Trước đây, các quảng cáo kỹ thuật số không ứng dụng dữ liệu về vị trí khách hàng, thiết bị và thời gian truy cập, lịch sử tìm kiếm để linh hoạt hiển thị quảng cáo phù hợp. Nói chung, các thành phần như hình ảnh, màu sắc, nội dung trong quảng cáo đều cố định. Cho đến khi tối ưu hóa quảng cáo động (DCO) xuất hiện trong giai đoạn xu hướng quảng cáo có lập trình (programmatic advertising) đang nở rộ.
DCO sử dụng dữ liệu về hành vi, địa điểm, tâm lý để tạo ra nhiều biến thể cho một mẩu quảng cáo. Mỗi quảng cáo có thể xuất hiện nhiều lần với một người dùng nhưng được cá nhân hóa nội dung, hình ảnh theo thời gian thực.
Thông qua một chiến dịch, thuật toán máy học (machine learning) sẽ liên tục điều chỉnh các thành phần của quảng cáo như nội dung, hình ảnh thiết kế, màu sắc.. dựa trên mức độ tương tác của người dùng với các phiên bản quảng cáo khác nhau. Công nghệ này sẽ thử nghiệm nhiều cách kết hợp nội dung và hình ảnh khác nhau dựa trên dữ liệu về hiệu suất của từng phiên bản quảng cáo. Qua đó, thương hiệu có cơ sở để thiết kế chiến dịch quảng cáo hiệu quả hơn trong tương lai.
DCO sử dụng dữ liệu về hành vi, địa điểm, tâm lý để tạo ra nhiều biến thể cho một mẩu quảng cáo.
Nguồn: Medium
Theo ông Oz Etzioni, Co-founder và CEO của Nhà cung cấp công nghệ quảng cáo sáng tạo đa kênh Clinch: “Bất kỳ chiến dịch quảng cáo nào cũng đều triển khai đa kênh và nhắm đến nhiều tệp khán giả khác nhau”. Giả sử thương hiệu muốn hiển thị các quảng cáo khác nhau tùy theo từng mốc thời gian trong ngày, họ sẽ cần hàng tá phiên bản quảng cáo khác nhau. Tuy nhiên, DCO sẽ giúp quá trình phức tạp và tốn thời gian này trở nên hiệu quả.
Để vận hành công nghệ này, nhà quảng cáo cần tạo ra nhiều thành phần về nội dung, hình ảnh có thể linh hoạt thay đổi và kết hợp với nhau. Nhờ vậy mà người dùng sẽ thấy nhiều tổ hợp khác nhau giữa câu tiêu đề, mở bài, hình ảnh, giá, logo, câu kêu gọi hành động và các yếu tố khác của một quảng cáo.
Ngoài ra, về mặt thử nghiệm, DCO thường sử dụng thử nghiệm A/B/n hoặc thử nghiệm đa biến, vì công nghệ này tạo ra nhiều biến thể hơn mức mà thử nghiệm A/B thông thường có thể so sánh. Cụ thể, thay vì chỉ so sánh hai phiên bản, thử nghiệm A/B/n có thể ứng dụng cho n phiên bản quảng cáo, mỗi phiên bản được dùng để thử nghiệm duy nhất một yếu tố. Ví dụ, phiên bản A sử dụng bảng màu xanh, phiên bản B dùng bảng màu đỏ và phiên bản C dùng bảng màu trắng đen. Hoặc phiên bản A có thể thử nghiệm những màu chủ đạo khác nhau, phiên bản B thử nghiệm tiêu đề khác và phiên bản C sử dụng hình ảnh khác nhau.
DCO thường sử dụng thử nghiệm A/B/n hoặc thử nghiệm đa biến.
Nguồn: Kameleoon
Tiếp theo, thử nghiệm đa biến sẽ xem xét cách kết hợp khác nhau giữa nhiều yếu tố trong một quảng cáo. Vậy nên một phiên bản quảng cáo có thể kết hợp các câu kêu gọi hành động, tiêu đề và nền ảnh khác nhau cùng một lúc. Nói về quá trình thử nghiệm này, ông Nick Graham, Senior Consultant tại EMEA, Kepler Group chia sẻ: “Thuật toán sẽ phân tích kết quả của thử nghiệm và lựa chọn tổ hợp các thành phần tốt nhất. Tuy nhiên quá trình thuật toán đánh giá là một dấu chấm hỏi lớn về việc vì sao các thành phần nhất định lại hiệu quả, và các thành phần khác đang thực sự hoạt động ra sao?”.
Dần dần, các thành phần của quảng cáo kỹ thuật số đi vào “khuôn mẫu” hơn, hay nói cách khác là có công thức để chuẩn hóa hơn nên công nghệ tự động hóa dựa trên thuật toán ngày càng được ưa chuộng, trở thành một trong các định dạng quảng cáo mà Google, Meta khuyên dùng và các nhà quảng cáo phải tuân thủ. Khi tiêu đề, hình ảnh và văn bản của quảng cáo trở nên chuẩn hóa hơn trên cả website mở (open web) và website hạn chế thu thập dữ liệu (walled garden), các phiên bản khác nhau của một quảng cáo có thể dễ dàng điều chỉnh kích thước hình ảnh hay giới hạn ký tự cho phù hợp với quy luật từng website.
Công nghệ tự động hóa dựa trên thuật toán ngày càng được ưa chuộng, trở thành một trong các định dạng quảng cáo mà Google, Meta khuyên dùng.
