ادغام مدل‌های هوش مصنوعی (AI) و یادگیری ماشین، روش‌های سنجش کمپین‌های تبلیغاتی را به طور اساسی دگرگون کرده است. امروزه برای تبلیغ‌دهندگان بسیار عادی است که کمپین‌های خود را با بودجه‌ای مشخص و هدف هزینه به ازای جذب (CPA) در پلتفرم‌های بسته (Walled Gardens) و پلتفرم‌های خرید برنامه‌ریزی‌شده (Programmatic) شخص ثالث راه‌اندازی کنند و مدل‌سازی نتایج را کاملاً به هوش مصنوعی بسپارند. با این حال، کارشناسان صنعت تبلیغات تأکید می‌کنند که هوش مصنوعی نباید جایگزین سنجش دقیق عملکرد کمپین‌ها شود. در مقابل، بازاریاب‌ها باید به مدل‌های اتریبیوشن (Attribution) یا همان نسبت‌دهی کانال‌های بازاریابی، به عنوان ابزاری برای ممیزی و هدایت هوش مصنوعی نگاه کنند.
تغییر رویکرد از گزارش‌های تحلیلی به بینش‌های مبتنی بر هوش مصنوعی
مفهوم تحلیل کمپین‌های تبلیغاتی تا حد زیادی تغییر کرده و جای خود را به «بینش‌ها» (Insights) داده است؛ بینش‌هایی که بر اساس داده‌های مدل‌سازی‌شده توسط هوش مصنوعی در پلتفرم‌ها ارائه می‌شوند. در گذشته، گزارش‌های تحلیلی کمپین ممکن بود شامل جزئیات دقیقی مانند شناسه‌های تبلیغاتی (Advertising IDs) هدف‌گذاری‌شده در سایت‌های مختلف باشد. این گزارش‌های تحلیلی قابلیت خروجی گرفتن داشتند و برندها می‌توانستند آن‌ها را به سیستم مدیریت ارتباط با مشتری (CRM) خود انتقال داده و با پروفایل‌های واقعی مشتریان مطابقت دهند.
در مقابل، گزارش‌های مبتنی بر بینش هوش مصنوعی شامل جزئیاتی مانند این است که آیا یک کمپین در شهرهای خاص یا در میان گروه‌های جمعیتی ویژه‌ای مانند زنان جوان، عملکردی فراتر از حد انتظار داشته است یا خیر. این پلتفرم‌ها می‌توانند چندین مجموعه داده دست‌اول (First-Party Data) را با هم ترکیب کنند؛ به عنوان مثال، شرکت‌های Ticketmaster و McDonald’s می‌توانند گروهی از مخاطبان را که به کنسرت‌های خاصی می‌روند و به طور منظم از این زنجیره فست‌فود خرید می‌کنند، تحلیل کنند. اگرچه این اطلاعات بسیار ارزشمند هستند، اما این بینش‌ها هرگز نمی‌توانند از پلتفرم خارج شوند و در نتیجه، امکان اتصال این داده‌ها به پروفایل‌های CRM یا مشتریان شناخته‌شده واقعی وجود ندارد.
دیدگاه آمازون: اتریبیوشن به عنوان ممیز هوش مصنوعی
با توجه به اینکه راه‌حل‌های هوش مصنوعی برای تغذیه بینش‌های خود به اتریبیوشن و تحلیل وابسته‌اند، زمان آن فرا رسیده است که در برابر این دیدگاه که هوش مصنوعی در حال غصب جایگاه سنجش کمپین است، ایستادگی کرد. به گفته پائولا دسپینز (Paula Despins)، معاون بخش سنجش در Amazon Ads، Amazon Marketing Cloud و بخش اعتماد تبلیغات، بازاریابان باید اتریبیوشن را به عنوان ناظر و ممیز مدل‌های هوش مصنوعی در تبلیغات در نظر بگیرند.
دسپینز در گفتگو با رسانه AdExchanger اشاره کرد که اگرچه هوش مصنوعی اکنون کنترل هدف‌گذاری، بهینه‌سازی کمپین‌ها و حتی تولید محتوای خلاقانه تبلیغاتی را به دست گرفته است، اما تبلیغ‌دهندگان همچنان به دنبال سطحی از شفافیت و کنترل هستند. او توضیح داد که مدل‌سازی هوش مصنوعی در پلتفرم Amazon Ads با سرعت بالایی در حال ساده‌سازی است و بخش بینش‌ها اکنون اطلاعات کاربردی‌تر را سریع‌تر از همیشه ارائه می‌دهد. به گفته او، تهیه این گزارش‌ها در گذشته نیازمند یک دانشمند داده یا تحلیلگر بسیار ماهر بود، اما اکنون برای همه کاربران قابل دسترسی است.
