آژانس‌های رسانه‌ای برای کاهش زحمت لیست‌های شمول به هوش مصنوعی روی می‌آورند

فهرست‌های شمول (Inclusion Lists): استاندارد طلایی برای ایمنی برند

برای بازاریابانی که نگاه تیزبینی بر روی ایمنی و مناسب‌بودن برند (Brand Safety and Suitability) دارند، فهرست‌های شمول (Inclusion Lists) تا حدی یک استاندارد طلایی محسوب می‌شوند. و مانند طلا، گران‌قیمت هستند.

کاهش بار کاری با هوش مصنوعی

به طور فزاینده‌ای، آژانس‌های رسانه‌ای در حال استفاده از هوش مصنوعی مولد (Generative AI) برای کاهش بار کاری مرتبط با فهرست‌های شمول هستند. تیم لاثروپ، معاون Vice President پلتفرم دیجیتال در Mediassociates می‌گوید: «در گذشته، [این کار] ساعاتی طول می‌کشید.» او افزود: «حالا اساساً می‌توانید یک فهرست را در عرض چند دقیقه ایجاد کنید.»

فهرست شمول در مقابل فهرست حذف (Exclusion List)

وقتی یک تبلیغ‌کننده از یک فهرست شمول استفاده می‌کند، هزینه‌های برنامه‌ریزی‌شده (Programmatic Spend) را به فهرستی از ناشران و سایت‌ها محدود می‌کند. این عمل معکوس یک فهرست حذف (Exclusion List) است که به سادگی ناشرانی که یک بازاریاب نمی‌خواهد با آن‌ها هزینه کند را حذف می‌نماید.

در تئوری، این کار تضمین می‌کند که بودجه تبلیغات تنها به جایی که باید، می‌رود – و از شوک‌های ناخوشایند سایت‌های ساخته‌شده برای تبلیغات (MFA) جلوگیری می‌کند. در عمل، این یک اقدام زمان‌بر – و در نتیجه پرهزینه – است.

چالش‌های عملی و هزینه‌های پنهان

ایولین میچل-وولف، تحلیلگر فناوری تبلیغات در فورستر می‌گوید: «میزان تلاشی که برای راه‌اندازی یک فهرست و به‌روز نگه داشتن آن لازم است، قابل توجه است.» در نتیجه، این یک روش است که توسط اقلیت قابل توجهی از متخصصان رسانه استفاده می‌شود. بر اساس مطالعه پالس CMO فورستر در سه‌ماهه سوم سال ۲۰۲۵، ۴۲٪ از تصمیم‌گیرندگان بازاریابی مصرف‌کننده در ایالات متحده از فهرست‌های شمول ناشران استفاده می‌کنند.

ضرورت فهرست‌های شمول در فضای باز وب

با توجه به حجم نگرانی‌های بازاریابان درباره ایمنی برند، برخی از خریداران رسانه، فهرست‌های شمول را به عنوان یکی از تنها راه‌های هزینه کردن در موجودی فضای باز وب (Open Web Inventory) در حالی که نگرانی‌های مشتری را برطرف می‌کنند، می‌بینند. به عنوان مثال، مایندشر (Mindshare) طبق گفته الکسیس فاکنر، مدیر ارشد تحول در مایندشر، «به شدت بر روی شمول سرمایه‌گذاری کرده است.»

فاکنر گفت: «در آنجا موجودی با کیفیت بسیار خوبی وجود دارد که هنوز هم عملکرد خوبی دارد، اما با همه محتوای بی‌ارزش دیگر یکسان در نظر گرفته می‌شود. مگر اینکه بتوانید از فناوری برای درک این موضوع و درک سیگنال‌های کیفیت، نه فقط سیگنال‌های ایمنی، استفاده کنید، در غیر این صورت ما به یک رسانه کامل بدی کرده‌ایم.»

نقش هوش مصنوعی در شتاب‌بخشی

کاهش زمان صرف شده برای تدوین یک فهرست شمول خاص برند (یا زمان صرف شده برای نگهداری یک فهرست شمول مرکزی آژانس) می‌تواند باعث شتاب‌گیری این روش شود.

مکانیزم اجرایی: چگونه هوش مصنوعی به کمک می‌آید

در مفاهیم پایه، آژانس‌هایی مانند مدیاسوسییتس (Mediassociates)، فهرست‌های شمول ثابت‌شده خود را گرفته و آن‌ها را در مقابل اطلاعات به‌روز از سرویسی مانند اوپن سینسرا (OpenSincera) متعلق به ترید دسک (The Trade Desk) مقایسه می‌کنند. سپس، آن‌ها از یک ابزار هوش مصنوعی مولد مانند چت جی‌پی‌تی (ChatGPT) در کنار بریف‌های مشتری برای شناسایی شکاف‌های موجود در فهرست خود – ناشرانی که در یک دسته خاص از قلم افتاده‌اند – برای بررسی بیشتر توسط خریداران یا برنامه‌ریزان استفاده می‌کنند. به عنوان مثال، اسمبلی (Assembly) طبق گفته وین بلادول، رئیس بخش برنامه‌ریزی‌شده، از کوپیلوت (Copilot) مایکروسافت استفاده می‌کند.

