Análise criativa dos anúncios do YouTube

Introdução

Por que analisar os anúncios do YouTube?

O YouTube tem bilhões de usuários logados mensalmente, e todos os dias as pessoas assistem a bilhões de horas de vídeo e geram bilhões de visualizações. As empresas podem se conectar com usuários do YouTube usando os anúncios do YouTube, que são vídeos promocionais exibidos no site e no app do YouTube, com uma variedade de metas e formatos de anúncios em vídeo.

O desafio

Um anúncio em vídeo eficaz se concentra nos Princípios de ABCD.

• Atenção: capturar a atenção do espectador até o fim.
• Branding: ajudar o espectador a ouvir ou visualizar a marca.
• Conexão: fazer com que o espectador sinta algo sobre a marca.
• Direção: incentivar o espectador a agir.

Mas cada anúncio do YouTube tem um número variável de componentes, por exemplo, objetos, música de fundo ou logotipo. Cada um desses componentes afeta a taxa de visualização (VTR, na sigla em inglês) do anúncio em vídeo. Portanto, analisar anúncios em vídeo pelos componentes do anúncio ajuda as empresas a entender quais aspectos melhoram a VTR. Os insights dessas análises podem ser usados para informar a criação de novos criativos e otimizar os criativos existentes a fim de melhorar a VTR.

A proposta

Propomos uma abordagem com base em aprendizado de máquina para analisar os anúncios do YouTube de uma empresa a fim de avaliar quais componentes afetam a VTR, com o objetivo de otimizar o desempenho de um anúncio em vídeo. Os temas abordados são:

• Usar a API do Google Cloud Video Intelligence para extrair os componentes de cada anúncio em vídeo, usando os arquivos de vídeo subjacentes.
• Transformar esses dados extraídos em recursos projetados que mapeiem para questões de negócios acionáveis.
• Usar um modelo de aprendizado de máquina para isolar o efeito na VTR de cada recurso projetado.
• Interpretar e agir com base nesses insights para melhorar o desempenho do anúncio em vídeo, por exemplo, alterando os criativos existentes ou gerando novos criativos para serem usados em um teste A/B.

Abordagem

O processo

A análise proposta tem 5 etapas, discutidas a seguir.

1. Definir perguntas de negócios: alinhar uma lista de perguntas de negócios que são acionáveis, como “ter um logotipo na cena de abertura afeta a VTR?”. Sugerimos levar em consideração a viabilidade com antecedência, por exemplo, se uma isenção de responsabilidade do produto for necessária por motivos legais, não há motivo para avaliar o impacto disso na VTR.
2. Extração de componente bruto: usar tecnologias do Google Cloud, como a API Google Cloud Video Intelligence, e arquivos de vídeo subjacentes para extrair componentes brutos de cada anúncio em vídeo. Por exemplo, objetos que aparecem no vídeo em uma marcação específica de tempo, presença de texto e a localização na tela ou a presença de sons específicos, entre outros.
3. Engenharia de recursos: usando os componentes brutos extraídos na etapa 2, projete recursos que se alinhem às perguntas de negócios definidas na etapa 1. Por exemplo, se a pergunta de negócios for “ter um logotipo na cena de abertura afeta a VTR?”, crie um recurso que rotule cada vídeo como 1 (se houver logotipo na cena de abertura) ou 0 (se não houver logotipo na cena de abertura). Repita isso para cada recurso.
4. Modelagem: criar um modelo de ML usando os recursos projetados da etapa 3, com a VTR como o alvo no modelo.
5. Interpretação: extrair recursos estatisticamente significativos do modelo de ML e interpretar seu efeito na VTR. Por exemplo, “há um aumento observado de xx% na VTR quando há um logotipo na cena de abertura”.

Engenharia de recursos

Extração de dados

Considere dois anúncios de vídeo diferentes do YouTube para um navegador da Web, cada um destacando um recurso de produto distinto. O anúncio A tem um texto que diz “Proteção Antivírus Integrada", enquanto o anúncio B tem um texto que diz "Salvamento Automático de Senha".

O texto bruto pode ser extraído de cada anúncio em vídeo e permitir a criação de conjuntos de dados tabulares, como é o caso abaixo. Para facilitar, o exemplo apresentado tratará apenas de recursos de texto e renunciará à dimensão da marcação de tempo.

