AI யுகத்தில் பெய்டு மீடியா (Paid Media) விளையாடும் விதம்

டிஜிட்டல் விளம்பரம் என்பது முன்பு கைகளால் செய்யப்படும் துல்லியமான வேலையாக இருந்தது, ஆனால் இப்போது அது அல்காரிதம்களை இயக்கும் ஒரு போராக மாறிவிட்டது. பல ஆண்டுகளாக, மீடியா வாங்குபவர்கள் தங்களின் நுணுக்கமான கட்டுப்பாட்டிற்காக பெருமைப்பட்டனர்; பைசா கணக்கில் பிட்களை (bids) மாற்றுவதும், மிகத் துல்லியமான கீவேர்டுகளைத் தேர்ந்தெடுப்பதும் அவர்களின் வழக்கமாக இருந்தது. அந்த காலம் முடிந்துவிட்டது. இன்று, மிகவும் வெற்றிகரமான கேம்பெயின்கள் (campaigns) பிளாக்-பாக்ஸ் (black-box) சிஸ்டங்களை நம்பியுள்ளன, இதற்கு அதிக நம்பிக்கையும் குறைவான தலையீடும் தேவை. இந்த மாற்றம் செயல்திறனைப் பற்றியது மட்டுமல்ல; பிராண்டுகள் மக்களைச் சென்றடையும் விதத்தையே இது மாற்றியமைத்துள்ளது. மார்க்கெட்டர்கள் இப்போது ஒரு முரண்பாட்டை எதிர்கொள்கின்றனர்: நீங்கள் எவ்வளவு அதிகமாக ஆட்டோமேஷன் (automation) செய்கிறீர்களோ, அவ்வளவு குறைவாகவே ஒரு குறிப்பிட்ட விளம்பரம் ஏன் வேலை செய்தது என்பது உங்களுக்குத் தெரியும். வாடிக்கையாளரைத் தேடுவது இப்போது இலக்கல்ல, மாறாக மெஷினுக்குத் தேவையான உயர்தர டேட்டாவை (data) வழங்குவதே இலக்கு, அப்போதுதான் அது உங்களுக்காக வாடிக்கையாளரைக் கண்டறியும். இதற்கு தொழில்நுட்ப நுணுக்கங்களிலிருந்து விலகி, உயர்மட்ட கிரியேட்டிவ் உத்தி மற்றும் டேட்டா ஒருமைப்பாட்டை நோக்கி நகர வேண்டும். நீங்கள் இன்னும் அல்காரிதமுடன் மேனுவலாகப் போட்டியிட முயன்றால், மில்லி விநாடிகளில் மில்லியன் கணக்கான சிக்னல்களைச் செயலாக்கும் கணினிக்கு எதிராக நீங்கள் தோற்றுப்போகும் போரைத்தான் நடத்துகிறீர்கள்.

