เคยสงสัยกันไหมว่าโฆษณา Facebook เบื้องหลังทำงานอย่างไร
Facebook รู้ได้อย่างไรว่าจะส่งโฆษณาแบบไหนให้ตรงใจคน ทำไมใส่เงินโฆษณาไปเยอะ ๆ แต่ก็ไม่ได้ทำให้โฆษณาได้ผลลัพธ์ดีขึ้นเท่าไหร่ ไม่นานมานี้ Facebook ได้ออกมาเปิดเผยว่าวิธีการตัดสินว่าจะแสดงโฆษณาให้ผู้คนในระบบอย่างไรโดยใช้ Machine Learning เป็นตัวการสำคัญ ในบทความนี้เราจะมาสรุปให้อ่านกันครับ
ปัจจัยหลักของการเลือกนำส่งโฆษณา Facebook
Facebook ตัดสินใจว่าจะแสดงโฆษณาให้ผู้คนด้วย 2 ปัจจัยหลักคือ การกำหนดกลุ่มเป้าหมาย และ ผลลัพธ์ที่ต้องการจากโฆษณา
ก่อนอื่น นักโฆษณาจะเป็นคนกำหนดกลุ่มเป้าหมายผ่านเครื่องมือ Self Service ของ Facebook (อย่าง Ads Manager) กลุ่มเป้าหมายสามารถสร้างขึ้นโดยกำหนดลักษณะต่าง ๆ เช่น อายุ, เพศ รวมถึงสิ่งที่ผู้คนกระทำบนแอป เช่น กดไลก์ Facebook Page หรือคลิกโฆษณา
นักโฆษณายังสามารถใช้ข้อมูลเกี่ยวกับกลุ่มเป้าหมายที่พวกเขามีเช่นรายชื่ออีเมล หรือ ผู้คนที่เยี่ยมชมเว็บไซต์ มาสร้างกลุ่มเป้าหมาย Custom Audience หรือกลุ่มเป้าหมาย Lookalike Audience
ในการกำหนดกลุ่มเป้าหมาย คนหนึ่งคนสามารถตกอยู่ในหลาย ๆ กลุ่มเป้าหมายได้ ยกตัวอย่างเช่น นักโฆษณาคนหนึ่ง Target ผู้หญิงที่ชอบดูซีรีส์เกาหลี ในขณะเดียวกันก็มีนักโฆษณาอีกคนที่ Target คนดูซีรีส์เกาหลีทั้งหมดที่อยู่ในกรุงเทพฯ แปลว่าคน 1 คน (ในที่นี้หมายถึง ผู้หญิงที่ชอบดูซีรีส์เกาหลีที่อยู่ในประเทศไทย) สามารถตกอยู่ในกลุ่ม Target ของนักโฆษณาทั้ง 2 คน
เมื่อนักโฆษณาหลาย ๆ คนต้องการ Target กลุ่มเป้าหมายที่เป็นคนเดียวกัน ระบบของ Facebook จะรวบรวมโฆษณาไปสู่ขั้นตอนการประมูลโฆษณาเพื่อคัดเลือกว่าโฆษณาชิ้นไหนเหมาสมจะปรากฎมากที่สุด
การประมูลโฆษณา (Ad Auction)
Facebook จะทำการประเมินโฆษณาทั้งหมดและหาผู้ชนะ โฆษณาที่ชนะคือตัวที่มีค่า Total Value Score สูงสุด ซึ่งได้มาจากการคำนวณ 3 ปัจจัยหลัก ได้แก่ Advertiser Bid, Estiated Action Rates และ Ad Quality
Advertiser Bid
นักโฆษณาเป็นคนกำหนดจำนวนเงินโฆษณาสำหรับโฆษณานั้น ๆ (อีกนัยหนึ่งก็คือ นักโฆษณายินดีที่จะจ่ายเท่าไหร่เพื่อบรรลุผลลัพธ์ที่ต้องการ) มีหลายวิธีการในการกำหนดจำนวนเงินโฆษณาสำหรับการประมูล เช่น Lowest Cost, Cost Cap, Bid Cap และ Target Cost
Source : https://www.facebook.com/business/m/one-sheeters/facebook-bid-strategy-guide
Estimated Action Rates
ค่าโดยประมาณว่าคนจะดำเนินการตามที่นักโฆษณามากน้อยแค่ไหน เช่น เยี่ยมชมเว็บไซต์ หรือ ติดตั้งแอปพลิเคชั่น เป็นต้น
ในการคิด Estimated Action Rates โมเดล Machine Learning จะคาดการณ์ความเป็นไปได้ของผู้ใช้งานว่าจะดำเนินการตามสิ่งที่นักโฆษณาต้องการแค่ไหน โดยอิงจากวัตถุประสงค์ธุรกิจที่นักโฆษณาเลือกสำหรับโฆษณา เช่น เพิ่มจำนวนการเยี่ยมชมเว็บไซต์ หรือผลักดันการซื้อ เพื่อกระทำสิ่งนี้ โมเดลต่างๆ ของ Facebook จะพิจารณาพฤติกรรมของรายบุคคลที่ทำบน Facebook และข้างนอก เช่นเดียวกับปัจจัยอื่น ๆ อย่างเช่น เนื้อหาของโฆษณา, เวลา, และปฏิสัมพันธ์ระหว่างผู้ใช้งานกับโฆษณา
