Ottimizzare la performance pubblicitaria con il machine learning avanzato e la tecnologia dei database vettoriali

Aggiornato il dicembre 19, 2023

In questi tempi, i marketer sono sottoposti a enormi pressioni. Il panorama pubblicitario che cambia, e si fa più costoso, insieme a nuovi regolamenti e all’incertezza macroeconomica generale, li rendono sempre più dipendenti da attività di digital marketing basato sulla performance. In un momento in cui i consumatori continuano a valutare attentamente ogni acquisto, le tattiche bottom funnel a prestazioni elevate giocano un ruolo cruciale per la chiusura delle transazioni e per generare revenue.

Per noi di Criteo, la tecnologia e l’innovazione sono al centro di quello che facciamo, fin dall’inizio, e cioè più di 15 anni fa, quando gestivamo un servizio di raccomandazione cinematografica. L’AI (l’intelligenza artificiale) fa parte del nostro DNA, e ogni giorno ci impegniamo a potenziare le nostre soluzioni basate sull’AI per generare risultati significativi per le campagne pubblicitarie dei nostri clienti. Oggi siamo lieti di presentare DeepKNN, l’ultima aggiunta al motore di raccomandazioni di Criteo per il retargeting. DeepKNN è il database vettoriale avanzato di Criteo e il motore di deep learning su cui si basano già i componenti principali della nostra linea di prodotti.

L’impatto di questo approccio va oltre i termini alla moda: durante il rilascio della versione beta di DeepKNN nel nostro sistema di raccomandazioni di retargeting, abbiamo osservato aumenti significativi in tutte le metriche relative all’engagement. Anche se gli incrementi di performance variano da cliente a cliente, stiamo ottenendo miglioramenti sia nei click-through rate che nell’aumento di revenue attribuita, che vanno spesso oltre il 10%! In parole povere, la nostra AI avanzata consente ai marketer di ottenere prestazioni migliori su larga scala.

In che modo il DeepKNN riesce a generare performance significativamente migliori? Nella prossima sezione spiegheremo brevemente ciò che rappresenta il DeepKNN e come ci aiuta a migliorare la performance delle campagne.

Che cos’è il DeepKNN?

DeepKNN sta per “Deep Learning Representation for K-Nearest Neighbors Search”, traducibile come “Rappresentazione di deep learning per la ricerca dei K vicini più vicini”. Il DeepKNN combina un database vettoriale all’avanguardia e la tecnologia di deep learning. Questa struttura oggi sta alla base della maggior parte delle campagne pubblicitarie di Criteo, offrendo ai consumatori migliori raccomandazioni sui prodotti e ottimizzando le metriche sull’engagement dei consumatori per gli inserzionisti.
Il DeepKNN rappresenta la combinazione di due potenti tecnologie:

  • Un rete neurale profonda (Deep Neural Network, DNN) che elabora tutte le nostre informazioni sui prodotti e sull’attività dei consumatori in un gruppo di vettori (come si vede nella pipeline di elaborazione illustrata nella Figura 1).
  • Un database vettoriale (VectorDB) che memorizza i vettori dei prodotti e dei consumatori e ci consente di trovare in tempo reale i prodotti e i consumatori più simili a una query (come si vede nel processo di recupero illustrato nelle Figure 2a e 2b).
Il processo di indicizzazione dei prodotti in un VectorDB: Step 1) Integrazione di tutte le informazioni non strutturate disponibili sui prodotti (immagini, testo, attività degli utenti). Step 2) Trasformazione delle informazioni in rappresentazioni vettoriali mediante il deep learning. Step 3) Memorizzazione nel VectorDB.

La potenza delle rappresentazioni vettoriali

Perché è utile associare vettori a tutti i nostri prodotti e i consumatori? Perché i vettori ci aiutano a trovare i migliori abbinamenti tra consumatori e un prodotto o servizio. Rappresentando consumatori e prodotti come vettori, siamo in grado di incorporare le nostre idee di affinità tra consumatori e prodotti come distanze tra due punti. Come si vede a destra nella Figura 2a lo spazio vettoriale contiene un gruppo di consumatori e di prodotti collocati in varie posizioni su un piano bidimensionale. Osserviamo che semplicemente per averli collocati in uno spazio bidimensionale possiamo definire gruppi impliciti di prodotti simili, come scarpe, articoli fashion, tecnologia e travel. Dopo aver collocato consumatori e prodotti nello spazio, il nostro database vettoriale ci consente di cercare molto rapidamente i vicini più prossimi, o il vettore consumatore più vicino, per un dato consumatore o prodotto. Questo è l’approccio alla base delle nostre raccomandazioni e dei prodotti audience.

In che modo il DeepKNN influenza le campagne dei marketer?

