Line臺灣資料工程師Johnson Wu在Line臺灣開發者大上分享,如何在廣告技術上運用圖嵌入理論,在眾多的Line使用者中,找出更多特定服務的潛在用戶。

圖片來源: 

圖/Line臺灣

重點新聞(0114~0127)

 Google   FLoC   Topics 

Google以新廣告追蹤技術Topics,取代遭到大家唾棄的FLoC

Google去年初發表並開始測試的「群組聯合學習」(Federated Learning of Cohorts,FLoC)目標式廣告技術,由於遭到各方的唾棄,去年7月底終止了對FLoC的實驗,但近期又發表了用來取代FLoC的Topics。Topics與FLoC一樣,皆為基於使用者興趣的目標式廣告技術,由瀏覽器的歷史紀錄來判斷使用者有興趣的內容,並將它們依主題分門別類,像是旅遊或健身等,而這些主題都只會在使用者的裝置上保留3周,並不會傳送至任何伺服器上。當使用者造訪一個參與Topics技術的網站上,Topics則會從裝置上過去3周的主題紀錄中,挑選3個主題與網站來與廣告主分享。

Google也預計在Chrome瀏覽器中提供使用者控制機制,讓使用者能夠查詢所被記錄的主題,還能移除特定的主題或直接關閉Topics功能。且為了避免使用者的敏感資料被歸類,Topics會忽略性別或種族等資訊。(詳全文

 The Trade Desk   數位家外廣告   程序化廣告 

TTD程序化廣告平臺觸及臺灣數位家外廣告市場,連美髮店、市府轉運站螢幕都能更精準投放廣告

全球最大廣告需求方平臺(DSP)業者The Trade Desk(TTD),近期宣布要透過第三方廣告供應方平臺(SSP),與臺灣兩家數位家外(DOOH)媒體合作,分別是搜賣傳媒及統一數網,將程序化廣告的露出管道,觸及數位家外廣告市場,這些廣告播放場所包括近千家美髮沙龍店面中的聯網螢幕、統一時代百貨美食街、市府轉運站售票大廳等數位家外廣告版位。對企業來說,未來透過TTD的程序化購買平臺,就能更精準的在數位家外螢幕上投放廣告,還能即時追蹤並評測廣告活動成效,彈性調整廣告策略,甚至能獲得廣告活動洞察報告等。

 圖嵌入理論   用戶特徵   廣告投放 

Line臺灣用圖嵌入理論描繪用戶輪廓,比對找出潛在客群來投放廣告

為了吸引用戶使用特定的Line服務,Line臺灣資料工程師Johnson Wu在Line臺灣開發者大上分享,如何在廣告技術上運用圖嵌入理論,在眾多的Line使用者中,找出更多特定服務的潛在用戶。比如A用戶會在Line上聽音樂、購物、看漫畫等,而B用戶只會在Line上聽音樂,但B可能也是Line漫畫或購物服務的潛在客群,若能對他們投放廣告,就有機會讓用戶觸及更多服務。

在這個問題上,Line臺灣運用了大量Line Family服務的用戶使用記錄,組建了一個龐大網絡,同時運用圖嵌入理論,將網絡上的節點(使用服務的用戶)轉化成有意義的特徵,並運用這些特徵來描繪用戶輪廓,比如喜歡閱讀特定類型的新聞、參加特定類型的集點活動、喜歡購買某類商品等。而因應不同的服務內容、數量、性質的差異,團隊也能設計不一樣的圖嵌入模型來因應,比如針對較為簡單的模型,適合用能快速訓練、重複應用的理論來訓練模型;針對複雜的網絡與數據,則可以用GraphSAGE演算法、注意力模型的圖嵌入網路(Graph Attention Network)等進行訓練。

