Análisis del contenido creativo de anuncios de YouTube

Introducción

¿Por qué analizar los anuncios de YouTube?

Miles de millones de usuarios se conectan a YouTube mensualmente, y cada día la gente ve miles de millones de horas de video y genera miles de millones de visitas. Las empresas pueden conectarse con los usuarios por medio de anuncios de YouTube, que son videos promocionales que aparecen en el sitio web y la app de YouTube, con una variedad de formatos y objetivos de anuncios de video.

El desafío

Un anuncio de video efectivo se centra en lo que llamamos ABCD.

• Atención: capturar la atención del espectador hasta el final.
• Branding (marca): ayudarlo a escuchar o visualizar la marca.
• Conexión: hacerle sentir algo respecto de la marca.
• Dirección: animarlo a tomar medidas.

Pero cada anuncio de YouTube tiene un número variable de componentes; por ejemplo, objetos, música de fondo o un logotipo. Estos componentes afectan la velocidad de visualización (a la que nos referiremos como VTR en el resto de la publicación) del anuncio de video. Por lo tanto, analizar los anuncios de video por medio de las lentes de los componentes del anuncio ayuda a las empresas a comprender qué parte del anuncio mejora la VTR. Las estadísticas que se obtienen de estos análisis se pueden utilizar para crear contenido nuevo y para optimizar el contenido existente con el objetivo de mejorar la VTR.

La propuesta

Proponemos un enfoque basado en el aprendizaje automático para analizar los anuncios de YouTube de una empresa y evaluar qué componentes afectan la VTR, con el objetivo de optimizar el rendimiento de un anuncio de video. Veamos cómo hacerlo:

• Usa la API de Google Cloud Video Intelligence para extraer los componentes de cada anuncio de video, utilizando los archivos de video subyacentes.
• Transforma los datos extraídos en atributos diseñados que se asignen a preguntas comerciales prácticas.
• Usa un modelo de aprendizaje automático para aislar el efecto en la VTR de los atributos diseñados.
• Interpreta estas ideas y ponte a trabajar en ellas para mejorar el rendimiento de los anuncios de video, por ejemplo, alterando el contenido existente o creando contenido nuevo para usar en una prueba AB.

Enfoque

El proceso

El análisis propuesto tiene 5 pasos, que se analizan a continuación.

1. Definir preguntas comerciales: prepara una lista de preguntas comerciales prácticas; por ejemplo, “¿tener un logotipo en la toma de apertura afecta la VTR?”. Sugerimos tener en cuenta de antemano la viabilidad; por ejemplo, si es necesario contar con una exención de responsabilidad relacionada con el producto por razones legales, no hay razón para evaluar el impacto que tiene esta exención en la VTR.
2. Extracción de componentes sin procesar: utiliza las tecnologías de Google Cloud, como la API de Google Cloud Video Intelligence, y los archivos de video subyacentes para extraer componentes sin procesar de cada anuncio de video. Por ejemplo, los objetos que aparecen en el video en una marca de tiempo particular, la presencia de texto y su ubicación en la pantalla, o la presencia de sonidos específicos.
3. Ingeniería de atributos: utiliza los componentes sin procesar extraídos en el paso 2, diseña atributos que guarden relación con las preguntas comerciales definidas en el paso 1. Por ejemplo, si la pregunta comercial es “¿tener un logotipo en la toma de apertura afecta la VTR?”, crea un atributo que etiquete cada video como 1, si tiene un logotipo en la toma de apertura, o 0, si no tiene un logotipo. Repítelo con cada función.
4. Modelado: crea un modelo de aprendizaje automático con los atributos diseñados en el paso 3 y utiliza la VTR como objetivo del modelo.
5. Interpretación: extrae características que tengan relevancia estadística del modelo de aprendizaje automático e interpreta su efecto en la VTR. Por ejemplo, “se observa un aumento del XX% en la VTR cuando hay un logotipo en la toma de apertura”.

Ingeniería de atributos

Extracción de datos

Considera 2 anuncios de video de YouTube diferentes para un navegador web, donde cada uno destaca un atributo del producto diferente. El anuncio A tiene un texto que dice “Protección antivirus integrada”, mientras que el anuncio B tiene un texto que dice “Guardado automático de contraseñas”.

El texto sin procesar se puede extraer de cada anuncio de video y permite crear conjuntos de datos tabulares, como los que se muestran a continuación. Por razones de brevedad y simplicidad, el ejemplo que se expondrá solo tratará las características del texto y no ahondará en la dimensión de la marca de tiempo.

