Optimización del rendimiento de la publicidad con tecnología de machine learning avanzado y bases de datos vectoriales

Hoy en día, los Profesionales del Marketing están sometidos a una presión sin precedentes. Un panorama publicitario cambiante y más caro, junto con las nuevas normativas y la incertidumbre macroeconómica general, hacen que dependan cada vez más de las actividades de marketing digital basadas en resultados. Dado que los consumidores siguen sopesando mucho cada compra, las tácticas bottom-funnel de alto rendimiento tienen un papel crucial en el cierre de transacciones y los ingresos obtenidos.

En Criteo, la tecnología y la innovación han estado en la base de todo lo que hacemos desde nuestros inicios, cuando hace más de 15 años estábamos al frente de un servicio de recomendación de películas. La IA (Inteligencia Artificial) forma parte de nuestro ADN, y cada día hacemos todo lo posible por mejorar nuestras soluciones basadas en IA y lograr resultados significativos para las campañas publicitarias de nuestros clientes. Hoy estamos encantados de presentar DeepKNN, nuestra última incorporación al motor de recomendación de retargeting de Criteo.DeepKNN es la base de datos vectorial avanzada de Criteo y el motor de deep learning que ya impulsa partes importantes de nuestra línea de productos.

El impacto de este enfoque no se queda en unas cuantas palabras de moda: durante la versión beta de DeepKNN en nuestro sistema de recomendación de retargeting, hemos observado aumentos significativos en todas las métricas de engagement. Aunque los aumentos de rendimiento variarán en función del cliente, ¡estamos logrando mejoras tanto en el porcentaje de clics como en el aumento de los ingresos atribuidos que a menudo superan el 10 %! En pocas palabras, nuestra IA avanzada mejora los resultados obtenidos por los Profesionales del Marketing a gran escala.

¿Cómo consigue DeepKNN mejorar considerablemente los resultados obtenidos? En la siguiente sección explicaremos brevemente lo que representa DeepKNN y cómo nos ayuda a mejorar el rendimiento de las campañas.

¿Qué es DeepKNN?

DeepKNN son las siglas de “Deep Learning Representation for K-Nearest Neighbors Search”. DeepKNN combina una base de datos vectorial de vanguardia y tecnología de deep learning. Este marco está impulsando la mayoría de las campañas publicitarias de Criteo, proporcionando a los consumidores mejores recomendaciones de productos y mejorando las métricas de engagement de los anunciantes.
DeepKNN representa la combinación de dos potentes tecnologías:

  • Una red neuronal profunda que procesa toda la información sobre nuestros productos y la actividad de los consumidores en un conjunto de vectores (como se muestra en el canal de procesamiento de la Figura 1).
  • Una base de datos vectorial (VectorDB) que almacena los vectores de productos y consumidores y nos permite encontrar en tiempo real los productos y consumidores más similares a una consulta (como se muestra en el proceso de recuperación representado a continuación en las Figuras 2a y 2b).
El proceso de indexación de productos en una VectorDB: Paso 1) Incorporación de toda la información no estructurada disponible sobre los productos (imágenes, texto, actividad de los usuarios). Paso 2) Transformarlos en representaciones vectoriales mediante deep learning. Paso 3) Almacenarlos en la VectorDB.

El potencial de las representaciones vectoriales

¿Por qué es útil asociar vectores a todos nuestros productos y consumidores? Porque los vectores nos ayudan a encontrar a los consumidores más adecuados para un determinado producto o servicio. Al representar a consumidores y productos como vectores, podemos incorporar nuestras nociones de afinidades entre consumidores y productos como distancias entre puntos. Como se muestra en la parte derecha de la Figura 2a, el espacio vectorial contiene un conjunto de consumidores y productos situados en distintas posiciones sobre un plano 2D. Observamos que por el simple hecho de colocarlos en un espacio 2D podemos definir agrupaciones implícitas de productos similares, como zapatos, moda, tecnología y viajes. Una vez colocados los consumidores y los productos en el espacio, nuestra base de datos vectorial nos permite buscar muy rápidamente los vecinos más próximos, o el vector de consumidores más cercano, para un determinado consumidor o producto. Este enfoque es el que impulsa nuestros productos de recomendación y audiencia.

¿Qué impacto tiene DeepKNN en las campañas de los Profesionales del Marketing?