Il DeepKNN aiuta gli inserzionisti a migliorare le loro campagne in diversi modi:

  • Raccomandazioni personalizzate: il DeepKNN può fornire raccomandazioni personalizzate ai consumatori in base al comportamento e alle preferenze mostrati in passato. Ciò può generare tassi di conversione più elevati e migliore performance generale delle campagne. (Vedi Figura 2b).
  • Migliori audience: il DeepKNN può individuare nel comportamento dei consumatori schemi e somiglianze che possono anche non apparire immediatamente. Riunendo consumatori con comportamenti simili, possiamo targettizzare la nostra pubblicità in modo più efficace, generando livelli di engagement e tassi di conversione migliori. (Vedi Figura 2a).
  • Recupero più rapido dei dati: con il DeepKNN, riusciamo a compiere ricerche più rapide su ampi set di dati per trovare i risultati più rilevanti. Ciò è essenziale per prendere decisioni in tempo reale nel performance advertising, in cui ogni millisecondo conta.
  • Migliori creatività pubblicitarie: analizzando il contenuto dei nostri annunci con il DeepKNN, siamo in grado identificare schemi e somiglianze che possono avere un impatto sulla nostra audience target. Questo può aiutarci a realizzare creatività pubblicitarie più efficaci che, a loro volta, generano risultati migliori.
Generazione di audience utilizzando la ricerca in un VectorDB: iniziando da un prodotto, cerchiamo il suo vettore nel VectorDB, recuperiamo i vettori utente più vicini e li restituiamo come parte dell’audience rilevante.

Miglioramento delle raccomandazioni sui prodotti di retargeting con il DeepKNN

Raccomandare i prodotti giusti è il fulcro del successo di ogni campagna di retargeting. La nostra soluzione di raccomandazione di prodotti per il retargeting, che offre una performance elevata, utilizza un’architettura a due fasi per garantirci di poter scalare fino a migliaia di richieste al secondo. Mentre nella prima fase, calcoliamo diversi tipi di somiglianze tra diversi articoli, insieme a prodotti popolari e di tendenza, nella seconda fase riclassifichiamo i prodotti più idonei, in base alle informazioni più recenti sulle preferenze dei consumatori, allo scopo di generare i banner più rilevanti in tempo reale.

L’integrazione del DeepKNN nelle nostre raccomandazioni sui prodotti ci consente ora di calcolare le affinità di diversi articoli in modo più sofisticato. Somiglianze tra prodotti popolari, rari e nuovi, che prima era più difficile scoprire, possono essere individuate con maggiore facilità, consentendo raccomandazioni ancora più allineate con gli interessi dei consumatori. Un altro grande vantaggio del DeepKNN è che, collocando tutti i prodotti e i consumatori nello stesso spazio, siamo in grado di cercare centinaia di milioni di “coppie consumatore-articolo” in tempo reale, aggiornando così costantemente gli elenchi dei migliori prodotti simili per ogni consumatore.

Raccomandazioni utilizzando la ricerca in un VectorDB: iniziando con un consumatore, consultiamo il suo vettore nel VectorDB per recuperare i vettori di prodotto più vicini e restituirli per la raccomandazione.

Previsione della performance con i database vettoriali e il deep learning

Con l’avvento dell’accesso programmatic alle capacità dell’AI, come ChatGPT di OpenAI e l’integrazione delle API (che possono cambiare qualsiasi documento in un vettore), sempre più aziende si stanno accorgendo della potenza del deep learning e della ricerca per vettori. Siamo convinti che questa tendenza evidenzi l’importanza dei database vettoriali nel digital marketing moderno, dal momento che gli inserzionisti stanno iniziando a sfruttare più efficacemente le ampie quantità di dati che ora hanno a disposizione.

Utilizzando gli algoritmi del deep learning e tecniche avanzate di ricerca per somiglianze e clustering, i database vettoriali come il DeepKNN stanno aiutando gli inserzionisti a individuare gruppi di consumatori con preferenze di shopping simili. E questo può portare a un’audience targeting più efficace, a raccomandazioni più rilevanti e a creatività pubblicitarie migliori, il tutto utilizzando un sistema di ricerca più rapido e scalabile rispetto alle architetture tradizionali.

Siamo orgogliosi di essere tra i primi in questo ambito e siamo convinti che il nostro nuovo decision engine online rappresenti significativo passo in avanti nel performance advertising. Sfruttando la potenza del deep learning e delle tecniche di ricerca per vettori, siamo in grado di offrire ai nostri clienti un nuovo potente strumento per massimizzare l’efficienza delle loro campagne. Siamo entusiasti nel vedere come i nostri clienti utilizzeranno il DeepKNN per generare risultati migliori e un ROI più elevato, e siamo impazienti di continuare a innovare in questo settore negli anni a venire.

Per saperne di più su come il DeepKNN e il machine learning possono migliorare la performance delle tue campagne, parla con un esperto.

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 ...

VP Engineering
Parla con un esperto