Johnson Wu實際舉例,若要吸引更多官方帳號的用戶使用任務牆(Line Points Wall)服務,首先,團隊先蒐集使用任務牆與Line官方帳號的使用者網路,找出同時使用任務牆與官方帳號的用戶群,以及僅使用官方帳號但未使用任務牆的用戶群。接著,透過圖嵌入模型來描繪用戶輪廓、將用戶分類,比如團隊就發現,使用任務牆的許多官方帳號用戶,喜歡累積點數的行為不同,有些偏好透過購物、有些偏好加好友或官方帳號、有些則偏好閱讀廣告或影片。在找出特徵並進行兩用戶群的特徵比對後,就能進一步排序出對任務牆更有興趣的官方帳號用戶,並對其投放相關廣告。

Johnson Wu指出,模型上線後,近三個月來,任務牆新用戶的累積趨勢顯著提升,每月新用戶自然增加率的占比上,模型帶來的用戶占比已經達到25~50%以上。

 增益模型   廣告投放   用戶購買意願 

Line臺灣用增益模型評估廣告對用戶購買意願的影響,找出可被說服的受眾投放廣告

為了推廣特定創作者的貼圖,Line會透過點數回饋這類廣告形式的推播,來提升用戶的購買意願。不過,如何在預算有限的情況下最大化廣告成效?Line臺灣資料工程師Charlie Tang在Line臺灣開發者大會上分享Line資料工程團隊的做法。

首先,團隊從用戶層面著手,根據他們接受廣告的反應區分為四種族群。一是Line貼圖的忠實顧客,由於無論如何都會購買貼圖商品,廣告對於他們並無影響;二是默默在購買貼圖的用戶,受到干擾反而會產生負面想法,廣告對他們而言有負向作用;第三類則是無論如何都不會來購買貼圖的用戶,廣告對他們來說也沒有影響;最後一類,則是可被說服的用戶,雖然他們本來並不想購買貼圖,但若給予一點獎勵或回饋,就有機會說服他們進行購買。

「如果可以把廣告投放在可被說服的人身上,避開另外三種人,就有機會將廣告成效最大化。」Charlie Tang點出,可被說服的群體,才是真正會受廣告影響的用戶群。為了找出這一群用戶,Line採用了增益模型,來評估廣告對於用戶購買意願的增益。這個做法相較於傳統響應式模型,可以更好地區別出忠實顧客與可被說服客群之間的差別,以節省更多廣告成本。

Charlie Tang也說明,如何運用增益模型來找出可被說服的用戶群。首先,團隊透過A/B Testing從Line貼圖用戶之中,找出相似的用戶群,並隨機抽取兩組具有代表性的樣本,作為控制組與實驗組,並設定僅實驗組的人會收到廣告,來確定兩組樣本購買行為的差異,來自於廣告投放的效果,進而讓增益模型有能力去推論廣告的影響力。

實作過程中,團隊將顧客是否在廣告期間內產生轉換,設為首要目標變數,同時也分析兩組用戶的廣告轉換率數字及差異顯著性,來確認廣告是否有效、是否適合用於增益模型的學習。不只如此,團隊也會針對顧客特徵,搜集過去一個月的歷史資訊,透過顧客對貼圖的瀏覽、購買與使用行為,來描述顧客對於貼圖產品的涉入程度。

有了這些資料後,團隊運用增益模型中的S-Learner進行建模,先將兩組樣本混合在一起,並且建立一個控制變數稱為treatment,以treatment=0或1,來標示該樣本是屬於實驗組還是控制組,再訓練一個單一的分類器,根據用戶的歷史貼圖使用與瀏覽行為,來預測其購買貼圖的機率是多少。此時,透過調整treatment,就能取得一個用戶收到、未收到廣告分別的購買機率,最後將兩個數值相減,則可以得到增益(uplift),得知廣告如何影響一個人的購買意願與程度。

透過這個模型,未來投遞廣告時,操作者就能將所有Line貼圖的用戶行爲輸入模型,推論不同用戶受廣告影響的增益效果,並依照他們的增益進行排序,再根據預算限制與目標,來決定投放的人數比例。這個模型也已經實際用在官方帳號廣告投放上,藉由減少訊息投放、降低成本,來提升廣告的投資報酬率與獲利。

