Kontextuell Annonsering: Introduktion och nuläge  

Kontextuell annonsering bygger på att visa annonser för användare baserad på den redaktionella kontext de befinner sig i och relevans just i stunden. Den kontextuella datan har också kommit till att bli en växande och allt mer förekommande metod för digital annonsering, där man använder själva innehållet som den avgörande datakällan för att skapa relevans i realtids-handlad annonsering.

Vi ser tre primära faktorer som driver annonsindustrin mot kontextuell annonsering bort från det senaste decenniets fokus på att samla och använda individbaserad data.

Den stora och kanske mest avgörande förändringen i det digitala annons-ekosystemet är att de största tech-aktörerna med Apple, Google och Safari i spetsen har valt att mer eller mindre sluta stötta cookie-teknologin i sina webbläsare.

Grunden i dessa beslut ligger i den tekniska problematik som finns kring data privacy och integritet kopplat till användandet av tredjepartscookies. Särskilt när det används till spårning av användares historisk och beteenden.  Därtill finns en övergripande teknisk skuld, då cookie-tekonologin är föråldrad och ej skapad för att hantera stora dataflöden som är nödvändigt i dagens annonslandskap.

Den andra delen till att kontextuell annonsering ses som en hållbar annonslösning är frågan om “data privacy” och hantering av personlig data.
Inom EU (GDPR) och USA (CCPA) har nya lagstiftningar tillkommit för att stärka skyddet kring personlig data för medborgarna. Därtill är förändringen också driven av användare som i mindre skala är villiga att dela med sig av sin data

Läs mer om användares attityder till datadelning

Det råder delade meningar om framtiden för den individbaserade datan men med intressanta uttalanden från Apple som:  “I think that you can do digital advertising…without tracking people,” i The New York Times 2021. (https://www.businessinsider.com/tim-cook-facebook-objections-over-privacy-feature-flimsy-2021-4?r=US&IR=T )  också IAB Sverige och Insight Intelligences alldeles färska undersökning “Delade Meningar 2021” så ser det ut som datainsamling av personlig data inte kommer kunna antas vara skalbar över flera medier och individer på ett uniformt sätt.

Apples ställningstagande kan ses som ett trendbrott i digital annonsering att göra privacy till en affärsstrategi och ett etiskt ställningstagande för sina användare, snarare än att leta nya metoder för att samla än mer data för personlig targeting. https://www.forbes.com/sites/angelauyeung/2021/04/20/apple-forces-competitors-to-play-by-its-rules-with-a-new-operating-system/

En ytterligare drivkraft  till intresset bakom kontextuell annonsering finns i de möjligheter som tillkommit genom snabba framsteg inom AI och Machine Learning. Dessa teknologier möjliggör hanteringen av stora mängder och semantisk analys av innehåll i realtid, oavsett om det gäller bilder, text, video, streaming eller flöden i sociala medier.

Innehållet i alla dessa kanaler kan ge uppfattningar om vilka budskap som är relevanta baserat på mindset, kontext och en användares upplevelser – allt detta i realtid. Detta skiljer sig från individbaserade data, som istället förlitar sig på historiska signaler kring användarens beteenden.

I detta stycke kommer vi reda ut begreppet kontextuell annonsering, vad det är och hur det används idag, samt vilka framtida utvecklingar vi ser inom kontextuell targeting.

Vi kommer också ta upp frågor runt praktisk tillämpning av kontextuell targeting relaterat till resultat, effektivitet, tillgänglighet, kreativa och kommunikativa möjligheter, skala och reach som samtliga är viktiga för att utvärdera tillämpandet av alternativa metoder till tredjepartscookies som datakälla.

________________________________________________________________

Problematik med cookie infrastruktur och varför kontext kan vara en lösning för bättre effektivitet
Idag består ca 50% av all trafik så kallad “Cookie-less traffic”. Detta innebär att nästan alla programmatiska budgivningar sker mer eller mindre endast på 50% av den totala trafiken på grund av att kampanjer har någon form av styrning eller filter. Detta gör att konkurrensen om de databerikade visningarna blir högre, vilket driver upp prisbilden för annonsörer. Att “låsa upp” de resterande 50% av trafiken skulle då kunna ha en positiv inverkan för både publicister (högre fill-rates) och annonsörer (lägre priser och tillgång större målgrupper).

Headerbiddings framfart medför allt fler lösningar hos både SSP:er och DSP:er för att begränsa trafiken till att kunna skicka/ta emot mest relevant trafik som möjligt. Eftersom majoriteten av alla budgivningar sker med datastyrningar är det näst intill endast ”Matched Users” som betyder något.  Adtech bolag väljer helt enkelt bort trafik som inte är ”matched” för de vet att det är bara en väldigt liten del av sina annonsörer som väljer att köpa det.

