前方の計算広告

- 概念と方向性

要約

この記事では、コンピューティング広告の開発について説明します。 この記事では、コンピューティング広告を定義し、コンピューティング広告の歴史的背景と概念について説明します。 我々は、計算広告に関連する即時かつ重要な問題を研究し、今後10年以上のための将来を見据えた研究課題を確立するために、異なる分野、方法論、主題的視点、および異なる専門知識から学者間の新しい研究協力を促進することを目的としたユニークな思考リーダーシップ創造(TLF)モデルについて説明します。 この記事では簡単に説明します広告を計算します特集記事5記事。 次に、コンピューティング広告の今後の課題と機会を確認し、今後の研究の方向性を提言します。

テクノロジーは、広告の出現と発展において重要な役割を果たしてきました。 これは、広告の定義を変更し、広告の実践を変更し、その分野の理論的な境界を突破し、時には子会社の領域を生成し、広告業界の発展を促進することによって、広告学者や実務家が適応し、新しい技術を採用することを促進します。

例えば、インターネットが私たちの生活に入ると、それは広告や広告代理店のビジネスに根本的な変化をもたらし、インターネットオンライン広告(Ha 2008; Plummer et al. 2007; Schumann and Thorson 2007)は、後にインタラクティブ広告(Interactive Advertising Bureau 2020; Leckenby and Li 2000)は、最終的に現在のデジタル広告(Rodgers and Thorson 2017)に進化しました。

広告業界を揺るがす最新の技術革命は、Web n.0 (Web 2.0、3.0 など) であり、ビッグデータの蓄積と可用性、およびハードウェア (ストレージとコンピューティング) コストを削減する新しい人工知能 (AI) アルゴリズムが実現します。 ハードウェア速度の向上と相まって、これらはすべてデータの高次分析に役立ちます。

これらの変化の重要性と魅力の高まりは、広告雑誌(第46巻、第2号)と人工知能と広告に関する最近のビッグデータの特集(第48巻、第4号)で見ることができます。我々は、この新しい現象は、重要なパラダイムシフトであると考えています広告、技術ツール、または能力の新しいタイプだけでなく。 これを計算広告(CA.computational advertising)と呼ぶ.

計算広告は次のように定義されます。より強力なコンピューティング能力、数学モデル、アルゴリズム、および技術インフラストラクチャに依存して、メッセージを作成または配信し、個々の動作を検出する広範なデータ駆動型広告アプローチ。

これは、市場分析、市場セグメンテーション、ターゲティング、広告メッセージの作成、メディアスケジュール、広告パフォーマンス評価など、広告プロセス全体に適用されます。 これは、さまざまなメディアタイプと市場環境にまたがるオンラインとオフラインの世界で発生します(Yun et al.が提案した図1,2020を参照)。

ここでは、採用を開始しましたダーレン=ローゼングレン(2016)提案された最新の広い意味での広告は、「ブランド関連のコミュニケーションキャンペーンは、人々に影響を与える」と定義しています。 広告の概念化の計算の詳細については、Helberger(2020) などを参照してください。

翻訳者の注意:Huh教授は、2016年にダレンとローゼングレンの新しい広告定義の論争に参加しました。 新しい広告定義の基礎は、主流の学者のコンセンサスに入っています。

広告の歴史と進化を計算します

広告の計算の目的は、従来の広告と変わらないです: より良いターゲティングを使用して広告リソースをより効率的に割り当て、広告の関連性とパーソナライゼーションを高め、パフォーマンスを向上します。 これは通常、タッチポイントの作成と管理、すなわち、適切なタイミングで適切な場所で、適切な周波数で適切な消費者をターゲットとし、適切な応答を引き起こすことに要約されます(Perlich et al., 2012)。

ターゲット ターゲティングとは、どの消費者がタッチ ポイントに触れるべきか、いつ接触するかを決定することです (Goldfarb 2014; Prinzie と Van den Poel 2005)。 ターゲット設定の決定例には、特定の消費者が特定のディスプレイ広告にアクセスできるようにプログラムされた入札を作成するか、見込み顧客に電子メールを送信するかどうかが含まれます。

