در این مطلب، مفهوم انجام تبلیغات هدفمند با یادگیری ماشین (Machine Learning) مورد بررسی قرار گرفته است.

تبلیغات هدفمند با یادگیری ماشین

«تبلیغات هدفمند» (Targeted Advertising)، شکلی از تبلیغات آنلاین است که طی آن، مشتریان را هدف‌گذاری خرد (Micro-Targeting | میکرو تارگتینگ) می‌کنند. تبلیغات هدفمند بر اساس ویژگی‌ها و الگوهای رفتاری افراد گوناگون است. امروزه، افراد به دلیل استفاده از تجهیزات الکترونیکی، آگاهانه یا ناآگاهانه، داده‌های شخصی خود را در مقیاس بسیار گسترده و بی‌سابقه‌ای در اختیار شرکت‌ها و سازمان‌های گوناگون قرار می‌دهند. به بیان کوتاه و شفاف، اگر دستگاهی به اینترنت متصل است، اطلاعات شخصی فرد را برای تبلیغ‌کنندگان فاش می‌کند.

تبلیغات هدفمند از آغاز قرن اخیر، اهمیت بسیار زیادی پیدا کرده است و از آن، علاوه بر فروش کالا و خدمات، با اهداف دیگری از جمله انتخابات استفاده می‌شود. دلیل این امر آن است که افراد بسیار متنوع هستند و عملی و یا حتی ممکن نیست که با یک کارزار تبلیغاتی (Advertising Campaign | کمپین تبلیغاتی) همه افراد را پوشش داد. بنابراین، امروزه سازمان‌ها به تبلیغات هدفمند روی آورده‌اند تا درآمد خود را بهبود ببخشند.

برای کسب درک بهتر از رفتار کاربر، می‌توان داده‌های مربوط به فعالیت‌های او در اینترنت را گردآوری و تحلیل کرد. امروزه، عموما مردم برای فعالیت‌های گوناگون خود وابسته به اینترنت هستند. این فعالیت‌ها از پیدا کردن پاسخ پرسش‌های گوناگون، از «چه سریال تلویزیونی را ببینم؟» گرفته تا «هیپوتالاموس چیست؟»، و بسیاری از دیگر موارد را شامل می‌شود. اگر داده‌های تولید شده توسط این فعالیت‌های اینترنتی گردآوری شوند، تبلیغات‌کنندگان می‌توانند به طور مجازی مشتریان خود را در سطح بسیار شخصی بشناسند و تبلیغاتی درست متناسب با نیاز آن‌ها را به آن‌ها نمایش دهند. این کار، اقبال مراجعه کاربر به محتوای تبلیغ و استفاده از آن را به شدت افزایش می‌دهد.

این کاری است که امروزه شرکت‌های تبلیغات هدفمند با بهره‌گیری از یادگیری ماشین در حال انجام آن هستند. این فرایند برای غول‌های نرم‌افزاری مانند گوگل و فیس‌بوک بسیار سودآور است. این شرکت‌ها، عمده درآمد خود را با هدف‌گذاری خرد کاربران خود و تبلیغات محصولات مشتریان (سفارش‌دهندگان تبلیغات) به کاربران، به دست می‌آورند. 

گوگل، به دلیل استقرار ویژگی فیلتر گزینشی برای مشتریان خود استفاده می‌کند. بر این اساس، «الگوریتم جستجوی گوگل» (Google Search Algorithm) دارای یک سوگیری برای کاربران گوناگون است. این ویژگی، پتانسیل زیادی را برای تاثیر بر نتیجه انتخابات دارد و حقیقتا بیش از خود کاندیداها، سوابق، ر فتار و گفتار آن‌ها، در نتیجه انتخابات تاثیر دارد.

فیس‌بوک، لقب «تعقیب‌گر وسواسی» را به دلیل وسواسی که برای ردیابی تک تک کاربران دارد، از آن خود کرده است. فیس‌بوک، با دنبال کردن موارد زیر، به بینشی پیرامون کاربارن خود دست پیدا می‌کند.

• داده‌های موقعیتی: این داده‌ها، احتمالا ساده‌ترین راهکار برای ردیابی کاربران برای شرکت‌های گوناگون است. حتی اگر تنظیمات مربوط به موقعیت جغرافیایی توسط کاربر غیر فعال شده باشد، فیس‌بوک همچنان می‌توان افراد را با استفاده از آدرس IP آن‌ها ردیابی کند.
• حرکات موس: این افشاگری تکان‌دهنده که فیس‌بوک از حرکات موس کاربران برای شناخت بیشتر آن‌ها استفاده می‌کند، در شهادت مارک‌زوکربرگ در دادگاه انجام شد. فیس‌بوک، با استفاده از حرکات موس کاربران و تعاملات آن‌ها با نقاط داده گوناگون صفحه، بینشی را پیرامون نوع محتوایی که کاربر بیش از هر چیز با آن کار می‌کند، به دست می‌آورد.
•  برنامه‌های کاربردی متصل: فیس‌بوک، داده‌هایی را از دیگر برنامه‌های کاربردی که مالک آن است، شامل واتس‌اپ (WhatsApp) و اینستاگرام، گردآوری می‌کند تا بینش بیشتری نسبت به کاربران خود به دست آورد.

ماجرای رسوایی فیس‌بوک و کمبریج آنالیتیکا، منجر به تولد رسمی مفهوم «هدف‌گذاری خرد» (Targeted Advertising) شد. همین امر منجر به مشهور شدن این جمله شد که «اگر شما در حال پرداخت برای خرید یک محصول نیستید، شما مشتری نیستید؛ خود محصول هستید».

اگر این مطلب برای شما مفید بوده است، آموزش‌ها و مطالب زیر نیز به شما پیشنهاد می‌شوند:

مجموعه آموزش‌های داده کاوی و یادگیری ماشین

• آموزش یادگیری ماشین با پایتون
• پیاده‌سازی سیستم‌های توصیه گر در پایتون — از صفر تا صد
• مجموعه آموزش کسب و کار و استارت آپ
• نکاتی پیرامون سیستم‌های پیشنهادگر — پادکست پرسش و پاسخ
• ساخت سیستم توصیه‌گر در پایتون — به زبان ساده
• سیستم توصیه‌گر قیمت با پایتون — راهنمای کاربردی
• ساخت سیستم توصیه‌گر (Recommender System) فیلم با پایتون — راهنمای جامع و ساده

 

منبع [+]