Analisis Kreatif Iklan YouTube

Pendahuluan

Mengapa menganalisis iklan YouTube?

YouTube memiliki miliaran pengguna yang login setiap bulannya dan setiap hari orang-orang menonton miliaran jam video dan menghasilkan miliaran penayangan. Bisnis bisa terhubung dengan pengguna YouTube menggunakan iklan YouTube, inilah video promosi yang muncul di situs dan aplikasi YouTube, dengan berbagai format dan sasaran iklan video.

Tantangan

Iklan video yang efektif berfokus pada prinsip ABCD.

• Attention (Perhatian): Menangkap perhatian penonton sampai selesai.
• Branding (Manajemen merek): Membantu mereka mendengar atau memvisualisasikan merek.
• Connection (Hubungan): Membuat mereka merasakan sesuatu tentang merek.
• Direction (Arahan): Mendorong mereka untuk mengambil tindakan.

Namun, setiap iklan YouTube memiliki jumlah komponen yang berbeda, misalnya, objek, musik latar belakang, atau logo. Setiap komponen ini memengaruhi rasio penayangan (yang selanjutnya akan kami sebut sebagai VTR dalam postingan ini) iklan video. Oleh karena itu, menganalisis iklan video melalui lensa komponen dalam iklan membantu bisnis memahami hal apa saja yang dapat meningkatkan VTR. Insight dari analisis ini bisa digunakan untuk menginformasikan pembuatan materi iklan baru dan mengoptimalkan materi iklan yang sudah ada untuk meningkatkan VTR.

Usulan

Kami mengusulkan pendekatan berbasis machine learning untuk menganalisis iklan YouTube perusahaan untuk menilai komponen yang memengaruhi VTR, dengan tujuan mengoptimalkan performa iklan video. Kami menjelaskan caranya:

• Gunakan Google Cloud Video Intelligence API untuk mengekstrak komponen setiap iklan video, menggunakan file video dasarnya.
• Transformasi data yang diekstrak menjadi fitur terekayasa yang memetakan pertanyaan bisnis yang dapat ditindaklanjuti.
• Gunakan model machine learning untuk mengisolasi efek pada VTR dari setiap fitur yang direkayasa.
• Interpretasikan dan lakukan tindakan berdasarkan insight tersebut untuk meningkatkan performa iklan video, misalnya mengubah materi iklan yang sudah ada atau membuat materi iklan baru yang akan digunakan dalam pengujian AB.

Pendekatan

Proses

Analisis yang diusulkan memiliki 5 langkah, dibahas di bawah ini.

1. Tentukan Pertanyaan Bisnis - Selaraskan daftar pertanyaan bisnis yang dapat ditindaklanjuti, misalnya "apakah menampilkan logo pada awal video akan memengaruhi VTR?" Kami menyarankan untuk mempertimbangkan kelayakan terlebih dahulu, misalnya jika penafian produk perlu dilakukan karena alasan hukum, tidak ada alasan untuk menilai dampak penafian terhadap VTR.
2. Ekstraksi Komponen Mentah - Gunakan teknologi Google Cloud, seperti Google Cloud Video Intelligence API, dan file video dasarnya untuk mengekstrak komponen mentah dari setiap iklan video. Misalnya, tetapi tidak terbatas pada, kemunculan objek di video pada stempel waktu tertentu, keberadaan teks dan lokasinya di layar, atau keberadaan suara tertentu.
3. Rekayasa Fitur - Dengan menggunakan komponen mentah yang diekstrak pada langkah 2, rekayasa fitur yang sesuai dengan pertanyaan bisnis sebagaimana ditentukan pada langkah 1. Misalnya, jika pertanyaan bisnisnya adalah "apakah menampilkan logo di awal video akan memengaruhi VTR", buat fitur yang melabeli setiap video dengan nilai 1, menampilkan logo di awal video atau 0, tidak menampilkan logo di awal video. Ulangi hal ini untuk setiap fitur.
4. Pemodelan - Buat model ML menggunakan fitur yang telah direkayasa dari langkah 3, dengan menggunakan VTR sebagai target di dalam model.
5. Interpretasi - Ekstrak fitur yang signifikan secara statistik dari model ML dan interpretasikan efeknya pada VTR. Misalnya, “terjadi peningkatan xx% yang teramati dalam VTR ketika ada logo di awal video.”

Rekayasa Fitur

Ekstraksi Data

Pertimbangkan 2 Iklan Video YouTube yang berbeda untuk browser web, masing-masing menyoroti fitur produk yang berbeda. Iklan A memuat teks yang bertuliskan "Built In Virus Protection", sedangkan Iklan B memuat teks yang bertuliskan "Automatic Password Saving".

Teks mentah dapat diekstrak dari setiap iklan video dan memungkinkan pembuatan set data tabular, seperti contoh di bawah ini. Agar ringkas dan sederhana, contoh yang akan diberikan hanya membahas fitur teks dan mengabaikan dimensi stempel waktu.

Prapemrosesan

Setelah mengekstrak komponen mentah dalam setiap iklan, prapemrosesan mungkin perlu diaplikasikan, seperti menghilangkan sensitivitas huruf besar-kecil dan tanda baca.