 RFM   CLV   用戶分群 

如何找出高價值用戶?Line臺灣結合RFM與CLV模型對用戶貼標分群

在資源有限的情況下,Line臺灣也希望與對的顧客溝通,優先將行銷預算花在最有價值的用戶群上,來提高營收、加速企業成長,「但要如何找出這群人?」Line臺灣資料工程師Nina Cheng指出,Line臺灣透過RFM與CLV模型來進行用戶分群,讓行銷人員能與不同群體進行有效溝通。

就如認識新朋友,通常會針對朋友的喜好與他互動,來建立良好的關係,Nina Cheng指出,這個觀念同樣可以套用到認識顧客之上,透過用戶的歷史購買行為,包括最近一次的消費時間點(Recency)、消費頻率(Frequency)與消費金額(Monetary),也就是運用RFM模型,來了解顧客的歷史價值。「但我們更在意的是,他未來還不會再來買。」因此,團隊也訓練了機器學習模型來預測顧客的未來價值,也就是顧客終身價值模型CLV(Customer Lifetime Value),不僅能提早預知顧客行動來布局,且綜合過去與未來顧客價值評估,還能透過適當的行銷操作,進一步推升用戶的潛在價值。

RFM資料示意圖。

實際操作上,團隊會先透過大量歷史交易資料,來計算每位用戶的RFM三個數值,再透過三個數值的大小,在三維空間中切分出八群人,但Nina Cheng點出,「如何切出那一刀,就是一個困難點。」因為在原始數據中的資料分布極為不均,按中間值來切分,仍無法有效區分出屬性相似的用戶。因此,團隊採用聚類分析(Clustering)的技術,比如將資料映射到R、F兩個維度上之後,先透過Clustering找出資料中的代表點再進行切分,如此一來,切分出來的8組群體會更具代表性,能找出真正高價值的顧客。

下一步,則是要透過CLV模型預測顧客未來的價值,Nina Cheng指出,CLV模型的整體架構,是透過人口統計、瀏覽記錄、購買歷程、官方帳號互動的行為,從中萃取出上百種特徵來進行建模,團隊會運用過去450天的資料,來預測一個用戶未來180天內,可能帶來多少價值。而在預測結果上,團隊並非將每位顧客的確切價值估算出來,而是將這個問題重構為分類問題,根據預測的價值高低將用戶分為三類,分別是高、中、低價值的客戶,透過為每個用戶貼上標籤,來作為後續進一步利用的基礎。

結合RFM與CLV,就能提供行銷人員清楚、可解釋的用戶分群,以便對不同的顧客群進行有效溝通。比如一位過去RFM價值都非常高的人,在經過CLV預測後,發現他未來的價值降低,此時,就能進一步留存(Retain)該位用戶;又或是透過CLV預測到一位用戶未來的價值很高,但從RFM來看,卻發現他RF高、M較低,這時,也能對他進行向上銷售。實際與Line旅遊服務合作後,團隊平均能將點擊率推升到將近3倍,在有價值的顧客上,甚至能將點擊率推升到6倍之多。

 ML開發規模化   自動化   模組化 

建立自動化與模組化ML開發流程,Line臺灣要將Martech服務規模化

Line臺灣在運用Martech來輔助廣告行銷後,也遇到一個棘手問題:如何將ML模型規模化?尤其,Line的服務多樣,許多服務都會面臨獲新客、評估用戶價值的挑戰,但是,若要讓模型應用到不同場景,可能面臨資料儲存在各自服務的資料庫中、命名規則不同、儲存格式不同等問題。