Pré-processamento

Após extrair os componentes brutos em cada anúncio, talvez seja necessário aplicar pós-processamento, como a remoção de sensibilidade a maiúsculas e minúsculas e pontuação.

Engenharia de recursos manuais

Considere um cenário em que o objetivo é responder à pergunta de negócios: “Ter uma referência textual a um recurso do produto afeta a VTR?”.

Esse recurso pode ser criado manualmente explorando todo o texto em todos os vídeos da amostra e criando uma lista de tokens ou frases que indicam uma referência textual a um recurso do produto. No entanto, esta abordagem pode ser demorada e limitar o dimensionamento.

Engenharia de recursos com tecnologia de IA

Em vez da engenharia de recursos manuais descrita acima, é possível passar o texto detectado em cada criativo de anúncio em vídeo para um LLM com um comando que realize a engenharia de recursos de modo automático.

Por exemplo, se o objetivo é explorar o valor de destacar um recurso de produto em um anúncio em vídeo, pergunte a um LLM: “O texto 'proteção antivírus integrada' é uma chamada de recurso?”. Em seguida, pergunte: “’Salvamento automático de senha' é uma chamada de recurso?”.

As respostas podem ser extraídas e transformadas em 0 ou 1 para depois serem passadas para um modelo de aprendizado de máquina.

Modelagem

Dados de treinamento

O resultado da etapa de engenharia de recursos é um DataFrame com colunas que se alinham às perguntas iniciais do negócio, que podem ser unidas a um DataFrame que tem a VTR para cada anúncio em vídeo na amostra.

*Os valores são aleatórios e não devem ser interpretados de forma alguma.

A modelagem é feita usando efeitos fixos, bootstrap e ElasticNet. Para saber mais, confira as informações na postagem Apresentação da análise de desempenho de anúncios Discovery, escrita por Manisha Arora e Nithya Mahadevan.

Interpretação

A saída do modelo pode ser usada para extrair características significativas, valores de coeficiente e desvio padrão.

O valor do coeficiente (+/- X%) representa o aumento percentual absoluto na VTR. O valor positivo indica impacto positivo na VTR e o valor negativo indica um impacto negativo na VTR. o valor
significativo (True/False) representa se o recurso tem um impacto estatisticamente significativo na VTR.

*Os valores são aleatórios e não devem ser interpretados de forma alguma.

No exemplo hipotético acima, o recurso “Tem destaque de recurso” tem um impacto estatisticamente significativo e positivo da VTR. Isso pode ser interpretado como “há um aumento absoluto observado de 2,22% na VTR quando um anúncio tem uma referência textual a um recurso do produto”.

Desafios

Os desafios da abordagem acima são:

• As interações entre os recursos individuais inseridos no modelo não são consideradas. Por exemplo, se “tem logotipo” e “tem logotipo no canto inferior esquerdo” são recursos individuais no modelo, a interação não será avaliada. No entanto, um terceiro recurso pode ser projetado combinando o recurso acima, como em “tem um logotipo grande + tem um logotipo no canto inferior esquerdo”.
• As inferências são baseadas em dados históricos e não necessariamente representativas do desempenho criativo futuro do anúncio. Não há garantia de que os insights vão melhorar a VTR.
• A dimensionalidade pode ser uma preocupação, dado o número de componentes em um anúncio em vídeo.

Estratégias de ativação

Ads Creative Studio

O Ads Creative Studio é uma ferramenta eficaz para empresas criarem várias versões de um vídeo, combinando rapidamente texto, imagens, videoclipes ou áudio. Use esta ferramenta para criar novos vídeos rapidamente adicionando/removendo recursos de acordo com a saída do modelo.

Experimentos de vídeo

Projete um novo criativo, variando um componente com base nos insights da análise, e execute um teste A/B. Por exemplo, altere o tamanho do logotipo e configure uma experiência usando os experimentos de vídeo.

Resumo

Identificar quais componentes de um anúncio do YouTube afetam o VTR é uma tarefa difícil, devido ao número de componentes contidos no anúncio, mas há um incentivo para os anunciantes otimizarem os criativos a fim de melhorar a VTR. As tecnologias do Google Cloud, os modelos de IA generativa e ML podem ser usados para responder a perguntas de negócios centradas na criatividade de maneira escalonável e prática. É possível usar os insights resultantes para otimizar anúncios do YouTube e alcançar resultados comerciais.

Agradecimentos

Queremos agradecer aos nossos colaboradores do Google, especificamente 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 e Anthony Lui.