Rekayasa Fitur Manual

Pertimbangkan skenario saat tujuannya adalah untuk menjawab pertanyaan bisnis, "apakah memiliki referensi tekstual ke suatu fitur produk memengaruhi VTR?"

Fitur ini bisa dibuat secara manual dengan menjelajahi semua teks di semua video dalam contoh dan membuat daftar token atau frasa yang mengindikasikan referensi tekstual ke fitur produk. Namun, pendekatan ini memakan waktu dan membatasi penskalaan.

Rekayasa Fitur Berbasis AI

Alih-alih rekayasa fitur secara manual seperti yang dijelaskan di atas, teks yang terdeteksi pada setiap materi iklan video bisa diteruskan ke LLM beserta prompt yang melakukan rekayasa fitur secara otomatis.

Sebagai contoh, jika tujuannya adalah mengeksplorasi nilai dari penyorotan fitur produk dalam iklan video, tanyakan kepada LLM apakah teks "'built in virus protection' merupakan keterangan fitur", diikuti dengan pertanyaan kepada LLM apakah teks "'automatic password saving' merupakan keterangan fitur".

Jawabannya dapat diekstrak dan diubah menjadi 0 atau 1, untuk kemudian diteruskan ke model machine learning.

Pemodelan

Data Pelatihan

Hasil dari langkah rekayasa fitur adalah dataframe dengan kolom yang selaras dengan pertanyaan bisnis awal, yang bisa digabungkan dengan dataframe yang memiliki VTR untuk setiap iklan video dalam contoh.

*Nilai bersifat acak dan tidak boleh diinterpretasikan dengan cara apa pun.

Pemodelan dilakukan dengan menggunakan efek tetap, bootstrapping, dan ElasticNet. Informasi lebih lanjut bisa dilihat di postingan Memperkenalkan Analisis Performa Iklan Penemuan, yang ditulis oleh Manisha Arora dan Nithya Mahadevan.

Interpretasi

Output model bisa digunakan untuk mengekstrak fitur yang signifikan, nilai koefisien, dan deviasi standar.

Nilai Koefisien (+/- X%)Menunjukkan persentase absolut peningkatan VTR. Nilai positif menunjukkan dampak positif pada VTR dan nilai negatif menunjukkan dampak negatif pada VTR.
Nilai Signifikan (True/False)Menunjukkan apakah fitur tersebut secara statistik memiliki dampak yang signifikan pada VTR.

*Nilai bersifat acak dan tidak boleh diinterpretasikan dengan cara apa pun.

Dalam contoh hipotesis di atas, fitur "Memiliki Keterangan Fitur" secara statistik mempunyai dampak positif yang signifikan terhadap VTR. Ini bisa diartikan "ada peningkatan absolut sebesar 2,22% yang teramati dalam VTR saat iklan memiliki referensi tekstual ke fitur produk."

Tantangan

Tantangan dari pendekatan di atas adalah:

• Interaksi di antara fitur individual yang dimasukkan ke dalam model tidak dipertimbangkan. Misalnya, jika "memiliki logo" dan "memiliki logo di kiri bawah" adalah fitur individual dalam model, interaksi mereka tidak akan dinilai. Namun, fitur ketiga dapat direkayasa dengan menggabungkan fitur di atas menjadi "memiliki logo besar + memiliki logo di kiri bawah".
• Inferensi berdasar pada data historis dan belum tentu merepresentasikan performa materi iklan di masa mendatang. Tidak ada jaminan bahwa insight akan meningkatkan VTR.
• Dimensi bisa menjadi masalah karena banyaknya komponen dalam iklan video.

Strategi Aktivasi

Ads Creative Studio

Ads Creative Studio adalah alat yang efektif bagi bisnis untuk membuat beberapa versi video dengan menggabungkan teks, gambar, klip video, atau audio dengan cepat. Gunakan alat ini untuk membuat video baru secara cepat dengan menambahkan/menghapus fitur sesuai dengan output model.

Eksperimen Video

Rancang materi iklan baru, variasikan komponen berdasarkan insight dari analisis, dan jalankan pengujian AB. Misalnya, mengubah ukuran logo dan menyiapkan eksperimen menggunakan Eksperimen Video.

Ringkasan

Mengidentifikasi komponen Iklan YouTube yang memengaruhi VTR bukanlah hal yang mudah, karena banyaknya komponen yang terdapat dalam iklan, tetapi ada insentif bagi pengiklan untuk mengoptimalkan materi iklannya guna meningkatkan VTR. Teknologi Google Cloud, model GenAI, dan ML bisa digunakan untuk menjawab pertanyaan bisnis yang berorientasi pada materi iklan secara skalabel dan dapat ditindaklanjuti. Insight yang dihasilkan bisa digunakan untuk mengoptimalkan iklan YouTube dan mencapai target bisnis.

Ucapan Terima kasih

Kami ingin mengucapkan terima kasih untuk kolaborator kami di Google, khususnya kepada Luyang Yu, Vijai Kasthuri Rangan, Ahmad Emad, Chuyi Wang, Kun Chang, Mike Anderson, Yan Sun, Nithya Mahadevan, Tommy Mulc, David Letts, Tony Coconate, Akash Roy Choudhury, Alex Pronin, Toby Yang, Felix Abreu, dan Anthony Lui.