di Elisa Dossena e Matteo Ferrario

Xaxis nasce nel 2011 come società di WPP e GroupM, e ad oggi è considerata come la più grande programmatic media company attiva a livello globale.

Nel workshop che si è tenuto durante la prima giornata di IAB Forum, Erik Rosa, Managing Director di Xaxis, ha discusso un tema di grande attualità: l’Intelligenza Artificiale e il Machine Learning. Rispetto a questa tematica, Erik Rosa ha esplorato con il collega Rodrigo Bertuzzi, Head of Optimization di Xaxis, che cosa è concretamente l’Intelligenza Artificiale e a cosa serve in ambito pubblicitario, soprattutto in termini di performance e outcome. A sostegno della loro ricerca, Giovanni Chiarelli della direzione marketing di UnipolSai ha condiviso con noi l’esito estremamente positivo della collaborazione del gruppo assicurativo con Xaxis.

Xaxis parte da una ricerca ben specifica nel parlare di machine learning nell’ambito del performance marketing e performance advertising, che dimostra che il 71% dei clienti oggi utilizza le metriche per tracciare tutti i dati. Erik Rosa introduce quindi un problema diffuso tra gli advertiser, rappresentato dalla difficoltà nel raggiungere e nel poter misurare concretamente il risultato di business di una campagna.

“Il digitale è per definizione misurabile (click, conversione, viewability etc.), ma la complessità delle metriche con cui oggi ci si confronta non permette necessariamente di andare a misurare quelli che sono i KPI media con degli outcome di business, quindi con dei risultati concreti in maniera effettiva”.

Quindi, qual è la soluzione a questo problema? In un mercato pubblicitario talmente complesso, le aziende richiedono risultati concreti. Per questo, Xaxis crede che gli algoritmi di machine learning e la tecnologia, grazie alle loro caratteristiche, siano capaci di risolvere il problema e ottimizzare le campagne adv.

Secondo la medesima ricerca citata inizialmente, l’86% degli advertiser in Europa hanno dichiarato che in questo mercato estremamente complesso di digitale e di metriche, vuole dei risultati concreti. In Italia gli advertiser dicono la stessa cosa, con l’81% degli advertiser che mirano ad andare a misurare il risultato sfruttando le nuove tecnologie per raggiungerlo.

Per analizzare i risultati di una campagna adv, bisogna tener conto di quattro pilastri che secondo Xaxis sono riassumibili in:

• Media, in termini di brand safety (media qualitativo)
• Talenti, inteso come lo staff che ricopre un ruolo importante.
• Dati, che sono parte consolidata e fondante delle campagne digitali.
• Machine learning, facendo riferimento a come la tecnologia e gli algoritmi di machine learning ci aiutano ad ottimizzare le campagne.

In seguito a questa breve introduzione al contesto in cui opera l’azienda e più in generale al machine learning, Giovanni Chiarelli racconta l’esperienza che ha avuto nel collaborare con Xaxis per ottimizzare le proprie campagne pubblicitarie.

UnipolSai, primo gruppo assicurativo in Italia, è leader nella tecnologia applicata e utilizza i dati che ricava dal machine learning per il lavoro di tutti i giorni. Chiarelli sottolinea che UnipolSai fa campagne pubblicitarie online ed offline con il solo obiettivo di performance, che ironicamente descrive come “l’incubo di tutte le agenzie pubblicitarie”. Ad UnipolSai, in ambito pubblicitario, interessa solo generare lead attraverso la continua revisione dei modelli di attribuzione, e tenendo conto dei diversi assist che i vari mezzi di comunicazione offrono. Nella collaborazione aveva quindi l’obiettivo di estendere i propri bacini di mercato, e ha trovato in Xaxis un valido supporto per andare a “scovare” utenti che prima non riuscivano a cogliere. L’azienda assicurativa condivide completamente l’approccio metodologico di Xaxis, che implica l’uso di intelligenza artificiale per ottenere dei risultati concreti. L’approccio è data driven: tutte le informazioni che riescono a targetizzare grazie alla piattaforma che Xaxis mette a disposizione servono per arricchire ulteriormente le loro informazioni e a creare nuovi segmenti.

Come è arrivata Xaxis a lavorare e a produrre su argomenti di Machine Learning?

Erik Rosa afferma che attualmente gli attori del mercato intendono il machine learning in maniera problematica ed incerta:

“Tutti stanno un po’ nel mezzo, quelli che sono più convinti di tutti sono gli intermediari (intesi come agenzie specializzate e/o piattaforme) per il 63%. Invece per quanto riguarda la percezione che gli advertiser hanno di come l’intelligenza artificiale va ad impattare il nostro lavoro di tutti i giorni, il 41% crede che l’artificial intelligence ridurrà i tempi di lavoro nel fare azioni che prima venivano svolte manualmente. Solo il 3%, un dato piuttosto irrilevante, lo ritiene una minaccia”.