DeepKNN ayuda a los anunciantes a mejorar sus campañas de varias maneras:

  • Recomendaciones personalizadas: DeepKNN puede ofrecer recomendaciones personalizadas a los consumidores en función de su comportamiento pasado y sus preferencias. Esto puede aumentar las tasas de conversión y mejorar los resultados generales de la campaña. (Consulta la Figura 2b a continuación).
  • Mejores audiencias: DeepKNN puede ayudar a identificar patrones y similitudes en el comportamiento de los consumidores que puede que no sean evidentes de inmediato. Al agrupar a los consumidores con comportamientos similares, podemos segmentar nuestra publicidad de forma más eficaz, lo que se traduce en mejores tasas de engagement y conversión. (Consulta la Figura 2a a continuación).
  • Recuperación de datos más rápida: con DeepKNN, podemos buscar rápidamente entre grandes conjuntos de datos para encontrar los resultados más relevantes. Esto es esencial para la toma de decisiones en tiempo real en la publicidad de resultados, donde cada milésima de segundo cuenta.
  • Mejora de las creatividades publicitarias: Analizando el contenido de nuestros anuncios mediante DeepKNN, podemos identificar patrones y similitudes que resuenen con nuestra audiencia objetivo. Esto puede ayudarnos a crear anuncios más eficaces, que a su vez generen mejores resultados.
Generación de audiencias utilizando la búsqueda en VectorDB: A partir de un producto, buscamos su vector en la VectorDB, recuperamos los vectores de usuario más cercanos y los devolvemos como parte de la audiencia relevante.

Mejora de las recomendaciones de productos de retargeting con DeepKNN

Recomendar los productos oportunos es la clave del éxito de cualquier campaña de retargeting. Nuestra solución actual de recomendación de productos de alto rendimiento para retargeting emplea una arquitectura de dos fases para garantizar que podemos escalar a miles de solicitudes por segundo. Mientras que en la primera fase calculamos múltiples tipos de similitudes entre distintos artículos junto con productos populares y de tendencia, en la segunda volvemos a clasificar los productos más oportunos, basándonos en la información más reciente sobre las preferencias de los consumidores, para generar los banners más relevantes en tiempo real.

La integración de DeepKNN en nuestras recomendaciones de productos nos permite ahora calcular las similitudes de diferentes artículos de una manera más sofisticada: las similitudes entre artículos populares, inusuales y nuevos, que antes eran más difíciles de descubrir, se pueden detectar más fácilmente, lo que da como resultado recomendaciones de productos que están aún mejor alineadas con los intereses de los consumidores”. Otra gran ventaja de DeepKNN es que, al situar todos nuestros productos y consumidores en el mismo espacio, podemos buscar cientos de millones de “pares consumidor-artículo” en tiempo real y actualizar así constantemente las listas de los mejores productos similares para cada consumidor.

Recomendación utilizando la búsqueda en VectorDB: A partir de un consumidor, buscamos su vector en la VectorDB, recuperamos los vectores de producto más cercanos y los devolvemos como parte de la recomendación.

Perspectivas de rendimiento con bases de datos vectoriales y deep learning

Con la llegada del acceso programático a las capacidades de IA, como las API ChatGPT e incrustaciones de OpenAI (que pueden convertir cualquier documento en un vector), cada vez más empresas se están dando cuenta del potencial del deep learning y la búsqueda vectorial. Creemos que esta tendencia pone de manifiesto la importancia de las bases de datos vectoriales en el marketing digital moderno, ya que los anunciantes están empezando a aprovechar con mayor eficacia las ingentes cantidades de datos de las que disponen.

Mediante el uso de algoritmos de deep learning y técnicas avanzadas de búsqueda de similitudes y agrupación, las bases de datos vectoriales como DeepKNN están ayudando a los anunciantes a identificar grupos de consumidores con preferencias de compra similares. Esto, a su vez, puede contribuir a una segmentación de la audiencia más eficaz, recomendaciones más pertinentes y mejores anuncios, todo ello mediante un sistema de búsqueda más rápido y escalable que las arquitecturas de servicio tradicionales.

Nos sentimos orgullosos de estar a la vanguardia de esta tendencia, y creemos que nuestro nuevo motor de decisión online representa un importante paso adelante en la publicidad de resultados. Al aprovechar el potencial del deep learning y las técnicas de búsqueda vectorial, podemos ofrecer a nuestros clientes una nueva y potente herramienta para maximizar la eficacia de sus campañas. Estamos impacientes por ver cómo nuestros clientes utilizarán DeepKNN para obtener mejores resultados y un mayor retorno de la inversión, y esperamos seguir innovando en este ámbito en los próximos años”.

Para obtener más información sobre cómo DEEPKNN y el machine learning pueden mejorar los resultados de tus campañas, habla con un experto de Criteo.

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 ...

Vicepresidente de Ingeniería
¡Habla con un experto!