MAGNA-人类_vs._机器（英文）-2018.9-38页-4mb

总结：人类与机器在数字广告优化中的对比

核心内容

本文档探讨了在数字广告优化中，人类与机器学习方法的对比。通过分析真实数据和案例，展示了机器学习在提升品牌认知、兴趣和购买考虑方面的显著优势，同时指出传统调研方法的局限性，并提出基于机器学习的创新测量方式。

主要观点

• 数字宇宙的规模与增长：每天生成的2.5 exabytes数据量相当于90年高清视频的内容，显示了数字广告环境的庞大和快速增长。
• 机器学习的优势：机器学习能够识别消费者对广告的“接收度”这一关键变量，从而更精准地定位受众，提升广告效果。
• 人类方法的局限性：传统的人类方法依赖于初级研究和媒体购买，虽然有效，但在数据收集和受众定位上存在不足。
• 机器方法的优化：机器学习方法通过实时数据处理和模式识别，实现更高效的受众触达和广告优化，且在较低频率下也能产生更大影响。
• 测量方法的创新：基于机器学习的品牌提升调查（Brand Lift Surveys）通过简短问题提高完成率，优化消费者体验。

关键信息

人类方法

• 步骤：
  1. 进行初级研究以确定目标受众。
  2. 基于受众数据购买和部署广告。
  3. 通过KPI衡量广告效果。
• 结果：
  • 品牌熟悉度：1.9%
  • 品牌兴趣：2.4%
  • 购买考虑：0.8%
  • 购买意图：0.5%

机器方法

• 步骤：
  1. 使用Up/Lift技术进行广告投放和品牌提升预测。
  2. 通过品牌提升调查（Brand Lift Survey）衡量广告效果。
• 结果：
  • 机器在所有购买阶段（品牌熟悉度、品牌兴趣、购买考虑）均优于人类方法。
  • 机器在较低广告频率下仍能产生显著效果，平均广告曝光次数为3.08次，而人类为4.13次。
  • 机器在6个月内达到与人类在1年内相同的市场覆盖率。

机器学习的潜力

• 学习能力：机器学习随着数据积累变得越来越智能，能够持续优化广告效果。
• 优化速度：机器学习能够实现每时每刻的优化，而人类方法则依赖于计划性投放。
• 受众识别：机器学习可以识别人类难以捕捉的“接收度”变量，从而提升广告的精准度和影响力。

测量方法的改进

• 传统方法的问题：
  • 高掉头率
  • 消费者体验负担大
  • 数据质量下降
  • 难以触达硬核受众
• 创新方法：
  • 简化调查流程，减少问题数量，提高完成率。
  • 采用单题调查方式，提高消费者参与度和数据准确性。

结论

文档指出，结合人类与机器学习的方法能够推动广告优化的边界。机器学习不仅提升了广告的精准度和效果，还优化了消费者调研体验，为数字营销提供了新的方向和工具。测量方法的创新使得品牌提升调查更加高效，有助于提升整体营销决策的质量。