パーソナライゼーションは、異なる学者のための異なる何かを意味します。広告(白月森本 2012;キムフー 2017)、経営科学(MurthiおよびSarkar 2003)およびコンピュータサイエンス(Riecken 2000)の分野では,高度に引用された見解がある. 「パーソナライゼーション」という用語は、個々の好みや個人の特性に合わせて、各ユニークな受信者に合わせた広告コンテンツを表します(Baek と Morimoto 2012; Kim および Huh 2017)。 簡単に言えば、目標は、与える消費者との接点を確立するかどうか、いつ、どのように確立するかであり、パーソナライゼーションは、タッチポイントの特性を消費者とより関連させる(Blom 2000)。

コンピューティング広告がどこから来るかを知ることは、その将来の軌道を理解するのに役立ちます。

図 1 に示すように、コンピューティング広告は 3 つの領域のユニークな交差点にあります。広告、マーケティング、コンピュータサイエンス(CS)/情報技術(IT)/経営情報システム(MIS)。 これは、通信販売のビジネスモデルとダイレクトマーケティングの子孫です。 ペトリソン、ブラッタバーグ、and Wang(1993)は、この分野の多くの先駆者とのインタビューを含む、これらの方法の良いプレゼンテーションを提供しました。

ターゲット設定と関連性を高めるために顧客データベースを収集および分析するプラクティスは 1920 年代にさかのぼり、今日のコンピューティング広告で使用される多くの重要な変数 (最近、頻度、金銭的価値 RFM など) は、ほぼ 1 世紀にわたって存在しています。 20世紀の技術と実践は着実に発展してきましたが、1990年代には、多くの要因の出現により、変化が加速しました。 これらの要因には、インターネットの導入、コンピュータ ストレージ コストの削減、コンピュータ処理速度の向上、デジタル環境における顧客接点の増加などがあり、消費者の行動を簡単に監視し、最終的にはビッグデータを作成できます。 これらの変更は、コンピューティング広告の発展と繁栄のための条件を作成します。

これらの変更は、ダイレクトマーケティングにとって重要です。

まず第一に、広告の決定のための時間枠が圧縮されます。以前は、企業がデータベースでモデルを実行して、ターゲットとする顧客を特定し、メッセージをパーソナライズし、テープをトリミングし、プリンタに出荷し、郵便サービスで送信するのに数週間かかりました。 顧客の応答は、今後数ヶ月で低下します (ビッグ ブック カタログの場合、応答時間はさらに長くなります)。 Web サイトなどのデジタル環境への移行は、多くの場合、このオリエンテーションとパーソナライズされた意思決定を直ちに行う必要があり、多くの場合、数分で顧客の反応を得る必要があります。

その結果、広告のタッチポイントを開発する場合計算の複雑さ (大まかに言えば、アルゴリズムの実行に必要な計算の数) が重要な考慮事項です。 第 2 に、データの量、種類、および速度 (ビッグ データの "3V") が急速に増加し、分析データセットの複雑さが増します (Malthouse と Li, 2017)。 ダイレクト マーケターは、SPSS で回帰モデルを実行する方法の基本を習得できますが、より複雑なデータセットには、より複雑なデータ管理、コーディング、およびモデリングのスキルが必要です。 モデルは、オフライン コンピュータ システムでバッチ モードで実行するだけでなく、顧客のタッチ ポイントを管理する重要なビジネス コンピュータ システムに実装する必要があります。

圧縮された意思決定時間枠と豊富で複雑なデータは、その価値を引き付け始めますコンピューティング、機械学習/人工知能、最適化、その他のマーケティング/管理科学スキル学者や専門家は、広告の問題を解決します。これらの研究者は、多くの新しい分野を作成しました。根本的に広告を変更しました。

たとえば、VCG の 2 番目に高いオークションは、広告メディア リソースの販売方法を変更します。 2番目に高いオークションでは、最高入札者は2番目に高い入札のみを支払います。 これらのオークションは、検索広告やディスプレイ広告から始まり、他の広告メディアで広く普及しています。

第2の例として、推奨システム(RS)商品をユーザーと照合することで、顧客が関心のある商品を見つけるのに役立つテクノロジとアルゴリズム。 紹介システムの初期のアプリケーションには、小売業者がメディア コンテンツ (映画、ニュース、曲など) を消費者に推奨する商品やプラットフォームのクロスセルが含まれます。 ソーシャル メディア プラットフォームは、スポンサー コンテンツ広告をユーザーに推奨するために紹介システムを使用する機能を使用する現在です。 将来的には、より多くの広告配置の決定が推奨システムの問題と見なされる可能性があります (Malthouse et al.2019)。

