Die Rolle von saisonalen Anzeigen im Marketing
Lern, wie saisonale Werbung Verkäufe und Kundenengagement beeinflusst.
Hamid Eghbalzadeh, Shuai Shao, Saurabh Verma, Venugopal Mani, Hongnan Wang, Jigar Madia, Vitali Karpinchyk, Andrey Malevich
― 8 min Lesedauer
Inhaltsverzeichnis
- Die Bedeutung saisonaler Anzeigen
- Die Herausforderung bei der Erkennung saisonaler Anzeigen
- Die Herausforderung saisonaler Anzeigen angehen
- Ein effektives Modell entwickeln
- Die Rolle der menschlichen Etikettierung
- Nutzung multimodaler grosser Sprachmodelle
- Kalibrierung der Modelle
- Ein praktisches Beispiel
- Sammlung von Grundwahrheiten
- Die experimentelle Reise
- Die letzten Erkenntnisse
- Originalquelle
In der heutigen Welt können Werbungen ein Geschäft machen oder brechen. Bei so vielen Anzeigen, die um unsere Aufmerksamkeit konkurrieren, wie wissen Firmen, welche Werbung unsere Augen anzieht und uns zum Kauf bringt? Ein Bereich, der dabei eine riesige Rolle spielt, sind saisonale Anzeigen. Das sind die Werbung, die um Feiertage, Events oder bestimmte Jahreszeiten herum erscheinen. Denk an Weihnachtswerbung für Spielzeug oder Back-to-School-Verkäufe. Wenn Werbetreibende mit diesen Anzeigen danebenliegen, riskieren sie, Verkaufszahlen zu verlieren und Kunden zu enttäuschen.
Die Bedeutung saisonaler Anzeigen
Wenn wir von saisonalen Anzeigen sprechen, meinen wir Werbung, die auf spezifische Zeiten des Jahres zugeschnitten ist. Sie sind so gestaltet, dass sie das ansprechen, was Verbraucher gerade denken oder wollen. Zum Beispiel könnte eine Schokoladenfirma ihr Valentinstags-Marketing stark pushen, weil sie wissen, dass die Leute nach Geschenken suchen. Wenn Werbetreibende saisonale Themen nicht erkennen oder nutzen, könnten sie Verkaufszahlen verlieren und Kunden unzufrieden zurücklassen.
Hier wird die Fähigkeit, saisonale Anzeigen proaktiv zu erkennen, entscheidend. Stell dir vor, die Werbetreibenden könnten leicht herausfinden, welche Anzeigen saisonal sind. Sie könnten sicherstellen, dass diese Anzeigen die Aufmerksamkeit bekommen, die sie verdienen, was sowohl den Umsatz als auch die Kundenzufriedenheit verbessert.
Die Herausforderung bei der Erkennung saisonaler Anzeigen
Aber wie können wir herausfinden, ob eine Anzeige saisonal ist? Werbetreibende nutzen oft zwei Hauptquellen: die Anzeige selbst (die aus Text, Bildern oder Videos bestehen kann) und die Interaktionsdaten, die umfassen, wie Nutzer auf die Anzeige reagieren. Es ist ein bisschen wie ein Rätsel zusammenzusetzen. Das Ziel ist, ein Modell zu entwickeln - sozusagen einen geschulten Detektiv -, der genau sagen kann, ob eine Anzeige mit einem saisonalen Ereignis zu tun hat oder nicht.
Die Komplexität entsteht nicht nur durch die verschiedenen Arten von Daten, sondern auch durch einige grosse Herausforderungen:
-
Inherente Störungen: Manchmal ist es schwer zu erkennen, ob eine Anzeige wirklich mit einem saisonalen Ereignis zu tun hat. Zum Beispiel könnte ein Bekleidungssale im Sommer saisonal sein, könnte aber auch einfach ein regulärer Sale sein. Da gibt's Unsicherheiten, und wir müssen diese Verwirrungen in unseren Modellen angehen.
-
Fehlende klare Etiketten: Viele Anzeigen sind nicht klar mit dem beschriftet, was für welche Saison oder Veranstaltung sie gelten. Werbetreibende veröffentlichen ihre Anzeigen, ohne immer zu sagen, „Das ist für den Muttertag!“ Das macht es schwierig zu wissen, welche Anzeigen als saisonal klassifiziert werden sollten.
-
Wechselnde Saisons: Nicht alle saisonalen Ereignisse finden jedes Jahr am gleichen Datum statt. Einige Feiern ändern ihre Daten, wie Ostern, was die Sache noch komplizierter macht.
Die Herausforderung saisonaler Anzeigen angehen
Um diese Herausforderungen anzugehen, können wir maschinelles Lernen einsetzen, um saisonale Trends zu erkennen. Das Ziel ist einfach: Ein Modell trainieren, um die Frage zu beantworten: „Hat diese Anzeige mit einem saisonalen Ereignis zu tun?“ Sobald wir dieses Modell haben, können wir es nutzen, um Anzeigen zu bewerten und abzurufen, damit saisonale Inhalte zur richtigen Zeit glänzen.