در حالی که ریتم این فرآیند مانند قبل است، عنصر هوش مصنوعی به آژانس‌ها این امکان را می‌دهد که یک فهرست را سریع‌تر از زمانی که فقط تحلیلگران انسانی در اختیار داشتند، گسترش دهند. بلادول گفت: «اگر با بیش از ۱۰۰,۰۰۰ دامنه سروکار دارید، بررسی دستی آن بسیار دشوار است.»

کشف ایده‌های نوین با کمک فناوری

به گفته تاجی زامیناسلی، هم‌بنیان‌گذار و شریک مدیریتی آژانس رسانه‌ای AxM، «این فناوری در کشف ایده‌هایی که ممکن است ما آن‌ها را آزمایش نکرده باشیم، واقعاً مفید است.»

با این حال، این روش بی‌نقص نیست

«ما همیشه باید با دقت زیادی آن را زیر نظر داشته باشیم زیرا برخی از توصیه‌ها مناسب نیستند.» زامیناسلی خاطرنشان کرد که این فرآیند را ۳۰ درصد سریع‌تر کرده است. او به Digiday گفت که آژانس او بیش از یک سال است که از این استراتژی استفاده می‌کند.

کاستی‌های مدل‌های زبانی بزرگ (LLMs)

لاتروپ گفت: «ما هنوز در حال کار با مدل‌های زبانی بزرگ (LLMs) هستیم – آنها کامل نیستند.»

شکاکیت و محدودیت در استفاده از هوش مصنوعی تولیدی

اگرچه آژانس‌هایی مانند AxM، Assembly و Mediassociates استفاده از هوش مصنوعی تولیدی (Gen AI) را محدود نکرده‌اند، اما سایر مدیران اجرایی رسانه‌ای گفتند که شک آنان به این فناوری باعث شده است استفاده از آن را محدود کنند. یکی از مدیران اجرایی که به شرط ناشناس ماندن، نظرات صریح خود را بیان کرد، گفت آژانس آنها از ابزارهای هوش مصنوعی تولیدی (Gen AI) برای دسته‌بندی و مرتب‌سازی ناشران درون یک فهرست احراز (Inclusion List) استفاده می‌کند – اما نه برای تدوین خود فهرست.

زودرس بودن و لزوم دخالت انسانی

این مدیر به Digiday گفت: «انجام دقیقاً کاری که امیدوار بودیم بتواند انجام دهد، کمی زودرس است. حتی با وجود نرده‌های حفاظتی (Guardrails)، شما همچنان اعتماد زیادی به نظر ذهنی‌ای می‌کنید که هوش مصنوعی برای شما ارائه می‌دهد. به همین دلیل ما هنوز بر تعامل دستی و انسانی با سایت‌های فهرست شده تکیه می‌کنیم.»

اهمیت مسائل مربوط به مناسب‌بودن برند

برای برخی دیگر، مسائل مربوط به مناسب‌بودن برند (Brand Suitability) آنقدر مهم هستند که نمی‌توان آن‌ها را از دست انسان‌ها خارج کرد. لوئیز اونز، مدیر ارشد عملکرد در Kinesso، گفت که این آژانس از یک «کنسول هوش مصنوعی (AI Console)» با توصیه‌های برنامه‌ریزی رسانه‌ای مبتنی بر هوش مصنوعی تولیدی (Generative AI) استفاده می‌کند، اما تدوین فهرست‌های احراز (Inclusion Lists) همچنان مسئولیتی محفوظ و انسانی است.

چالش‌های گسترده‌تر فراتر از سرعت

کاهش زمان تدوین فهرست‌های احراز (Inclusion Lists)، پرسش‌های دیگر شک‌کنندگان صنعت در مورد این روش را پاسخ نمی‌دهد.

محدوده تعداد ناشران و تمرکز هزینه

تعداد ناشران موجود در چنین فهرست‌هایی بسته به نیازهای مشتری متفاوت است و از حداقل ۶۰۰ تا حداکثر ۵۰,۰۰۰ متغیر است. با اتخاذ یک رویکرد عمداً محدود در هزینه‌کرد تبلیغات، تبلیغ‌کنندگان ممکن است دسترسی کمپین‌های خود را به‌طور غیرضروری کاهش دهند – و هزینه را در بین تعداد کمی از ناشران از پیش تثبیت‌شده متمرکز کنند.

چالش برای ناشران کوچک و متوسط

جاناتان دسوزا-راوتو، مشاور فناوری تبلیغات، گفت: «چالش این نوع رویکرد این است که واقعاً به ناشران کوچک و متوسط توجهی نمی‌کند.»

انعطاف‌پذیری و تنظیم محدودیت‌ها

و خودکارسازی این فرآیند می‌تواند به خریداران و برندها این فرصت را بدهد تا زمان بیشتری برای اتخاذ تصمیمات ظریف‌تر درباره موارد مرزی (Edge Cases) داشته باشند – یا در صورت اثبات بیش‌ازحد محدود بودن مجموعه ناشران، محدودیت‌ها را کاهش دهند. مایک اوسالیوان، مدیر کل محصول در The Trade Desk، گفت: «حتی اگر موردی از تحویل کمتر از حد انتظار [در عملکرد کمپین] پیش بیاید، فقط کافی است محدودیت‌ها را شل کنید.»