar os produtos e consumidores mais compatíveis com uma consulta (como mostrado no processo de recuperação nas Figuras 2a e 2b abaixo) em tempo real.

O processo de indexar produtos em um VectorDB: Etapa 1) Ingerir todas as informações disponíveis estruturadas do produto (imagens, texto, atividade do usuário). Etapa 2) Transformá-las em representações vetoriais por meio de deep learning. Etapa 3) Armazená-las no VectorDB.

O poder das representações vetoriais

Por que é útil associar vetores a todos os nossos produtos e consumidores? Porque os vetores nos ajudam a encontrar as melhores correspondências de consumidores para determinado produto ou serviço. Ao representarmos consumidores e produtos como vetores, podemos incorporar nossas noções de afinidades entre produtos e consumidores como distâncias entre pontos. Como mostrado no lado direito da figura 2a abaixo, o espaço vetorial contém um grupo de consumidores e produtos colocados em várias posições em um plano 2D. Observamos que, pelo simples fato de colocá-los em um espaço 2D, podemos definir grupos implícitos de produtos semelhantes, como calçados, moda, tecnologia e viagens. Uma vez que consumidores e produtos são colocados no espaço, nosso banco de dados de vetores nos permite procurar rapidamente pelos vizinhos mais próximos, ou pelo vetor de consumidor mais próximo, a qualquer consumidor ou produto. Essa é a abordagem que orienta nossas soluções de audiências e recomendações de produtos.

Como o DeepKNN impacta as campanhas dos profissionais de marketing?

O DeepKNN ajuda os anunciantes a impulsionar as campanhas de várias formas:

  • Recomendações personalizadas: O DeepKNN oferece recomendações personalizadas aos consumidores com base em seus comportamentos e preferências anteriores. Isso pode elevar as taxas de conversão e melhorar a performance geral da campanha. (Ver Figura 2b abaixo).
  • Melhores audiências: O DeepKNN identifica padrões e similaridades no comportamento do consumidor que podem não ser aparentes de imediato. Ao agruparmos consumidores com comportamentos semelhantes, podemos segmentar nossa publicidade de maneira mais eficaz, aumentando as taxas de engajamento e conversão. (Ver Figura 2a abaixo).
  • Recuperação de dados mais rápida: Com o DeepKNN, podemos pesquisar rapidamente grandes bases de dados para encontrar os resultados mais relevantes. Isso é essencial para tomadas de decisão em tempo real na publicidade de performance, em que cada milissegundo conta.
  • Criativos mais atraentes: Ao analisarmos o conteúdo dos nossos anúncios usando o DeepKNN, podemos identificar padrões e similaridades que ressoam com nossa audiência ideal. Isso nos ajuda a criar criativos mais eficazes, que, por sua vez, produzem melhores resultados.

Geração de audiência usando pesquisa em um VectorDB: A partir de um produto, procuramos seu vetor no VectorDB, recuperamos os vetores de usuário mais próximos e os retornamos como parte da audiência relevante.

Recomendações de produtos para retargeting mais precisas com DeepKNN

Recomendar os produtos certos é fundamental para o sucesso de qualquer campanha de retargeting. Nossa solução existente de recomendação de produtos para retargeting utiliza uma arquitetura de dois estágios para garantir que possamos escalar para milhares de solicitações por segundo. No primeiro estágio, calculamos vários tipos de similaridades entre diferentes itens junto com produtos populares e tendências; no segundo estágio, reclassificamos os produtos mais adequados, com base nas informações mais recentes de preferências do consumidor, a fim de gerar os banners mais relevantes em tempo real.

A integração do DeepKNN em nossas recomendações de produtos nos permite calcular as similaridades de diferentes itens de um modo mais sofisticado: as similaridades entre itens populares, raros e novos, que antes eram mais difíceis de descobrir, podem ser detectadas mais facilmente. O resultado são recomendações de produtos ainda mais alinhadas aos interesses dos consumidores. Outra grande vantagem do DeepKNN é que, ao colocar todos os nossos produtos e consumidores no mesmo espaço, podemos pesquisar centenas de milhões de “pares item/consumidor” em tempo real e, assim, atualizar constantemente as listas dos principais produtos semelhantes para cada consumidor.

Recomendação usando pesquisa em um VectorDB: A partir de um consumidor, procuramos seu vetor no VectorDB e recuperamos os vetores de produto mais próximos e os retornamos para recomendação.

Visão geral da performance com bancos de dados vetoriais e deep learning

Com o advento do acesso programático aos recursos de IA, como o ChatGPT da OpenAI e as APIs de incorporação (que podem transformar qualquer documento em um vetor), cada vez mais empresas estão percebendo o poder do deep learning e da pesquisa vetorial. Essa tendência realça a importância dos bancos de dados vetoriais no marketing digital moderno, pois os anunciantes já estão começando a potencializar o enorme volume de dados disponível de maneira mais eficaz.

Usando algoritmos de deep learning e técnicas avançadas de pesquisa e agrupamento por similaridades, os bancos de dados vetoriais, como o DeepKNN, estão ajudando os anunciantes a identificar grupos de consumidores com preferências de compra semelhantes. Isso, por sua vez, pode levar a uma segmentação de audiência mais precisa, a recomendações mais relevantes e a criativos mais atraentes, tudo feito por um sistema de pesquisa mais rápido e mais escalável do que as tradicionais arquiteturas orientadas a serviços.

Temos orgulho de estar na vanguarda dessa tendência e acreditamos que nossa nova solução de tomada de decisão online representa um avanço significativo na publicidade de performance. Aproveitando o poder do deep learning e das técnicas de pesquisa vetorial, oferecemos aos nossos clientes uma nova ferramenta para maximizar a eficácia de suas campanhas. Estamos ansiosos para ver como nossos clientes utilizarão o DeepKNN para alavancar os resultados e o ROI, e esperamos continuar a inovar nesse espaço nos próximos anos.

Para saber mais sobre como o DEEPKNN e o uso de machine learning podem alavancar suas campanhas, converse com um especialista.

Romain Lerallut

Romain Lerallut is VP Engineering at Criteo and head of the Criteo AI Lab, in charge of developing the uses of AI in digital advertising and commerce. Before the launch of the lab in 2018, he was a director in the engineering department, responsible for the development of large-scale machine ...

Vice-Presidente de Engenharia
Flavian Vasile

Flavian Vasile is a Principal ML Architect in the Criteo AI Lab, leveraging over 15 years of expertise in Machine Learning applications for Online Advertising. He specializes in developing Deep Learning techniques for Performance Advertising and actively explores the potential of cutting-edge AI ...

Converse com um especialista