Wir haben uns dieser Aufgabe mit zwei Hauptzielen genähert:
- Die verfügbaren Daten nutzen, um Saisonalität zu bestimmen.
- Mit Störungen und Mehrdeutigkeiten in den Anzeigen umgehen.
Ein effektives Modell entwickeln
Der Kern, um ein gutes Modell zu erstellen, liegt darin, wie wir die Daten sammeln und unsere Systeme trainieren. Eine Methode ist, Schlüsselwortfilterung zu verwenden - im Grunde zu suchen, nach Worten, die eng mit jeder Saison verbunden sind. Beispielsweise könnten Anzeigen, die „Halloween“ oder „Thanksgiving“ erwähnen, als saisonal gekennzeichnet werden. Indem wir uns auf diese Keywords konzentrieren, können wir Anzeigen eingrenzen, die mit bestimmten Ereignissen zusammenhängen.
Wir haben zwei Hauptdatensätze, mit denen wir arbeiten: einen, der sich auf ein einzelnes Ereignis konzentriert, wie den Valentinstag, und einen anderen, der mehrere Ereignisse umfasst, wie Ostern und den Muttertag. Der Datensatz für das einzelne Ereignis ermöglicht es uns, die Leistung unserer Modelle klar zu analysieren. Währenddessen lassen uns die Daten für mehrere Ereignisse sehen, wie gut unser Modell bei verschiedenen Gelegenheiten abschneidet.
Die Rolle der menschlichen Etikettierung
Während die Schlüsselwortfilterung effektiv sein kann, erkennen wir auch, dass manchmal Menschen eingreifen müssen. Schliesslich kann es ziemlich subjektiv sein, zu entscheiden, ob eine bestimmte Anzeige mit einem bestimmten Ereignis zu tun hat. Beispielsweise könnte eine Anzeige für ein romantisches Abendessen um den Valentinstag als saisonal angesehen werden, während eine für ein reguläres Dinner-Special vielleicht nicht. Da kommt die menschliche Etikettierung ins Spiel.
Durch die Nutzung eines crowd-sourced Etikettierungsdienstes können wir Einblicke von echten Menschen darüber sammeln, ob Anzeigen für sie saisonal wirken. Das kann zusätzlichen Kontext bieten, den die Schlüsselwortfilterung allein möglicherweise verpasst.
Nutzung multimodaler grosser Sprachmodelle
In unserem Bestreben, die Saisonalitätserkennung zu verbessern, nutzen wir die Power von multimodalen grossen Sprachmodellen (MLMs). Diese Modelle sind wie die Superhelden der Werbewelt - sie können Text, Bilder und sogar Videos analysieren. Damit können sie das Wesen einer Anzeige besser erfassen als traditionelle Modelle, die sich nur auf eine Art von Daten konzentrieren.
Wie funktionieren diese Modelle? Sie nehmen Eingaben aus verschiedenen Quellen, wie den Text einer Anzeige und die dazugehörigen Bilder. Dann kombinieren sie diese Informationen, um ein besseres Bild davon zu bekommen, worum es in der Anzeige geht. Das ist entscheidend, wenn es darum geht, den saisonalen Kontext von Anzeigen zu analysieren, und kann zu viel genaueren Vorhersagen führen.
Kalibrierung der Modelle
In unserer Forschung konzentrieren wir uns nicht nur auf die Erkennung, sondern auch auf die Kalibrierung. Kalibrierung bezieht sich darauf, sicherzustellen, dass die Vorhersagen, die unsere Modelle machen, eng den tatsächlichen Ergebnissen entsprechen. Wenn ein Modell vorhersagt, dass eine spezielle Anzeige eine hohe Konversionsrate haben wird (das heisst, viele Leute werden nach dem Sehen handeln), wollen wir, dass diese Vorhersage so genau wie möglich ist. Eine niedrige Kalibrierung bedeutet, dass das Modell nicht gut abschneidet.
Durch unsere Experimente haben wir festgestellt, dass bestimmte Saisons - wie die Zeit zwischen Thanksgiving und Black Friday - tendenziell niedrigere Kalibrierungen aufweisen. Das deutet darauf hin, dass das aktuelle System möglicherweise hinterherhinkt, wenn es darum geht, saisonale Anzeigen effektiv zu bewerben. Wir glauben, dass wir durch das Feintuning unserer Modelle, um diese Anzeigen proaktiv zu erkennen, helfen können, diese Kalibrierungsraten zu verbessern.
Ein praktisches Beispiel
Stell dir ein Spielzeugunternehmen vor, das sich auf Weihnachten vorbereitet. Ohne ein gutes Erkennungsmodell könnten sie ihre Anzeigen für spezielle Feiertagsspielzeuge erst nach Beginn der Einkaufssaison schalten. Indem sie unser Modell nutzen, um saisonale Anzeigen proaktiv zu erkennen, könnten sie sicherstellen, dass ihre Anzeigen genau dann geschaltet werden, wenn Verbraucher nach Geschenken suchen - was zu höheren Verkaufszahlen und zufriedeneren Kunden führen würde.