- ตัวอย่างพฤติกรรมบน Facebook ที่โมเดลนำมาพิจารณา เช่น สิ่งที่คนทำบนแอป Facebook เช่น คลิกโฆษณาหรือกดไลก์โพสต์
- ตัวอย่างพฤติกรรมข้างนอก Facebook ที่โมเดลนำมาพิจารณา เช่น สิ่งที่ธุรกิจแชร์ข้อมูลกับ Facebook ผ่านเครื่องมือทางธุรกิจ เช่น เยี่ยมชมเว็บไซต์, สั่งซื้อสินค้า หรือติดตั้งแอปพลิเคชั่น
Ad Quality
Ad Quality Score ช่วยวัดคุณภาพโดยรวมของโฆษณา โมเดล Machine Learning ของ Facebook จะพิจารณาจากผลตอบรับของผู้คนที่เห็นโฆษณาหรือกดซ่อนโพสต์ นอกจากนั้นยังรวมถึงการประเมินว่าเข้าข่ายคุณลักษณะโฆษณาที่มีคุณภาพต่ำหรือไม่ เช่น ข้อความในภาพเยอะเกินไป, ปิดบังข้อมูล, ใช้ภาษาที่ก่อให้เกิดความรู้สึด้านลบ และ Engagement Bait
Machine Learning ปรับปรุงคุณภาพการนำส่งโฆษณาอย่างไร?
Machine Learning คือระบบที่เรียนรู้เมื่อได้รับ Data ใหม่ เพื่อดำเนินสิ่งที่ซับซ้อนโดยใช้เวลาอย่างรวดเร็วและมีประสิทธิภาพ Facebook ใช้ Machine Learning เพื่อคิด Estimated Action Rate และ Ad Quality Score เพื่อนำมาคำนวณในสมการค้นหา Total Value
เมื่อเวลาผ่านไปจนมีผู้คนเห็นโฆษณามากขึ้น เกิดผลตอบรับหรือคลิกเพื่อดำเนินการซื้อสินค้าบนเว็บไซต์ของนักโฆษณา โมเดลของ Facebook จะคาดการณ์ Estimated Action Rate และ Ad Quality ได้ดีขึ้น
เนื่องจากในแต่ละวันผู้คนใช้แอปของ Facebook และมีส่วนร่วมกับโฆษณานับพันล้านคน ระบบจึงได้รับข้อมูลจำนวนมากเพื่อช่วยปรับปรุงการคำนวณของมันเพื่อให้บรรลุเป้าหมายสูงสุดคือการเพิ่มคุณค่าให้กับทั้งผู้คนและธุรกิจ
โฆษณาที่มีจำนวนเงินสูงสุดไม่ได้ชนะการประมูลเสมอไป โฆษณาที่จำนวนเงินน้อยกว่ามักชนะได้ถ้าระบบของ Facebook คาดการณ์ว่าคนจะตอบสนองกับโฆษณาตัวนั้นมากกว่า หรือค้นพบว่าโฆษณามีคุณภาพสูงกว่า สิ่งนี้ช่วยให้ธุรกิจทุกขนาดสามารถแข่งขันในการประมูลและเข้าถึงกลุ่มลูกค้าได้ไม่ว่าจะมีงบประมาณเท่าไหร่ก็ตาม
ที่ Facebook เป้าหมายคือสร้างประสบการณ์โฆษณาแบบ Personalized ที่ขับเคลื่อนโดย Data เพื่อให้เกิดประโยชน์ต่อผู้คนและมีประสิทธิภาพสำหรับธุรกิจ เมื่อ Facebook สามารถแสดงโฆษณาที่เหมาะสม มันส่งผลดีต่อทุกฝ่าย และนั่นคือสิ่งสำคัญของการทำโฆษณาแบบ Personalized ที่ดี
adMATTERS ช่วยเหลือ Machine Learning ของ Facebook
adMATTERS ช่วยยกระดับคุณภาพโฆษณาของนักโฆษณาโดยการช่วยวางโครงสร้างกลุ่มเป้าหมายอย่างเป็นระบบ และคอย Optimize รายละเอียดกลุ่มเป้าหมายเช่น เพศ อายุ ความสนใจ รวมถึงสามารถสร้างกลุ่มเป้าหมายแบบ Custom Audience หรือ Lookalike Audience ให้โดยอัตโนมัติ เมื่อโฆษณาเรียนรู้มากขึ้นระบบก็จะสามารถตัดสินใจเลือกว่าจะให้กลุ่มเป้าหมายประเภทไหนทำงานต่อไป เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด ช่วยให้ Facebook แสดงผลโฆษณาได้แม่นยำกว่าเดิม