第三に、機械学習と予測分析モデルを開発しましたさまざまな顧客行動 (顧客離職、コンバージョンなど) の可能性を予測し、入札を作成する方法を提供します。 第四に、広告の経済的利益や、顧客のライフサイクル価値やブランド資産の普及など、概念に対する関心が高まっています。

第五，计算机介导的环境促进了随机对照测试（RCT/ABtest）。高科技公司所拥有的一项竞争优势也许是能够通过此类テストでは、広告の掲載結果をすばやく確認できますしたがって、無効な方法を改善します。

これらのアプリケーションはすべて1990年代に成長し始め(要約については表1参照)、最近までAIが大きな役割を果たしているのを見始めていました(Li 2019)。

インターネット広告VCGの広範な第2価格は、2020年のノーベル経済学賞受賞者ミルグロームとウィルソンのオークション理論に由来しています。

広告のイデオロギー的リーダーシップの構築を計算する

コンピューティング広告は広く採用され、急速に拡大していますが、コンピューティング広告に関する広告研究はまだ初期段階にあり、多くの未調査の研究方法や概念があり、方法論的な課題や機会があります。 このセクションの目的は、コンピューティング広告のエコシステムを明確かつ包括的に理解し、新しい研究分野を探索し、新しい研究課題を設定し、コンピューティング広告の新興分野の研究を促進する方法を改善し、広告実践と学術研究にこの計算方法をより広く適用することです。

そのために、異なる分野、方法、視点、専門知識を持つ学者間の新しい研究協力を促進し、コンピューティング広告に関連する重要かつ即時の問題を研究し、今後10年間の将来を見据えた研究アジェンダを確立するための独自の思考リーダーシップフォーラム(TLF)モデルを開発しました。 コンピューティング広告ソリューションの開発と実装は、主にコンピュータ科学者によって行われますが、しかしコンピューティング広告は本質的に学際的ですしたがって、広告、コンピュータサイエンス、マーケティング/管理科学、サービス、消費者行動、情報および意思決定科学を含む学際的なコラボレーションが必要です(図1)。 そこで、TLFでは、様々な分野の計算研究手法に精通した、これらの分野に関する専門知識を有する優秀な上級研究者や現役の若手研究者を招いています。 これらの異なる背景を持つ研究者が一堂に会し、広告の計算に関連する重要かつ即時の問題を検討し、今後数年間のための将来を見据えた研究課題を設定するユニークな機会を提供します。

TLFの参加者については、2人のシニア広告実務家を招き、基調講演を行い、広告の方向性について意見を述べた。 彼らは、広告エコシステムのさまざまな側面を提示します。 Consilient Group LLCの創設者であり、Wunderman /WPPの元副会長であり、最高顧客責任者は代理店を代表し、ジョナサン・コプスキー(ノースウェスタン大学、デロイト・コンサルティングの元最高マーケティング責任者)は、クライアントを代表していますが、実際には、両方の役割で豊富な経験を持っています。

広告の計算に関する5つの主要研究分野を計画し、広告と他の分野との新たな交差点の探索に重点を置いています。 各分野に異なる学者のチームを割り当て、重要な課題を特定し、それぞれの分野で将来の研究課題を策定することを目標にしています。

これら5つの主要分野は、(1)広告エコシステムの計算とマクロおよび外部問題、(2)広告ユーザー生成コンテンツ問題の計算、(3)広告ブランドによるコンテンツ問題の計算、(4)広告情報配信と広告配置の問題の計算、(5)広告結果評価/パフォーマンス指標の計算です。

分科会の後、チームは再び集まり、各チームが論文のアイデアを紹介し、他のチームからフィードバックを得た。 議論では、TLF 参加者は、コンピューティング広告の定義と境界について説明しましたコンピューティング広告エコシステムの草案が共同で開発され、各チームの仕様と範囲が調整されました。 会議の後、チームは論文を書くリモートで作業します。 すべての論文は、3つのレビュー担当者を含む厳格なピアレビューを受けた:広告雑誌の編集者のレビュー委員会から1つ、この分野の専門知識を持つフルタイムのレビュー担当者と、記事の接続と一貫性を強化するために別のTLFチームから。

