คู่มือใหม่: การวัดผลกระทบของ AI ต่อการซื้อสินค้า
Interactive Advertising Bureau กำลังเปิดตัวกรอบงานที่ออกแบบมาเพื่อตอบคำถามที่ซับซ้อนอย่างน่าประหลาดใจ: AI ควรได้รับเครดิตเท่าใดเมื่อมีผู้ซื้อสินค้า? แผนดังกล่าว ซึ่งจะเปิดตัวในเดือนพฤศจิกายน มีเป้าหมายเพื่อสร้างวิธีการวัดผลร่วมกันว่าเมื่อใด AI มีส่วนผลักดันผู้บริโภคไปสู่การแปลงเป็นลูกค้าจริง และเมื่อใดมันเป็นเพียงส่วนประกอบในพื้นหลังเท่านั้น ความพยายามนี้ถูกออกแบบมาเพื่อรับมือกับส่วนกลางที่ซับซ้อนของการตลาดสมัยใหม่ ซึ่งสัญญาณการกำหนดเครดิตแบบดั้งเดิมอาจหายไปทันทีที่ผู้ช่วย AI เริ่มเข้ามามีส่วนร่วมในเส้นทางการซื้อ
แทนที่จะพยายามทิ้งเครื่องมือวัดผลที่มีอยู่ กรอบงานนี้มีวัตถุประสงค์ที่จะนำ AI มาผสานเข้ากับวิธีการที่คุ้นเคย เช่น การกำหนดเครดิต (attribution) แบบจำลองการผสมผสานการตลาด (marketing mix models) การทดสอบความเพิ่มขึ้น (incrementality tests) และตัวชี้วัดแบรนด์ — โดยปรับแต่งให้สอดคล้องกับ AI เล็กน้อย งานนี้แบ่งบทบาทของ AI ออกเป็นสองส่วนที่ใช้งานได้สะดวก: เมื่อ AI นำเสนอตัวเลือกตั้งแต่เนิ่นๆ (การรับรู้หรือความตั้งใจ) และเมื่อ AI ช่วยผู้ใช้ตัดสินใจ (การตัดสินใจและขั้นตอนการชำระเงิน) การแบ่งนี้มุ่งทำให้สามารถระบุได้ง่ายขึ้น — พร้อมด้วยหลักฐาน — ว่า AI สมควรได้รับส่วนแบ่งจากผลลัพธ์การแปลงหรือไม่
ทำไมต้องทำเช่นนี้? เพราะ AI สามารถแทรกตัวเข้าไปในเส้นทางการซื้อได้อย่างเงียบๆ โดยไม่ทิ้งร่องรอยตามปกติไว้เลย ระบบการกำหนดแหล่งที่มาแบบดั้งเดิม (attribution) คาดหวังการคลิก การดูหน้าเว็บ และแท็กการอ้างอิง อย่างไรก็ตาม ตัวแทน AI อาจทำการค้นคว้า เปรียบเทียบ สรุปรีวิว แนะนำสินค้า และแม้กระทั่งดำเนินการส่วนหนึ่งของธุรกรรม — ทั้งหมดนี้โดยไม่ทิ้งลิงก์อ้างอิงที่ชัดเจนกลับไปยังโฆษณาต้นฉบับ เมื่อสิ่งนี้เกิดขึ้น โฆษณาที่ก่อให้เกิดความสนใจอาจหายไปจากร่องรอยที่สังเกตได้ และโมเดลแบบดั้งเดิมก็ยากที่จะให้เครดิตอย่างถูกต้อง
สัญญาณ การศึกษา และช่องว่างความเชื่อมั่นที่แปลกประหลาด
มีหลักฐานแล้วว่าผู้ซื้อกำลังเชิญ AI เข้ามาในกระบวนการซื้อสินค้าของพวกเขา การวิเคราะห์รวมจากหลายร้อยเซสชันการซื้อสินค้าด้วย AI ที่ถูกสังเกตการณ์ และการสำรวจผู้บริโภค พบว่าผู้ซื้อจำนวนมากได้ลองใช้ AI ขณะซื้อสินค้า และหลายคนในจำนวนนั้นใช้มันอย่างบ่อยครั้ง การใช้ AI ไม่ได้ทำให้กระบวนการซื้อสินค้าสั้นลงจนกลายเป็น “ปาฏิหาริย์หนึ่งขั้นตอน” แต่กลับเพิ่มช่วงเวลาใหม่เข้ามา ผู้ซื้อสินค้าส่วนใหญ่ดำเนินการอย่างน้อยหนึ่งขั้นตอนเพิ่มเติมหลังจากโต้ตอบกับผู้ช่วย AI และจำนวนขั้นตอนออนไลน์เฉลี่ยก็เพิ่มขึ้นอย่างมีนัยสำคัญหลังจากมีการใช้ AI