Concretamente, spiega Rosa, in pochi hanno veramente compreso che cosa sia l’Intelligenza Artificiale e come essa possa aiutarci nelle attività di business.

Per fare degli esempi concreti di algoritmi di intelligenza artificiale, basta pensare che la vediamo applicata tutti i giorni quando facciamo una ricerca su Google o su Bing, e quando Netflix o Spotify ci fanno dei suggerimenti rispetto a quelli che sono i nostri interessi. La vediamo operare quindi in quelle piattaforme che studiano il nostro comportamento e ci danno delle soluzioni che tecnicamente dovrebbero essere in linea con i nostri interessi.

Quali sono i benefici delle applicazioni del machine learning nell’advertising?

Il machine learning all’interno di Xaxis aiuta il team di Rodrigo Bertuzzi nell’attività di ottimizzazione delle campagne programmatic, in particolare nel prendere le decisioni in maniera più rapida e più smart. Oggi tutto parte dalle impression, che vengono erogate per miliardi al giorno, quindi poter utilizzare la tecnologia per comprare e poi erogare impression in modo più veloce riuscendo comunque a produrre un risultato effettivo, ci aiuta incredibilmente.

Il machine learning è utile nell’ambito dell’advertising a conseguire 4 principali obiettivi:

• Utilizzare meglio i dati
• Servire la creatività migliore all’utente migliore
• Utilizzare più multi-metriche
• Predire quelli che possono essere i risultati, tendenzialmente in ambito di performance.

Xaxis sostiene che siano infinite le opportunità offerte dall’Intelligenza Artificiale nel campo del digital advertising. Per questo Xaxis ha sviluppato Copilot, un algoritmo di machine learning che permette di ottimizzare la performance delle campagne pubblicitarie e assicura risultati concreti. Copilot è stato sviluppato a New York da più di 40 ingegneri e data scientist, ed è attivo in tutte le countries in cui Xaxis è attiva. Il numero di strategie e di dati di clienti che hanno attivato algoritmi di machine learning sono quasi 2000 (rappresentando l’80% dei clienti di Xaxis).

Quali sono i risultati KPI che si possono ottimizzare utilizzando il machine learning?

Per i KPI più standard (come Awareness, Clicks & Video Completition) esistono algoritmi nativi all’interno della piattaforma. Dunque, la piattaforma va ad ottimizzare i dati rispetto ad uno specifico obiettivo. Per i KPI più complessi, Copilot offre la possibilità di andare a sviluppare sulla piattaforma degli algoritmi di customed outcome, che mettono a disposizione i dati di prima, seconda e terza parte per raggiungere degli obiettivi di vendita più concreti.

Nella parte finale del workshop, Erik Rosa ritorna sul case study di Unipol per individuare i KPI ottimizzati utilizzando il machine learning durante la campagna, ed entrando più nello specifico di quelli che erano gli obiettivi in termini di performance che hanno raggiunto. Chiarelli specifica che UnipolSai doveva soddisfare la necessità di cercare nuovi potenziali utenti. Siccome la gran parte delle loro campagne automatiche (in virtù anche dell’offerta economica) portavano maggiori risultati al sud, pur riportandoli in tutta Italia, UnipolSai voleva equilibrarli ulteriormente provando a a selezionare con Xaxis delle azioni che potessero aumentare la richiesta di preventivi nelle regioni del nord est e nord ovest.

Nella campagna per Unipol, Xaxis ha inizialmente messo a disposizione i dati, contando le impression collegate al dato dell’utente interessato nello stretto caso delle polizze, per poi analizzarlo con il retargeting. Poi hanno identificato il profilo associato ai dati, con la loro piattaforma che va ad identificare quelli che sono i profili digitali in termini di affinità dati socio-demografici. La campagna non va mai in dispersione, ma va soltanto ad intercettare le persone che sono interessate al target. Infine, la piattaforma eroga e va a comprare quelle che sono le impression che si suppone vadano a convertire il target.

Quindi il Machine Learning aiuta davvero nelle campagne adv ad ottimizzare i risultati?

Secondo Erik Rosa, la risposta a questa domanda è un grande sì. È innegabile che l’algoritmo aiuti la performance sia nella specifica in ambito performance, sia in generale per quanto riguarda il mix di dati, tecnologia, prodotto e anche funnell della campagna.

“Non esiste una performance senza un prodotto performante e un form possibile e raggiungibile”.