記事の概要と主な貢献

TLFの実験プロジェクトは、最終的に5つの記事を生成し、それぞれが焦点を当てている計算広告調査のユニークな重要な領域ですが、いくつかの点では、他の記事を補完し、相乗効果を生成するために重複しています。 最初の記事「コンピューティング広告におけるマクロと外部要因:主要な問題と新しい研究方向」(Helberger et al., 2020)は、マルチ利害関係者を紹介します広告エコシステムの概念フレームワークと主要な要因を計算しますは、計算広告研究の基礎を築いた。 また、さまざまな利害関係者間の関係と相互作用における重要な緊張点も特定します。 その後、新しいコンピューティング広告業界と再定義された利害関係者との密接な関係と、監視および通信技術の2つの主要な技術カテゴリの環境要因について詳しく説明します。

から広告、マーケティング、管理、コンピュータサイエンス、法律研究分野の視点から、異なる分野で特定された各問題に関する既存の研究を振り返り、消費者と公平性を保護しながらイノベーション競争を促進し、異なるステークホルダーがしばしば相反する利益のトレードオフを慎重に検討しようとする将来の研究課題を提示します。 この記事の図 1 は、残りの記事でカバーされる領域のより高いレベルのロードマップも提供します。

第2回「創造・メタ表現・コミュニケーション:計算広告におけるユーザーの役割を理解するためのロードマップ」(Liu-Thompkins et al., 2020)では、その主な役割について紹介しています消費者が作成および拡大した新しいタイプの広告そして、結果として生じる副産物 - ビッグデータ。 本論文では、ユーザー生成コンテンツに関する既存の研究の概要を示し、ユーザー生成コンピューティング広告研究の重要な研究ギャップと機会を発見した。 また、広告研究者や実務家が、現在および将来の新しい消費者についての理解を深めるために、研究の問題と実践的意義について深く考えさせています。

この記事では、消費者の新しい積極的な役割を広告戦略開発に効果的に統合する方法と、広告の研究と実装に計算方法を適用する方法について説明します。 また、広告を計算するユーザー生成コンテンツの問題とブランド生成コンテンツの問題との明確な違いも示し、次の記事を容易にします。

第3回「広告時代のブランドコンテンツ自動生成モデルの概要」(van Noort et al., 2020)では、新しい記事を紹介しますブランド コンテンツは、モデル (ABC) モデルを自動的に生成しますこのモデルには、2 つの主要な入力データ タイプ (消費者データとブランド データ)、入力データに基づいて広告コンテンツを自動的に生成するプロセス、およびこのプロセスの予想される出力が含まれます。 この3つの部分について、この論文は、現在の業界慣行、既存の研究文献の洞察、研究のギャップについて綿密な議論を行い、広告学者に研究課題を提供し、広告実務者に実用的な意義をもたらす。

この記事では、データ駆動型自動広告コンテンツ作成のための新しい概念フレームワークを提供し、計算広告の研究と実践の発展に貢献します。 この記事では、自動広告コンテンツ生成の結果に影響を与える主な要因を特定し、自動広告コンテンツ作成プロセスとトラップの最適化に関する洞察を提供し、ABCモデルの決定を導くために主要な研究ギャップと研究課題を強調します。

第4回「露出の購入からエンゲージメントの促進まで:新興のコンピューティング広告環境におけるブランド・コンシューマー・エクスペリエンス」(Araujo et al., 2020)は、コンピューティング広告の時代におけるメディアプランニングの意味と、それをうまく行う方法について疑問を投げかしています。 この質問に答えるために、この論文は、広告媒体の計画戦略と意思決定の基礎は、購入の露出からシフトする必要があると考えています意味のある消費者の浸漬に焦点を当てEngagement。

本論文では、消費者エンゲージメント調査のレビューに基づき、広告環境における消費者エンゲージメントを計算するための最新の概念を提供し、広告メディア計画の計算において、変化し、ますます重要な測定機能について議論する。 この記事では、広告測定の計算に関連する測定と倫理に関する研究課題を提供し、最初と最後の記事で研究課題との重要なリンクを強調しました。