معیارهای نوین آمازون برای پیش‌بینی ارزش مشتری
ظهور مدل‌سازی هوش مصنوعی معیارهای جدیدی را برای بازاریابان به ارمغان آورده است. پلتفرم Amazon Marketing Cloud (AMC) معیار جدیدی به نام «فروش بلندمدت» (Long-Term Sales) معرفی کرده است که گروهی از مشتریان جدید برند (New-to-Brand) را که در یک کمپین خاص جذب شده‌اند، دسته‌بندی می‌کند. این معیار ارزش دلاری حاصل از جذب این مشتریان جدید را برای یک سال آینده برآورد می‌کند.
این مدل‌سازی به این دلیل امکان‌پذیر است که تبلیغ‌دهنده می‌تواند با استفاده از AMC، داده‌های فروش و کمپین‌های تبلیغاتی سال‌های گذشته را بررسی کند. سپس تبلیغ‌دهنده پیش‌بینی می‌کند مشتری که از طریق یک نوع تبلیغ خاص و با هزینه‌ای مشخص جذب شده است، در ۱۲ ماه آینده چقدر هزینه خواهد کرد. نوع نتیجه نیز قابل تنظیم است؛ برای مثال، یک برند می‌تواند گروهی از مشتریان بالقوه را که محصولی را به سبد خرید اضافه کرده یا از صفحه جزئیات محصول بازدید کرده اما خرید نکرده‌اند، دسته‌بندی کند و سپس مدل‌سازی کند که این نوع افراد چقدر ممکن است در ۱۲ ماه آینده برای برند هزینه کنند. با این حال، آمازون اجازه خروجی گرفتن از این داده‌ها را برای هدف‌گیری مجدد و بدون محدودیت مشتریان نمی‌دهد.
برای ارزیابی اینکه آیا واقعیت با پیش‌بینی‌های فروش بلندمدت همخوانی دارد یا خیر، آمازون معیار جدید دیگری به نام «فروش انباشته» (Accumulated Sales) معرفی کرده است. این معیار خریدهای واقعی این گروه‌های مشتریان جدید را ردیابی می‌کند تا مشخص شود آیا فروش انباشته در طول یک سال به میزان پیش‌بینی‌شده در فروش بلندمدت می‌رسد یا خیر. دسپینز اعلام کرد که معیارهای تخصصی‌تری نیز به این مدل‌سازی اضافه خواهد شد؛ مانند معیاری برای برندهای خودرویی که می‌خواهند نرخ بازدید از نمایندگی‌ها یا ثبت‌نام برای تست رانندگی را پیش‌بینی کنند.
محدودیت‌های پیش‌بینی‌های هوش مصنوعی و نقش مدیران مالی
آمازون تنها شرکتی نیست که مدل‌سازی بینش‌های مبتنی بر اتریبیوشن را توسعه می‌دهد. برای نمونه، فروشگاه زنجیره‌ای Albertsons نیز شروع به افزودن پیش‌بینی‌های ارزش طول عمر مشتری (Lifetime Value) به بینش‌های کمپین خود کرده است. با این حال، این نوع پیش‌بینی‌ها، حتی زمانی که توسط یک مدل هوش مصنوعی با یک ارزش دلاری دقیق اعلام می‌شوند، همچنان در حد حدس و گمان هستند. این مدل‌سازی‌ها بیشتر شبیه به معیارهای داستان‌سرایی برای حمایت از بخش بازاریابی عمل می‌کنند تا یک سنجش قطعی و واقعی.
به عبارت دیگر، مدیران مالی (CFO) زمانی این ارقام را باور خواهند کرد که نتایج واقعی روی سود نهایی شرکت (Bottom Line) ظاهر شوند، نه در بخش بینش‌های داشبورد بازاریابی. بنابراین، دسپینز معتقد است که بازاریابان به جای واگذاری کامل امور به مدل‌سازی هوش مصنوعی، باید استراتژی سنجش کمپین خود را به عنوان بخش حیاتی از مدیریت و نظارت کلی بر هوش مصنوعی بدانند. سنجش عملکرد به عنوان یک راهنمای مهم هم برای خود هوش مصنوعی و هم برای بازاریابی که از هوش مصنوعی برای توسعه کسب‌وکار خود استفاده می‌کند، عمل می‌کند.