Preprocesamiento

Después de extraer los componentes sin procesar en cada anuncio, es posible debas aplicar un procesamiento previo, como eliminar la distinción entre mayúsculas y minúsculas y la puntuación.

Ingeniería manual de atributos

Considera un escenario en el que el objetivo sea responder a la pregunta comercial: “¿tener una referencia textual a un atributo del producto afecta la VTR?”.

Este atributo se podría crear manualmente explorando el texto completo en todos los videos de la muestra y creando una lista de tokens o frases que indiquen una referencia textual a un atributo del producto. Sin embargo, este enfoque puede llevar mucho tiempo y limitar el escalamiento.

Ingeniería manual de atributos basada en IA

En lugar de la ingeniería manual de características, como se describió anteriormente, el texto detectado en el contenido del anuncio de video se puede pasar a un LLM junto con un mensaje que realiza automáticamente la ingeniería de características.

Por ejemplo, si el objetivo es explorar el valor de resaltar un atributo del producto en un anuncio de video, pregúntale a un LLM si el texto “‘protección antivirus integrada’ es una llamada de atributo”. Luego, pregúntale al LLM si el texto “‘guardado automático de contraseña’ es una llamada de atributo”.

Las respuestas se pueden extraer y transformar en 0 o 1, para, luego, pasarlas a un modelo de aprendizaje automático.

Modelado

Datos de entrenamiento

El resultado del paso de ingeniería de atributos es un marco de datos con columnas que guardan relación con las preguntas comerciales iniciales, que se pueden unir a un marco de datos que tiene la VTR en relación con cada anuncio de video en la muestra.

* Los valores son aleatorios y no deben interpretarse de ninguna manera.

El modelado se realiza con efectos fijos, arranque y ElasticNet. Puedes encontrar más información aquí en la publicación Introducción al análisis del rendimiento de los anuncios de descubrimiento, escrita por Manisha Arora y Nithya Mahadevan.

Interpretación

El resultado del modelo se puede utilizar para extraer atributos significativos, valores de coeficientes y desviación estándar.

Valor del coeficiente (+/- X%): representa el aumento del porcentaje absoluto en la VTR. El valor positivo indica un impacto positivo en la VTR y un valor negativo indica un impacto negativo en la VTR.
Valor significativo (verdadero/falso): representa si el atributo tiene un impacto estadísticamente significativo en la VTR.

* Los valores son aleatorios y no deben interpretarse de ninguna manera.

En el ejemplo hipotético anterior, el atributo “Tiene llamada de atributo” tiene un impacto positivo y estadísticamente significativo de la VTR. Esto se puede interpretar como “se observa un aumento absoluto del 2,22% en la VTR cuando un anuncio tiene una referencia textual a un atributo del producto”.

Desafíos

Los desafíos del enfoque anterior son los siguientes:

• No se consideran las interacciones entre los atributos individuales introducidos en el modelo. Por ejemplo, si “tiene logotipo” y “tiene logotipo en la parte inferior izquierda” son atributos individuales del modelo, no se evaluará su interacción. Sin embargo, se puede diseñar un tercer atributo que combine lo anterior como “tiene un logotipo grande + tiene un logotipo en la parte inferior izquierda”.
• Las inferencias se basan en datos históricos y no son necesariamente representativas del futuro rendimiento del contenido de los anuncios. No hay garantía de que las estadísticas mejoren la VTR.
• La dimensionalidad puede ser una preocupación por el número de componentes en un anuncio de video.

Estrategias de activación

Ads Creative Studio

Ads Creative Studio es una herramienta eficaz para que las empresas creen múltiples versiones de un video combinando rápidamente texto, imágenes, videoclips o audio. Utiliza esta herramienta para crear nuevos videos con rapidez agregando o eliminando características en función de la salida del modelo.

Experimentos en video

Diseña un nuevo contenido, varía un componente en función de los conocimientos del análisis y ejecuta una prueba AB. Por ejemplo, cambia el tamaño del logotipo y configura un experimento usando Video Experiments.

Resumen

Identificar qué componentes de un anuncio de YouTube afectan la VTR es difícil, debido a la cantidad de componentes que contiene el anuncio, pero existe un incentivo para que los anunciantes optimicen su contenido para mejorar la VTR. Las tecnologías de Google Cloud, los modelos GenAI y el aprendizaje automático se pueden utilizar para responder preguntas comerciales centradas en el contenido de una manera escalable y práctica. La información resultante se puede utilizar para optimizar los anuncios de YouTube y lograr resultados comerciales.

Agradecimientos

Nos gustaría agradecer a nuestros colaboradores de Google, específicamente a 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 y Anthony Lui.