最後に、コンピューティング広告測定システムの課題と今後の方向性(Yun et al., 2020)は、すべての記事で提起された質問と研究課題をまとめ、最初の記事で紹介したコンピューティング広告エコシステムの全体的な数値に対応する拡張コンピューティング広告エコシステム(図1)の概要を提供しますが、6 J. HUHとEC MALTHOUSEは、他の特定の次元と測定固有の問題の詳細な説明を提供します。

また、拡張されます広告効果測定のための全体的な研究フレームワークまた、広告測定の計算は、従来のパフォーマンス 階層モデルやその他のパフォーマンス モデルに基づいて広告のパフォーマンスを測定するだけでなく、重要なポイントも提案します。 代わりに、測定は、コンピューティング広告エコシステムが機能する理由です。 この論文で提示される研究課題は前向きであり、現在完了し、何が可能か、そして今後数年間で何ができるのかを詳細に検討しています。

コメントと将来の課題を終了します

広告の将来の発展を計算する方法の 1 つは、2 つの側面を考慮することです。 まず第一にオリエンテーションとパーソナライゼーションレベル。 コンピューティング広告の適用により、多くの広告のタッチポイントは、幅広い人口セグメントのターゲット設定から個々の消費者に絞り込まれます。 個々の消費者データの量、種類、品質は、特にMalthouse(2018)が呼び出す消費者/ユーザーの現在の状態に関する以下のデータの出現により、将来的に改善される可能性がありますシーン変数コンテキスト依存の紹介システム (Adomavicius と Tuzhilin, 2011): ユーザーとの関わり、ユーザーが何をしているか、タッチ ポイントが発生したタイミング、ユーザーがどこにいるか (場所)、ユーザーがこれを行う理由 (動機)、ユーザーがブランドと対話する方法 (使用するデバイスなど) に触発されました。 過去には、広告学者や実務家は、主に広告(例えば、車に広告を置く)とメディアツールに興味を持っていました。 将来的には、環境の定義はより広範になり、現在のメディア環境の概念に取って代わるでしょう。 

考慮すべき2番目の側面です時間枠を計画します。 現在、コンピューティング広告は、特定の個々のタッチポイントのターゲティングとパーソナライゼーションの最適化に主に取り組み込みされています。 将来的には、時間が経つにつれて、時間枠が 1 つのタッチ ポイントから複数の連続したタッチ ポイントまで拡張される予定です。 これはコンタクト戦略(Kestnbaum、Kestnbaum、Ames 1998)と呼ばれ、マーケティングオートメーション(Heimbach、Kostyra、Hinz 2015)、カスタマーエクスペリエンス管理(CXM)、強化学習(Verhoef, 2009)でますます行われています。 )

これは、機械が時間の経過と一緒に自動的に広告の決定を行う自動運転車の開発に似ています。 人手による介入を必要としない全自動運転車(「レベル5」)は、遠い将来まで実現できませんが、自動車線修正、衝突防止システム、その他の環境検出機能など、多くの半自動機能が実装されています。 繰り返しますが、我々は予見することができますコンピューティング広告は、将来的には半自律的な広告システムに発展しますは、特定の中期的なビジネス目標を最適化できます。

ハイブリッド広告システム(半自動車両機能など)を作成し、機械の利点(安定性や関連する履歴データの多さなど)と人間の脳の利点(あいまいな意思決定の必要性、相反する目標のバランスをとる必要がある場合、履歴データがほとんどない場合など)を組み合わせる方法。 これは、ハイブリッド推奨システム (Burke 2002; Cano and Morisio 2017)。

人工知能、ビッグデータ、コンピュータ媒介環境(広告の構成要素を計算する)が広告にどのように影響するかを予測するもう 1 つの方法は、広告が同様の軌道をたどると仮定して、これら 3 つの要因が他の領域にどのように影響するかを調べたい方法です。 広告における重要な進歩は、まったく異なる問題に対して開発されたアルゴリズムと技術の研究から生じ得る。と広告の問題に適応させる。

例えば、バイオテクノロジー分野で開発されたアルゴリズムや研究手法は、高次元の遺伝子発現と疾患との関係を研究するために開発され、ソーシャルメディアにおけるさまざまなトピックの上位指標と、製品やサービスに対するユーザーの関心と、将来の購入の可能性との関係を研究するために応用できるでしょうか。 なげなわ回帰モデルなどの技術は、現在、両方の分野で使用されていますが、ゲノミクスの広告問題に適用できる他の進歩はありますか? 自動車衝突防止システムで使用されるアルゴリズムは、広告プロセスを自動化するために使用できますか?