Visst finns det DSPer med en infrastruktur som inte behöver tänka på detta alls utan tar emot allt ändå, men det betyder inte att fler köp sker på ”unmatched users”, något man kan tänka sig är också att denna del av trafiken in apps och andra miljöer där användare har möjlighet att påverka sina val av att dela data kommer att växa. För att börja kapitalisera på denna kaklösa/identitetslösa trafik behövs det mod och våga ifrågasätta. Att testa en viss % av budgeten mot relevans och kontext, ta hjälp av sakkunniga i fråga, sätt en daglig budget och kanske ett tak på CPM, i och med att få andra budar på den trafiken kanske kan effektiviteten även infinna sig i pris som en sideffekt. 2021 och troligen än mer 2022 kommer vara en period för att lära sig och ta sig an nya tillvägagångssätt för att hitta effektivitet. Kanske vi har bekväma algoritmer gjort val som visat effektivit, men när variablarna bakom algoritmen fundamentalt förändrats behövs nya, och som alltid är det mest kostandseffektivt att laborera medans det går, innan krav på storskalighet är ett faktum.

Lösningar – För att maximera mängden effektiva visningar cross Device/Browsers går även kontextuellt och ”unmatched users” ihop väldigt mycket med ”Identity”.

I de fall DSPer väljer att inte lyssna på ”Unmatched” trafik kan de börja göra det ifall en Identity vendor ligger med i requestet, då denna identifier skickas med på all trafik betyder det också att vi ökar ”matched users” från 50% till närmare +-97%. Men det förutsätter att både Publicist och Köpare använder sig av samma identifier för att fullborda matchningen.

Potentiella fördelar med kontext:
Att arbeta med kontext innebär att styra annonskampanjer baserat på innehåll istället för användarens surfbeteende. Genom att matcha budskap och kontext uppnås relevans i stunden och att annonsören kan nå användaren i “rätt” sinnesstämning.  Genom att styra på kontext når annonsören även “rätt” person. I ett hushåll kan en enhet delas av flera personer vilket gör cookie-datan mindre tillförlitligt. En och samma enhet kan exempelvis användas av både barn och föräldrar.

Potentiella nackdelar:
Att arbeta med enbart kontext innebär begränsade möjligheter att arbeta med frekvensstyrning. (utan identifiers)
Innehåll/begrepp kan ha både positiva och negativa innebörder vilket annonsörer måste beakta och om möjligt hantera med hjälp av t ex negativa sökord .

Hur fungerar kontext?
Kontext kan identifieras, och hanteras på en rad olika sätt, där den tekniska mognaden i hög grad styr metodiken.
I en mer primitiv version av kontextsegmentering kan en publicist manuellt “bundla” en rad URL:er/undersidor som t.ex. sportkontext som sedan erbjuds till marknaden.
En något mer automatiserad lösning används keywords för att matcha en rad URL:er mot en given kontext, baserat på de keywords som valt ut för att definiera kontexten i fråga.

För att ytterligare öka kvalitén i automatisering av kontextförståelse kan Natural Language Processing (NPL) användas. Här analyserar och identiferas kluster av ord/sammanhang i stora mängder text med hjälp av datamodeller, för att på så vis “förstå” kontexten och nyanser i textmassan. Genom att använda NPL, kan en publicist få en mer pricksäker segmentering av kontext, där språkliga nyanser fångas upp på ett mer rättvisande sätt.

Slutligen finns möjligheten att genom AI, och Machine Learning träna upp en datamodell att förstå specifika kontexter, genom att “mata” den med exempel på hur den givna kontexten kan se ut. Exempelvis kan modellen ges ett hundratal exempel på nyhetsartiklar som enligt en publicist kan definieras som exempelvis “Sport”. Därefter kan modellen på egen hand identifiera framtida artiklar som matchar mot segmentet sport.

Hur skiljer sig kontextuell data mot individbaserade data?
I sin ursprungsform så är skillnaden mellan kontextuell och individbaserade data tydlig. Kontextuell data klustrar inte användare i grupper, och samlar inte information om enskilda användare över tid. Istället erbjuds annonsörer möjligheten att köpa en besökare baserat på vad den läser just nu, istället för baserat på användarens tidigare beteenden. I detta exempel krävs då inte heller någon form av tracking, varken via Cookies eller andra ID-lösningar.

Kontextuell data kan kombineras med andra dataset, med hjälp av  teknik som möjliggör “data stitching” mellan olika datakällor.

Exempel på segmentering och användningsområden
Teoretiskt sett finns inga begränsningar kring hur kontextuell data kan definieras och användas, men som en grundregel bör alltid segmentets potentiella storlek tas i åtanke när ett erbjudande skapas.