Nina Cheng指出,Line臺灣工程團隊的做法,是把不同的資料來源進行整合,存放在統一的資料倉儲平臺,以達到集中化;同時也透過資料正規化,處理不同資料來源的資料,並把取得的特徵值存放在Feature Store,以供後續的Pipeline快速存取,省下重複計算的資源;團隊也將Pipeline模組化與自動化,若新服務產生獲客、提升營收等問題,只要擁有足量資料,就能直接利用Pipeline來訓練新模型。目前,Line臺灣的Family Service中,至少已經有5個服務使用了這套自動化與模組化的ML開發流程,來建立Martech服務與應用。

 零售科技   Amazon Style   虛實整合 

Amazon要開實體時裝店Amazon Style,以科技輔助服飾推薦與試穿,更提供虛實整合購物體驗

Amazon宣布,今年將在洛杉磯的Americana at Brand廣場開設該公司首家實體時裝店Amazon Style,要將Amazon線上商店的流行服飾於實體店面提供。商店中運用了多種零售科技,比如消費者只要透過Amazon Shopping行動程式掃描商品的條碼,就能馬上得知它的尺寸、顏色與評價等詳細資訊;若在行動程式上選擇欲試穿的服飾及尺寸,它們就會被送到試穿室,試穿之餘,消費者還能透過試穿室中的觸控螢幕瀏覽其它選項,要求送來其它尺寸或是Amazon推薦的服飾,也可直接將服飾送達結帳櫃臺。

不只如此,Amazon Style也提供消費者虛實整合的購物體驗,讓消費者可以在門市試穿,自網路購買;或者是在試穿之後存放於Amazon Shopping程式上,以利之後購買;又或是在網路上購買時直接要求送至門市,試穿後若不滿意則可直接退貨。(詳全文

 Adobe   行銷人   科技工具 

Adobe:科技與數據之於行銷更加重要,但破碎化Martech應用是未來的一大挑戰

Adobe Workfront去年發布了一份採納了1,100位行銷人意見的調查報告(Tomorrow’s CMO)。這份報告點出,未來的行銷領導人更重視科技帶來的效益,比如有34%行銷人認為,科技可以更好的改善工作流程與資料使用,也能改善即時工作狀態的可見度(33%),以及讓他們更清晰也更有自信的轉換業務優先順序(32%)。

行銷人也將更加依賴資料來進行決策、創新、測試與改變,比如有近8成的行銷人會常態性的使用數據來做出行銷決策,也有超過7成5的企業,已經靠技術來管理多樣的活動、專案和創意資產,也透過數據來精簡行銷工作流程和資源、制定客戶體驗旅程,以及向企業其他部門展示行銷工作的價值等。因此,68%行銷人希望在未來對技術層面進行投資,來推動企業創意的提升和流程優化。

不過,雖然科技能對疫情間的行銷工作帶來支持,但企業Martech堆疊的破碎化性質卻使行銷變得更加困難,有近7成的行銷人認為,他們的Martech堆疊不能有效地適應遠距工作,也有63%行銷人認為,用來管理行銷工作的工具已經過時了,並沒有讓他們的工作更加容易。因此,需要透過簡化與精簡Martech工具堆疊來調整工作策略,讓團隊以最好的方式來執行工作,這是未來行銷的一大挑戰。

研究調查也顯示,未來的CMO需要發展多元技能才能成為靈活的領導者,以推動組織的創新和增長。這些技能包括:資料分析、財務、專案管理和協調工作(31%),管理和激勵員工(26%), 以及業務策略與數位化轉型(21%)等。(詳全文

 更多Martech動態 

1.Line CLOVA AI產品中文化落地臺灣,今年新推CLOVA Note,CLOVA Chatbot更推出三種部署版本

2.Google Analytics被判違反GDPR,Google呼籲歐美建立新的資料傳輸框架

3.Walmart有意發展加密貨幣與NFT

4.Google針對零售商推出能精確預測需求的工具Vertex AI Forecast

責任編輯/翁芊儒

圖片來源/Line臺灣、搜賣傳媒、Amazon

資料來源:iThome整理,2022年1月

熱門新聞

Advertisement