Nguồn: Techdimension
Trước đây, con người vẫn còn can thiệp nhiều vào quá trình vận hành DCO, thậm chí một số công ty vẫn áp dụng cách tiếp cận thủ công bằng các thử nghiệm A/B hoặc A/B/n thay vì sử dụng công nghệ DCO. Với cách tối ưu hóa quảng cáo thủ công, thương hiệu có thể xác định quảng cáo nào đang hoạt động tốt và xác định xem sản phẩm, dịch vụ hoặc chương trình khuyến mãi phù hợp. Những insight này sẽ rõ ràng hơn so với việc dựa hoàn toàn vào công nghệ DCO. Đổi lại, sử dụng công nghệ DCO sẽ thúc đẩy hiệu suất ngắn hạn vì công nghệ máy học sẽ tập trung tối ưu hóa kết quả và cũng không dựa vào “trực giác” để xác định tính hiệu quả của quảng cáo.
Ngoài ra, sự phát triển của AI cũng giúp công nghệ DCO tiến lên một bậc. Các công cụ AI có thể phân loại các mối liên hệ cũng như sự tương quan mà con người không nhận ra giữa đối tượng mục tiêu và kết quả của các phiên bản quảng cáo khác nhau. Thay vì chỉ thử nghiệm các phần của quảng cáo, chúng tối ưu hóa dựa trên đặc điểm của tệp đối tượng mục tiêu. Sau đó, AI có thể tách biệt các yếu tố có khả năng đáp ứng mục tiêu của nhà quảng cáo nhất và thay đổi các yếu tố khác cho phù hợp.
Không chỉ vậy, sự ra đời của AI tạo sinh (Generative AI) còn giúp nhà quảng cáo thực hiện một số công việc như viết nội dung, chèn hình ảnh hoặc sửa đổi hình nền cho AI, mở ra cơ hội sản xuất nội dung sáng tạo ở quy mô lớn. Từ đó, nhà quảng cáo có nhiều lựa chọn hơn cho việc thử nghiệm.
Ông Kevin Wang, Giám đốc Sản phẩm của nền tảng Braze, cho biết: “Trước đây, thương hiệu buộc phải sử dụng thử nghiệm A/B (chỉ với hai tùy chọn) đôi khi vì họ không có thời gian để tạo ra nhiều phân bản nội dung và hình ảnh khác nhau.”
Để cung cấp các giải pháp quảng cáo DCO hiệu quả, các agency cần kết nối chặt chẽ với cả bên cần dữ liệu và bên có sẵn các dữ liệu về hành vi người dùng
Nguồn: Getty Images
Các công nghệ DCO sẽ phải đối mặt với tình trạng mất “dấu vết” dữ liệu do Chrome không cho phép cookie của bên thứ ba và các loại tín hiệu thu thập dữ liệu khác như địa chỉ IP hay ID thiết bị di động. Vậy nên thương hiệu sẽ gặp khó khăn hơn trong việc xác định, phân khúc đối tượng mục tiêu cũng như đo lường kết quả.
Để cung cấp các giải pháp quảng cáo DCO hiệu quả trong tương lai, các agency sẽ cần kết nối chặt chẽ với cả bên cần dữ liệu và bên có sẵn các dữ liệu về hành vi người dùng (các nền tảng như Google, Meta). Thông qua đó, agency mới có thể tận dụng hệ thống đo lường hiệu quả DCO trên các nền tảng này.
Các marketer muốn tiếp cận DCO nên tìm đối tác cung cấp đa dạng giải pháp về công nghệ quảng cáo, chẳng hạn họ có máy chủ quảng cáo và ID cố định trên các thiết bị. Các bên này vẫn sẽ chịu ảnh hưởng từ việc hạn chế cookie của bên thứ ba. Nhưng họ có thể xác định quảng cáo được phân phối ở đâu, tới người dùng nào, quảng cáo nào cần hiển thị cho những người dùng đó. Sau làn sóng “cookieless”, các nền tảng được dự đoán là sẽ vẫn “vững chân” trong việc phân phối quảng cáo DCO là những bên như Google, Meta, Amazon vì lượng dữ liệu khổng lồ các “ông lớn” này đang nắm giữ.
Ông Graham cho rằng marketer nên cân nhắc các nền tảng DCO khác nhau để xem liệu chúng có thể phân phối trên các web mở như ứng dụng và trình duyệt di động hay không. Từ đó, marketer sẽ hiểu những hạn chế của các nền tảng này cũng như mức độ minh bạch của họ trong quá trình đo lường .
Khi quyết định nghiên cứu sâu về DCO, marketer cần trả lời câu hỏi: Mục tiêu hướng đến là tìm kiếm insight người dùng hay đạt được những hiệu quả trong ngắn hạn? Nếu câu trả lời là cả hai, marketer nên phát triển chiến lược kết hợp việc ra quyết định của con người với tối ưu hóa dựa vào máy học. Tuy nhiên, người hoạch định cũng cần hiểu rõ về quy trình tối ưu hóa quảng cáo để biết giai đoạn nào con người nên can thiệp để thu thập insight và giai đoạn nào nên để công nghệ máy học tối ưu hóa kết quả cuối cùng.
XEM THÊM : TRONG THẾ GIỚI ĐA KÊNH, HƯỚNG ĐI NÀO CHO B2B