Ett bra exempel på detta är att arbeta utifrån IABs kontexthierarki, där kontexter kan delas in i tre eller fyra nivåer, från breda, till mer specificerade. Ett exempel kan se ut som nedan:

För en annonsör finns då möjligheten att använda större och bredare segment (tier 1), eller mer specificerade segment, där användarantalet också minskar (tier 3-4).

Segment och targeting kan givetvis kategoriseras utifrån andra katalogisering än IAB´ s kategorier.

Brand Safety
Kontextdata kan säkerställa brand safety enligt två huvudsakliga metoder;

  • Negativ exkludering
  • Whitelisting

I arbete med negativ exkludering så definieras en rad icke-önskade kontexter/termer/keywords som sedan antingen filtreras bort enligt en keyword-modell, eller genom en AI-baserad lösning. På så vis exkluderas allt innehåll som matchar mot fördefinierade kriterier. Exempelvis om en flygbolag vill filtrera bort allt innehåll som kan knytas till flygolyckor eller dylikt.

Som ett ytterligare, mer övergripande, lager av brand safety så kan leverantören av kontext arbeta med strikta whitelists gällande vilka publicister som scrapas på innehåll, och endast hålla sig till godkända domäner av t.ex. premiumpublicister som upprätthåller en hög nivå i sitt journalistiska arbete.

För publicister finns det möjlighet att kapitalisera på sin förstapartsdata genom att skapa kontextuella målgruppssegment. Segmenten kan till exempel baseras på vilket innehåll användaren konsumerar, vilka rubriker/ämnen en användare klickar sig vidare till, mest lästa artiklar, och så vidare. Därigenom kan publicisterna även bilda sig en god uppfattning om vilket innehåll en användare intresserar sig för.

Gränsen mellan målgruppssegment baserade på kontext och målgruppssegment baserade på beteenden on-site är ofta hårfin och vanligt är att de mixas/kombineras.

Kontext och framtid
Många annonsörer ser att de framöver kommer att förlita sig mer på kontextuell styrning utan tredjepartskakor. Enligt en undersökning utförd av Epsilon (September 2020 ) så uppger 54% av amerikanska marknadsförare att deras företag kommer att röra sig mot kontextuella styrningar som ett led i förberedelserna inför en värld utan tredjepartskakor. Samtidigt tror dock en stor andel av annonsörerna att kontextuella styrningsmöjligheter inte kommer att vara tillräckligt för att ersätta cookie-baserade styrningar. Enligt Lotame uppger 54% av US marketers att kontextuell styrning är användbar som taktik, men inte helt på egen hand.

Även publicisterna hyser stor tilltro till kontextuell targeting och dess möjligheter att fylla annonsörernas behov. Närmare sju av tio amerikanska publicister svarar att de känner sig trygga med att kontextuell styrning kan uppfylla behovet av annan målgruppsstyrning (källa: Lotame).

Viktigt att beakta är att inte alla publicister har möjlighet att kapitalisera på kontext eller signaler från sina användare på egen hand. Innehållet kan vara för smalt eller geografiskt begränsat vilket innebär svårigheter att skapa säljbara segment. Dock utgör det en stor möjlighet även för mindre publicister och nischade publicister att värderas och kunna kapitalisera på sitt innehåll när köpare letar specifika kontexter snarare än sina användares eventuella tidigare beteende historik för lägst kostnad. Där rådande annonsekonomi ofta värderar den personliga datan över innehåll premierar det media med låg produktionskostnad då en högre marginal kan tas när man attraherar en användare till sin domän, men där annonsörer letar efter en specifik kontext som stämmer in på kriterier så kan budgivningen för just det innehållet vara högt om det är av hög relevans. Det kan alltså spås att bidding baserat på kontext premierar relevans av innehållet snarare än pris på cookiehistorik, men precis som tidigare får inget innehåll utan användare något värde. Dock som tidigare nämnt finns det en stor del av trafiken där cookiematchningar inte kunnat göras eller som filtreras bort som idag går som en oanvänd källa för att nå bättre effektivitet för annonsörer om den kan användas i större utsträckning.

Även om kontext som begrepp funnits längre än cookies och annonsörer letat kontext och sammanhang sedan länge så har vi kanske inte sett den nya tekniken användas till sin fulla potential ännu, och att förstå hur effekten av annonsering kan påverkas av sinnesstämningen sekunderna innan ett reklamavbrott i streamad video eller en livesändning som ett exempel. Vi kommer under kontext avsnittet försöka följa resultat och utveckling av kontextuell annonsering, bl.a har vi sett ett intressant case lokalt publiceras i ämnet att kunna läsa mer om här: https://www.dagensmedia.se/marknadsforing/kampanjer/ny-studie-kontextuellt-anpassad-annonsering-ar-mest-effektivt/