Sammlung von Grundwahrheiten
Jetzt sprechen wir darüber, wie wir Daten sammeln, um unsere Modelle zu trainieren. Ein wichtiger Teil dieses Prozesses ist die Sammlung von Grundwahrheiten, die darauf abzielt, zuverlässige Daten zu sammeln, die wir für Training und Tests nutzen können. Hier gibt es auch Herausforderungen.
Die erste Methode, die wir verwenden, ist die Schlüsselwortfilterung. Dadurch sammeln wir einen primären Datensatz von Anzeigen, die wahrscheinlich mit saisonalen Ereignissen zu tun haben. Allerdings deckt diese Methode nur einen Bruchteil der verfügbaren Anzeigen ab, vielleicht etwa 10%.
Um unsere Abdeckung zu erhöhen, suchen wir auch nach sekundären Keywords, die mit Ereignissen verbunden sind - das sind nicht die Hauptkeywords, könnten aber immer noch auf eine saisonale Verbindung hindeuten. Während diese Methode nicht so präzise ist (etwa 30%), erlaubt sie uns, ein weiteres Netz auszuwerfen und mehr potenzielle saisonale Anzeigen zu erfassen.
Hier kommt auch die menschliche Etikettierung ins Spiel. Obwohl sie zeitaufwändiger ist, können menschliche Annotatoren Einsichten bieten, die Algorithmen möglicherweise übersehen. Wir haben Experimente durchgeführt, bei denen menschliche Etikettierer beurteilen, ob Anzeigen saisonal sind oder nicht, was eine weitere Datenschicht für das Training liefert.
Die experimentelle Reise
Wir haben verschiedene Modelle aufgebaut und getestet, basierend auf den Datensätzen, die wir zusammengestellt haben. In unseren Experimenten haben wir festgestellt, dass das Hinzufügen von Bildern die Fähigkeit unserer Modelle, saisonale Anzeigen zu erkennen, erheblich verbessert hat. Wenn man sowohl Text als auch Bilder hat, bekommt man ein vollständigeres Bild, ähnlich wie ein Kind eine Geschichte besser versteht, wenn das Buch viele Bilder hat.
Unsere Ergebnisse zeigten, dass die Modelle, die mit vielfältigeren Daten trainiert wurden, generell besser abschnitten. Es ist ein bisschen wie beim Training für einen Marathon - wenn du nur kurze Strecken läufst, könntest du am Renntag Schwierigkeiten haben. Aber wenn du mit langen Läufen und verschiedenen Untergründen trainierst, bist du besser vorbereitet.
Die letzten Erkenntnisse
Zusammenfassend lässt sich sagen, dass das Verständnis, die Erkennung und das Modellieren von Saisonalität in Anzeigen entscheidend für effektive Marketingstrategien ist. Durch den Einsatz fortschrittlicher maschineller Lernmodelle, einschliesslich multimodaler grosser Sprachmodelle, können wir die Art und Weise verbessern, wie saisonale Anzeigen identifiziert und kalibriert werden. Das hilft nicht nur Unternehmen, saisonale Chancen zu nutzen, sondern führt auch zu einer besseren Erfahrung für die Verbraucher.
Mit den richtigen Werkzeugen und Strategien können Werbetreibende sicherstellen, dass ihre Botschaften zur richtigen Zeit das richtige Publikum erreichen. Wer hätte gedacht, dass das Erkennen saisonaler Anzeigen ein bisschen wie das Zusammensetzen eines Puzzles sein könnte? Es geht darum, die richtigen Informationen zu liefern, um das klare Bild zu sehen. Schliesslich will niemand das perfekte Feiertagsgeschenk verpassen!
Titel: Proactive Detection and Calibration of Seasonal Advertisements with Multimodal Large Language Models
Zusammenfassung: A myriad of factors affect large scale ads delivery systems and influence both user experience and revenue. One such factor is proactive detection and calibration of seasonal advertisements to help with increasing conversion and user satisfaction. In this paper, we present Proactive Detection and Calibration of Seasonal Advertisements (PDCaSA), a research problem that is of interest for the ads ranking and recommendation community, both in the industrial setting as well as in research. Our paper provides detailed guidelines from various angles of this problem tested in, and motivated by a large-scale industrial ads ranking system. We share our findings including the clear statement of the problem and its motivation rooted in real-world systems, evaluation metrics, and sheds lights to the existing challenges, lessons learned, and best practices of data annotation and machine learning modeling to tackle this problem. Lastly, we present a conclusive solution we took during this research exploration: to detect seasonality, we leveraged Multimodal LLMs (MLMs) which on our in-house benchmark achieved 0.97 top F1 score. Based on our findings, we envision MLMs as a teacher for knowledge distillation, a machine labeler, and a part of the ensembled and tiered seasonality detection system, which can empower ads ranking systems with enriched seasonal information.
Autoren: Hamid Eghbalzadeh, Shuai Shao, Saurabh Verma, Venugopal Mani, Hongnan Wang, Jigar Madia, Vitali Karpinchyk, Andrey Malevich
Letzte Aktualisierung: 2024-10-16 00:00:00
Sprache: English
Quell-URL: https://arxiv.org/abs/2411.00780
Quell-PDF: https://arxiv.org/pdf/2411.00780
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.