深度学习在广告中的应用：预测算法如何改变定向投放

Cognitiv平台联合创始人兼CEO杰里米·费恩在Adspeak播客中解释了为什么人工智能在广告中真正的力量不在生成式模型，而在于基于大数据的深度学习。他表示，预测分析算法可以在购买展示前预测创意的有效性，而实时连续优化使品牌在扩展时获得3%的转化率提升——这在大规模媒体预算下会转化为数百万美元的额外收入。

为什么深度学习是大数据问题，而非创意问题

费恩强调，营销中的深度学习不是处理文字和图片，而是处理用户行为信号的海量数据。Cognitiv等平台在事件级别分析品牌的第一方数据——点击、浏览、交易——并构建模型，预测用户对特定创意或整合形式的反应。这将焦点从媒体采买这个终点转向媒体规划作为持续假设测试的工具。

核心原则是日志级数据框架：算法获得对详细交互日志的访问权限，而非CPM或CTR等平均化指标。这种粒度使得能够识别人眼无法看见的规律：例如，某种标题类型在25-34岁用户的傍晚时间表现良好，但在早晨则表现不佳。

如何在购买展示前预测创意效果

传统媒体采买遵循"上线—测量—调整"的流程。预测模型颠覆了这一过程：系统在放置之前评估每个创意和受众细分的转化概率。费恩举例说，算法分析哪些视觉元素、信息和整合形式在历史上为类似用户带来了目标行为，并为新活动建立预测。

这对网红营销尤其关键。与其按覆盖面和参与率选择博主，代理机构可以将订阅者人口统计、内容主题和参与动态等数据输入模型，获得每位候选人的KPI预测。该系统从过去整合的结果中学习，随着每次活动变得更加准确，能够确定哪个网红不仅能带来覆盖，还能带来转化。

竞争优势来自于持续的3%系统增长——而非一次性指标跳跃——在规模上，这转化为业务的倍数增长

实时优化与学习闭环

费恩强调了持续学习闭环的重要性——算法从每个展示获得反馈并即时调整策略的循环。例如，如果博主的整合在最初几小时显示出意外高响应，系统会自动增加相似展示和受众的预算。反面情况——创意失败——会触发预算向表现良好的形式重新分配。

这种方法将媒体计划从静态文档转变为动态工具。品牌可以同时测试数十个假设——创意类型、发布时间、网红组合——并仅扩展成功者。这降低了风险，提高了ROI，而无需增加总体预算。

俄罗斯品牌和代理机构的应用

对于在俄罗斯从事网红营销的品牌，实施预测分析从第一方数据审计开始。需要过去整合的详细指标：不仅是覆盖面和参与率，还要有按受众和形式细分的点击、点击率和转化。这些数据成为模型训练的基础。能够收集和结构化此类数据集的代理机构可以获得在活动启动前精确预测结果的工具。例如，ETC团队在选择博主和规划媒体采买时，可以使用客户的历史数据来模拟受众对不同整合形式的反应，并选择达到KPI概率最高的网红。

作为效率倍增器而非团队替代品的AI

费恩告诫不要将AI视为削减成本的工具。算法自动化了常规工作——数据收集、假设测试、预测计算——但战略决策仍掌握在人手中。营销人员可以将时间投入到创意、定位和品牌大使合作上。本质上，预测分析将每个专家转变为能够基于准确预测而非直觉做决策的分析师。

常见问题

什么是广告中的预测分析

预测分析是使用机器学习算法在广告活动启动前预测其结果的做法。该系统分析关于受众行为、创意有效性和转化的历史数据，以预测哪些形式和展示将带来最大ROI。

深度学习如何帮助选择博主

深度学习算法处理有关网红订阅者、参与动态和过去整合结果的详细数据。基于这些模式，模型预测哪位博主最有可能为特定品牌和产品提供目标转化，而不仅仅是高覆盖。

实时广告优化有什么优势

实时优化允许算法根据实际受众反应在活动进行中调整预算分配和媒体选择。如果整合的表现超出预期，系统会自动增加对相似展示的投资，从而在不增加预算的情况下提高整体ROI。

概览

• 广告中的深度学习使用大数据和预测模型而非生成式内容——成功的基础是详细的行为数据。
• 预测分析允许在购买展示前预测创意和整合的有效性，降低活动失败的风险。
• 通过算法在扩展时实现3%的系统指标增长为品牌提供了转化和收入的倍数增长。
• 实时优化将媒体计划转变为动态工具，在活动进行中将预算重新分配给表现良好的形式。
• 对于俄罗斯网红营销，关键步骤是审计第一方数据，按受众、形式和转化进行详细分类。
• AI不会替代营销人员，而是解放他们的时间，使他们能够专注于战略和创意。