コンピューティング広告の急速な拡大と反復性を考えると、広告コミュニティがコンピュータ サイエンティストから学ぶ必要があるイニシアチブの 1 つは、次のことです学界でモデリングコンテストを開催コンピュータ サイエンスの分野の発展に受動的に焦点を当てるのではなく、テスト環境とベンチマーク データセットを確立します。 有名なコンテストは、Netflix賞(2006-2009)です。 Netflixは大量のフリーデータを公開し、予測提案の精度をある程度高める限り、チームに100万ドルのボーナスを提供しました。

この知名度の高いコンテストは、紹介システムを研究するために多くの才能のある学者を集め、広告ジャーナルの競合他社は、多くの方法で進歩しました。 知識発見とデータマイニング(KDD)と推奨システム(RecSys)を含む主要なコンピュータ協会(ACM)会議は、毎年コンテストを後援しています。 コンペティション データセットおよびその他のデータセットは、新しいアルゴリズムのテストと教育のためのベンチマーク データセットとして公開されます。 例については、カリフォルニア大学アーバイン校の機械学習リソース ライブラリと Kaggle を参照してください。

これらの例は推奨システム領域に限定されていますが、コンピューティング広告の問題を解決する他の方向にも同様の取り組みが必要で可能性があります。 このような競争は、新しい問題やデータセットに注意を喚起し、特定の種類の問題に対してどのアプローチが優れているかをフィールドスタッフに知らせ、新しいアルゴリズムやアプローチを鼓舞します。 MovieLensプロジェクト(HarperとKonstan, 2016)は、学者のための完全に機能する映画紹介システムです新しいアイデアと豊富なデータセットをフィールドでテストします研究と教育のための環境。

このような公開コンテストのもう一つの大きな利点は、コンピューティング広告の研究と教育は、限られた方法やツールは、現在、市場では、GoogleやFacebookは、コンピューティング広告の将来の発展を促進するために、広告学界で提供している限られた方法やツールを超えている。

さまざまな分野の多くの人々は、コンピューティング広告のさまざまな側面に取り組む。 将来的には、広告はますます学際的になります。 広告学者にとっての課題は、同じ問題に取り組む他の分野の学者とつながり、協力することです。 RecSys や KDD などの ACM 会議に参加します。 フィールドがコンピューティング広告と同じ要因の影響を受ける限り、他の分野の会議に参加できます。コンピュータが媒介する環境、ビッグデータ、機械学習/AI。

学際的なコラボレーションを通じて、広告学者は、説得力のある意味のある広告問題と強力な理論的枠組みをもたらし、異なる分野の背景を持つ研究者と協力し、互いに学び、アイデアを交換し、互いの主題言語を理解した後、生産的な協力を促進するための共通の用語を開発することができる必要があります(詳細な議論については、Huh 2017を参照)。

これは、広告業界では、多くの破壊的な力は、広告の分野でのルーツを揺るがし、新たな可能性と研究への新しい道を開くエキサイティングな時間です。 将来的には、広告環境はよりデジタル化され、より細かいデータ、より高速なコンピュータ処理、より良いアルゴリズムが可能になります。 消費者は、ブランド情報を作成および公開する方法が増え、表示したくないメッセージを簡単に閉じることができます。

同時に、広告は、複数の利害関係者と複数の外部要因の観点から考慮する必要がある、より大きなエコシステムの一部です。 広告主は、合格したい場合消費者との継続的な相互作用は、コンピューティング広告を最大限に活用しますその可能性は、タッチポイントを中断し、消費者に影響を与えようとする古い広告概念から脱却し、シームレスなタッチポイントサービスに移行し、消費者を惹きつけ(MalthouseとCalder 2018)、ブランドを自分たちの生活に招待することです(Deighton and Kornfeld 2009)。

タッチポイントは、より多くのになります消費者は、価値を生み出すサービスに参加します。 この考え方や広告の変革を導くためには、広告の分野からより体系的な研究が必要です。 このトピックの論文集が、コンピューティング広告に関する将来のイノベーション研究を鼓舞し、促進することを期待しています。