ความเชื่อถือเป็นประเด็นย่อยที่น่าสนใจ ผู้ใช้เกือบ 9 ใน 10 จะตรวจสอบข้อมูลที่ AI ให้มาอีกครั้งก่อนกดซื้อ ในขณะที่น้อยกว่าครึ่งหนึ่งระบุว่าพวกเขาเชื่อมั่นอย่างเต็มที่ในคำแนะนำการซื้อสินค้าที่ได้รับ กล่าวอย่างง่ายๆ: AI มีประโยชน์ แต่ผู้ซื้อสินค้ายังคงต้องการความเห็นที่สอง — และพวกเขามักจะออกไปหาความเห็นนั้น
การศึกษาการจราจรในอุตสาหกรรมยังแสดงให้เห็นว่า การค้นพบสินค้าที่ขับเคลื่อนด้วย AI กำลังขยายตัวอย่างรวดเร็ว จำนวนการเข้าชมที่ติดตามได้จากแหล่ง AI เพิ่มขึ้นอย่างก้าวกระโดดเมื่อเทียบกับปีก่อนในช่วงเวลาล่าสุด และในบางเดือน การเข้าชมจากแหล่ง AI เหล่านี้มีการแปลงเป็นการซื้อสินค้าในอัตราที่สูงกว่าอย่างเห็นได้ชัดเมื่อเทียบกับจราจรจากช่องทางแบบดั้งเดิม เช่น การค้นหาแบบชำระเงินหรืออีเมล แนวโน้มนี้กลับทิศทางจากปีก่อน ซึ่งการแปลงการเข้าชมจาก AI มีประสิทธิภาพต่ำกว่าช่องทางอื่น ๆ การเปลี่ยนแปลงเหล่านี้เน้นย้ำจุดสำคัญ: AI สามารถเป็นแหล่งกิจกรรมทางการค้าที่มีความหมายได้ แต่ไม่เสมอไปที่จะทำงานเหมือนช่องทางที่มีอยู่ ดังนั้นการวัดผลจึงต้องพัฒนาให้ทัน
นี่คือจุดที่สัญญาณใหม่เข้ามามีบทบาท การสนทนาเกี่ยวกับการวัดผลกำลังขยายตัวออกไปนอกเหนือจากจำนวนการดูหน้าเว็บและการอ้างอิง เพื่อจับสิ่งต่าง ๆ เช่น ความถี่ที่เนื้อหาปรากฏในคำตอบของ AI (อัตราการรวม), จำนวนครั้งที่เนื้อหาของผู้เผยแพร่ถูกอ้างอิง (ส่วนแบ่งการอ้างอิงและความลึก), การที่เนื้อหาอยู่ในคลังข้อมูลของ AI หรือไม่, และความเสถียรของอันดับตามเวลา ตัวชี้วัดประเภทนี้พยายามสะท้อนความปรากฏตัวภายในระบบ AI — จำนวนการแสดงผลและการอ้างอิงที่ไม่ได้ปรากฏในบันทึกเว็บไซต์แบบดั้งเดิม
กฎเกณฑ์ มาตรฐาน และคุณสมบัติในแผนงาน
ในเส้นทางคู่ขนาน มาตรฐานทางเทคนิคกำลังถูกกำหนดขึ้นสำหรับโฆษณาที่ขับเคลื่อนโดยเอเจนต์ — โลกที่เอเจนต์อัตโนมัติหรือกึ่งอัตโนมัติช่วยค้นหาพื้นที่โฆษณา เจรจาการซื้อ และแม้กระทั่งจัดการธุรกรรม โปรโตคอลของเอเจนต์เหล่านี้อยู่เบื้องหลังงานด้านความมองเห็นและการกำหนดแหล่งที่มา (attribution) และถูกสร้างขึ้นเพื่อให้เอเจนต์สามารถทำงานร่วมกันได้: การระบุตัวตนซึ่งกันและกัน การแบ่งปันข้อมูลที่มีโครงสร้าง การเจรจาต่อรอง และการบันทึกผลลัพธ์ในรูปแบบที่ระบบเทคโนโลยีโฆษณา (ad-tech) สามารถเข้าใจได้.
