การสร้างความเกี่ยวข้องของโฆษณาโดยไม่ต้องใช้คุกกี้ของบุคคลที่สาม: เทคนิคเชิงบริบทขั้นสูงที่ขับเคลื่อนด้วย AI

ด้วยการยกเลิกการใช้ตัวระบุโฆษณา ผู้โฆษณาจึงหันไปหาโซลูชันทางเลือกอื่น ๆ รวมถึงโซลูชันที่มีอยู่แล้วและได้รับการยอมรับ เช่น การระบุเป้าหมายตามบริบท ความสนใจที่เกิดขึ้นใหม่ในขณะนี้ส่งผลให้สินค้าที่มีอยู่มายาวนานเหล่านี้กลับมาได้รับความนิยมอีกครั้ง พร้อมทั้งมีการพัฒนาให้ทันสมัยยิ่งขึ้น ด้วยการผสานเทคโนโลยีล้ำหน้า เช่น การสร้างแบบจำลองเชิงคาดการณ์ และ Generative AI

การระบุเป้าหมายตามบริบทช่วยให้ผู้โฆษณาสามารถแสดงโฆษณาที่สอดคล้องกับเนื้อหาที่ผู้บริโภคกำลังรับชมแบบเรียลไทม์ได้ตลอดเวลา Amazon Ads ได้ปรับเปลี่ยนความหมายของบริบทและก้าวข้ามการทำงานแบบพื้นฐานที่ว่า "หากมีคีย์เวิร์ดอยู่ในหน้าเว็บ ก็ให้แสดงโฆษณา" โดยการใช้ข้อมูลเชิงลึกด้านการช้อปปิ้งที่มีคุณลักษณะเฉพาะตัวของ Amazon ร่วมกับเทคโนโลยี AI Amazon DSP จะทำการวิเคราะห์บริบทอย่างละเอียดและสามารถขยายขนาดได้โดยคำนึงถึงความสัมพันธ์ที่ซับซ้อนระหว่างคำ รูปภาพ และเนื้อหาวิดีโอ เพื่อให้สอดคล้องกับกระบวนการช้อปปิ้งของผู้บริโภค ความสามารถของ AI ที่ขับเคลื่อนโดย AWS ในการวิเคราะห์ข้อมูลที่ไร้โครงสร้างจำนวนมหาศาล การจดจำธีมเชิงความหมาย และการเข้าใจความตั้งใจปัจจุบันของกลุ่มเป้าหมาย ได้ยกระดับการระบุเป้าหมายตามบริบทให้ก้าวล้ำไปกว่าการจับคู่คีย์เวิร์ดแบบดั้งเดิม ผลที่ได้คือ ผู้โฆษณาสามารถกำหนดเป้าหมายหมวดหมู่และบริบทในแบบที่ก่อนหน้านี้ไม่สามารถทำได้หรือทำได้แค่การใช้สัญญาณเชิงพฤติกรรมเท่านั้น

นวัตกรรมนี้สอดคล้องกับแนวโน้มอุตสาหกรรมที่กว้างขึ้น เนื่องจาก 60% ของนักการตลาดในปัจจุบันใช้ AI ในการโฆษณา โดยเกือบครึ่งหนึ่งมุ่งเน้นไปที่การใช้งานเชิงบริบท ความต้องการกลยุทธ์ที่ไม่ต้องพึ่งพาตัวระบุยังคงเพิ่มสูงขึ้นอย่างต่อเนื่อง ด้วยตลาดการโฆษณา AI ที่เติบโตขึ้น 35% ในแต่ละปี การลงทุนในการระบุเป้าหมายตามบริบทที่ขับเคลื่อนด้วย AI ให้ผลลัพธ์ที่สามารถตรวจวัดได้ รวมถึงการมีส่วนร่วมของผู้บริโภคที่เพิ่มขึ้น 25% ซึ่งเน้นย้ำถึงคุณค่าของแนวทางขั้นสูงของ Amazon Ads

เอกสารฉบับนี้ให้รายละเอียดเกี่ยวกับวิธีการที่ AI เปลี่ยนแปลงการระบุเป้าหมายตามบริบทและนำเสนอโซลูชันที่เป็นนวัตกรรมของ Amazon DSP ในการส่งมอบคุณค่าในขณะที่ลดความจำเป็นในการใช้คุกกี้จากบุคคลที่สาม

ในเอกสารทางเทคนิคฉบับนี้ คุณจะได้เรียนรู้:

• วิธีการที่เราใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ (LLM) เพื่อทำความเข้าใจเนื้อหาเชิงลึก
• เทคนิคขั้นสูงสำหรับการวิเคราะห์เนื้อหาบนเว็บเปิดและอุปกรณ์มือถือ
• วิธีการจัดหมวดหมู่สินค้าที่เป็นเอกลักษณ์ของเรา เพื่อทำความเข้าใจความต้องการของผู้บริโภค
• กรอบการทำงานของเราในการประเมินความเกี่ยวข้องและประสิทธิภาพของโมเดล
• ผลกระทบในโลกจริงผ่านกรณีศึกษาของลูกค้าและผลลัพธ์ที่ได้