மெஷின் லேர்னிங் பிளாக்-பாக்ஸின் உள்ளே

இந்த மாற்றத்தின் மையப்பகுதி Google Performance Max மற்றும் Meta Advantage Plus போன்ற டூல்களில் (tools) உள்ளது. இந்த சிஸ்டங்கள் சர்ச், வீடியோ மற்றும் சோஷியல் என பல வடிவங்களில் ஒருங்கிணைந்த கேம்பெயின்களாகச் செயல்படுகின்றன. குறிப்பிட்ட பிளேஸ்மெண்டுகளுக்கு (placements) தனித்தனி பிட்களை நிர்ணயிப்பதற்குப் பதிலாக, நீங்கள் சிஸ்டத்திற்கு ஒரு இலக்கு, பட்ஜெட் மற்றும் கிரியேட்டிவ் அசெட்களை (creative assets) வழங்குகிறீர்கள். பயனர்களின் நிகழ்நேர நடத்தையின் அடிப்படையில் விளம்பரம் எங்கே தோன்ற வேண்டும் என்பதை AI தீர்மானிக்கிறது. இது நோக்கம் சார்ந்த டார்கெட்டிங்கிலிருந்து (intent-based targeting) முன்கணிப்பு மாடலிங்கிற்கு (predictive modeling) மாறியுள்ளதைக் குறிக்கிறது. மெஷின் பில்லியன் கணக்கான டேட்டா புள்ளிகளைப் பார்த்து, அடுத்து யார் கன்வெர்ட் (convert) செய்ய வாய்ப்புள்ளது என்று கணிக்கிறது. அந்த நபர் ஒரு சிறிய பிளாக்கில் இருக்கிறாரா அல்லது பெரிய செய்தி தளத்தில் இருக்கிறாரா என்பது அதற்கு முக்கியமல்ல. முடிவு மட்டுமே அதற்கு முக்கியம். இந்த ஆட்டோமேஷன் ஸ்கேல் (scale) சிக்கலைத் தீர்க்கிறது, ஆனால் வெளிப்படைத்தன்மையில் ஒரு இடைவெளியை உருவாக்குகிறது. எந்த சர்ச் டேம்கள் (search terms) விளம்பரத்தைத் தூண்டியது அல்லது எந்த கிரியேட்டிவ் காம்பினேஷன் (creative combination) விற்பனையை ஏற்படுத்தியது என்பதை மார்க்கெட்டர்களால் சரியாகக் கண்டறிய முடிவதில்லை. மெஷின் இறுதி கன்வெர்ஷனுக்காக ஆப்டிமைஸ் (optimize) செய்வதால், இந்த டேட்டா தேவையற்றது என்று பிளாட்ஃபார்ம்கள் வாதிடுகின்றன. இருப்பினும், இந்தத் தெளிவின்மை காரணமாக, தங்கள் பணம் எங்கே செலவிடப்பட்டது என்பதை அறிய விரும்பும் ஸ்டேக்ஹோல்டர்களிடம் (stakeholders) பதில் சொல்வது கடினமாகிறது. கிரியேட்டிவ் உருவாக்கமும் இப்போது ஒரு நேட்டிவ் அம்சமாகிவிட்டது. பிளாட்ஃபார்ம்கள் இப்போது தானாகவே படங்களை கிராப் (crop) செய்யவும், தலைப்புகளை உருவாக்கவும், ஒரே ஸ்டேடிக் ஃபைலில் (static file) இருந்து வீடியோ வேரியேஷன்களை (video variations) உருவாக்கவும் முடியும். அதாவது கிரியேட்டிவ் என்பதே ஒரு சிக்னலாக மாறிவிட்டது. எந்த நிறங்கள், வார்த்தைகள் மற்றும் லேஅவுட்கள் குறிப்பிட்ட ஆடியன்ஸ் செக்மெண்டுகளை (audience segments) ஈர்க்கின்றன என்பதை அறிய மெஷின் ஆயிரக்கணக்கான வேரியேஷன்களை டெஸ்ட் செய்கிறது. இது எந்த மனிதக் குழுவாலும் செய்ய முடியாத இடைவிடாத சோதனை முயற்சி.

சிக்னல் இழப்புக்கு எதிரான உலகளாவிய போர்

AI நோக்கிய இந்த நகர்வு டெக் நிறுவனங்களின் விருப்பம் மட்டுமல்ல. இது உலகளாவிய பிரைவசி (privacy) மாற்றங்களுக்குத் தேவையான ஒரு எதிர்வினை. ஐரோப்பாவின் GDPR மற்றும் கலிபோர்னியாவின் CCPA போன்ற விதிமுறைகள், ஆப்பிளின் App Tracking Transparency ஆகியவற்றுடன் சேர்ந்து, பாரம்பரிய டிராக்கிங்கை (tracking) கடினமாக்கியுள்ளன. பயனர்கள் டிராக்கிங்கை மறுக்கும்போது, டேட்டா ஸ்ட்ரீம் (data stream) நின்றுவிடுகிறது. இதுவே சிக்னல் இழப்பு (signal loss) என்று அழைக்கப்படுகிறது. இதைச் சமாளிக்க, பிளாட்ஃபார்ம்கள் AI-ஐப் பயன்படுத்தி இடைவெளிகளை நிரப்புகின்றன. நேரடியாக டிராக்கிங் செய்ய முடியாதபோதும், பயனர் என்ன செய்தார் என்று கணிக்க அவை ப்ராபபிலிஸ்டிக் மாடலிங்கைப் (probabilistic modeling) பயன்படுத்துகின்றன. இது மிகவும் பிரைவேட்டான இணையத்திலும் விளம்பரம் பயனுள்ளதாக இருப்பதை உறுதி செய்கிறது. நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம். இந்த உலகளாவிய மாற்றம் பெரிய நிறுவனங்களுக்கும் சிறிய வணிகங்களுக்கும் இடையே ஒரு பிளவை உருவாக்குகிறது. பெரிய நிறுவனங்களிடம் இந்த AI மாடல்களைப் பயிற்றுவிக்கத் தேவையான ஃபர்ஸ்ட்-பார்ட்டி டேட்டா (first-party data) உள்ளது. அவர்கள் வாடிக்கையாளர் பட்டியல்கள் மற்றும் ஆஃப்லைன் கன்வெர்ஷன் டேட்டாவை (offline conversion data) பதிவேற்றி, ஒரு