ส่วนหนึ่งของความพยายามนี้รวมถึงระบบทะเบียนและเมตาดาต้า เพื่อให้เอเจนต์สามารถอธิบายได้ว่าตนเป็นใครและสามารถทำอะไรได้ และเพื่อให้องค์กรสามารถตรวจสอบและจัดประเภทเอเจนต์ได้ สคีมาแบบมาตรฐานสำหรับข้อมูลเหตุการณ์และข้อมูลการแปลงกำลังถูกปรับให้สอดคล้องกับพฤติกรรมของเอเจนต์ เพื่อให้ผลลัพธ์สามารถส่งสัญญาณและติดตามได้อย่างน่าเชื่อถือมากขึ้นเมื่อมีระบบอัตโนมัติเข้ามาเกี่ยวข้อง การปรับให้สอดคล้องกันนี้ควรทำให้การเชื่อมโยงกิจกรรมของเอเจนต์กับเหตุการณ์การแปลงที่ผู้ลงโฆษณาให้ความสำคัญเป็นไปได้ง่ายขึ้น
ยังมีปัญหาที่ซับซ้อนอีกมากมายในรายการสิ่งที่ต้องทำ การวัดผลไม่สามารถแก้ไขข้อมูลนำเข้าที่ผิดพลาด บันทึกการสัมผัสที่ขาดหายไป การทดลองที่ออกแบบไม่ดี หรือคำถามทางธุรกิจที่ไม่ชัดเจนได้ โครงสร้างพื้นฐานที่กระจัดกระจายและระบบการจัดประเภทที่ไม่สอดคล้องกันก็ทำให้ความก้าวหน้าช้าลงเช่นกัน ชุมชนกำลังหารือเกี่ยวกับการเปิดเผยวิธีการวิจัยที่เครื่องอ่านได้ เมตาดาต้าที่ตกลงร่วมกัน การปรับให้สอดคล้องกันของระบบการจัดประเภท และกฎเกณฑ์เพื่อแยกตัวแทนธุรกรรมที่ถูกต้องจากบอทที่มีเจตนาร้ายที่ปลอมตัวเป็นตัวแทนเหล่านั้น การหารือเหล่านี้ถูกกำหนดให้เป็นแนวทางพัฒนาในอนาคตมากกว่าคู่มือปฏิบัติที่เสร็จสมบูรณ์
สรุปแล้ว: อุตสาหกรรมกำลังพยายามให้ AI มีที่นั่งที่เหมาะสมบนโต๊ะการกำหนดแหล่งที่มา (attribution) โดยไม่ต้องทิ้งอุปกรณ์เก่าไปทั้งหมด เป้าหมายคือแนวทางปฏิบัติที่ใช้ร่วมกันได้ ซึ่งสามารถรับรู้สัญญาณใหม่ที่ขับเคลื่อนด้วย AI เชื่อมโยงสัญญาณเหล่านั้นกับการแปลงเป็นลูกค้าเมื่อเป็นไปได้ และสร้างโครงสร้างพื้นฐานทางเทคนิคเพื่อให้ตัวแทนทำงานเหมือนผู้มีส่วนร่วมที่รับผิดชอบในระบบนิเวศโฆษณา — พร้อมทั้งยังคงมีพื้นที่สำหรับการตรวจสอบ การเปิดเผยข้อมูล และการตรวจสอบความถูกต้องในระหว่างทาง