OpenAdLibraryOpenAdLibrary
Meghatározás

Dinamikus kreatív optimalizálás (DCO)

A Dinamikus kreatív optimalizálás (DCO) olyan technológia, amely automatikusan összeállítja és cseréli a hirdetéskomponenseket, képeket, címsorokat, felhívásokat a valós idejű teljesítményadatok alapján.

Szerkesztős illusztráció: Dinamikus kreatív optimalizálás (DCO)

A Dinamikus kreatív optimalizálás, amelyet általában DCO-nak rövidítenek, olyan technológia, amely automatikusan összeállítja és cseréli a hirdetéskomponenseket, képeket, címsorokat, felhívásokat a valós idejű teljesítményadatok alapján, ahelyett, hogy egy ember manuálisan választaná ki, melyik statikus kreatív hirdetést fusson. Egy rögzített hirdetés helyett a DCO minden elemet egy változónak tekint, amelyet a rendszer a különböző célközönségek vagy kontextusok számára menet közben újrakombinálhat.

Hogyan működik valójában#

Egy DCO beállítás egy felcserélhető darabokból álló könyvtárral kezdődik: több címsorlehetőség, több kép, több CTA gombfelirat, néha különböző árazási vagy ajánlati részletek, amelyeket egy feedből húznak be. A platform ezután kombinációkat szolgál ki a célközönség különböző szegmenseinek, és a megjelenítések arányát a legjobban konvertáló kombináció felé tolja el, szellemileg hasonlóan a folyamatos A/B teszteléshez, de automatikusan sokkal több kombinációt futtatva, mint amennyit egy ember manuálisan egyenként tesztelne. Az e-kereskedelmi platformokon futó dinamikus termékhirdetések ennek a leglátványosabb változatai, amelyek élő termékképeket, árakat és neveket húznak be egy feedből, és a néző böngészési előzményei alapján egyedi hirdetést állítanak össze.

Hol jelenik meg a DCO a natív reklámozásban#

A natív hálózatok történelmileg inkább a manuális kreatív rotációra támaszkodtak, mint a teljes értékű DCO-ra, mivel a natív hirdetési formátumok egyszerűbbek, mint azok a több elemből álló display banner hirdetések, amelyekre eredetileg a DCO-t építették. Ennek ellenére a Taboola, az Outbrain és más hálózatok hozzáadtak automatizált címsor- és képrotációs funkciókat, amelyek közvetlenül a DCO logikáját kölcsönzik: több címsorváltozatot tesztelnek ugyanazzal a képpel, vagy fordítva, és a megjelenítéseket a legjobb CTR és lefelé mutató konverziós rátával rendelkező kombináció felé tolják el.

A kompromisszum: kontroll versus skála#

A DCO előnye a skála: sokkal több kombinációt tud tesztelni, mint amennyit egy ember valaha is tesz, és gyorsabban reagál a teljesítményváltozásokra, mint egy heti manuális áttekintés. A kompromisszum a kontroll és a kreatív koherencia: egy automatikusan összeállított kombináció időnként összepárosíthat egy olyan címsort és képet, amelyek ütköznek, vagy felhozhat egy olyan ajánlati részletet, amely technikailag pontos, de rosszul keretezett. A DCO-t futtató hirdetők többsége továbbra is időszakosan áttekinti a kimeneteket, ahelyett, hogy teljesen kezdeményezés nélkülinek tekintené, és a kreatív kimerültség jeleit használja annak megállapítására, hogy mikor szükséges a teljes elemkönyvtár, nem csak egy kombináció frissítése. A DCO-val új hirdetők néha azt feltételezik, hogy az teljesen megszünteti a kreatív munkát, amikor a gyakorlatban csak átviszi ezt a munkát egy végső hirdetés kiválasztásáról egy erős, felcserélhető darabokból álló könyvtár felépítésére a kezdetekben.

A DCO kutatása a vadonban#

Mivel a DCO sok kreatív variánst állít elő ugyanabból az alapvető kampányból, egy márka hirdetési tevékenységének időbeli nyomon követése egy átláthatósági indexben gyakran feltár egy sor majdnem azonos hirdetést kis címsor- vagy képkülönbségekkel, ami egy jó jel arra, hogy a háttérben DCO vagy automatizált rotáció fut, nem pedig egy ember kézzel válogatja ki az egyes variánsokat. Az OpenAdLibrary hirdetési intelligencia platformja felhozza egy márka összes élő variánsát, így közvetlenül láthatod ezt a mintát.

Gyakran ismételt kérdések

A DCO ugyanaz, mint az A/B tesztelés?
Kapcsolódnak, de nem ugyanazok. Az A/B tesztelés általában kis, rögzített számú teljes változatot hasonlít össze. A DCO sok kombinációt állít össze egy felcserélhető elemekből álló könyvtárból, és folyamatosan a legjobb teljesítményt nyújtók felé tolja el a megjelenítéseket, közelebb állva a folyamatos, nagy léptékű többváltozós teszteléshez.
Támogatják a natív hirdetési hálózatok a DCO-t?
A teljes értékű, display hirdetésekben megszokott DCO kevésbé gyakori a natív hálózatokon, de a legtöbb nagyobb platform, beleértve a Taboola-t és az Outbrain-t is, kínál automatizált címsor- és képrotációs funkciókat, amelyek hasonló logikát alkalmaznak egyetlen kampányon belül.
Milyen adatokra van szüksége a DCO működéséhez?
Elegendő forgalomra van szüksége, hogy értelmes teljesítményjelzéseket generáljon a kombinációk között, plusz egy kreatív elemekből álló könyvtárra, amelyet kifejezetten felcserélhetőnek terveztek: olyan címsorokra, képekre és felhívásokra, amelyek bármilyen kombinációban együtt is értelmesek maradnak.
Teljesen helyettesítheti a DCO a manuális kreatív tesztelést?
Nem teljesen. A DCO jól kezeli a kombinációs szintű optimalizálást, de önmagában nem generál igazán új szögeket vagy kampányhorgokat. A legtöbb hirdető továbbra is manuálisan fejleszti ki az új kreatív szögeket, és etáplálja a DCO elemkönyvtárába, ahelyett, hogy a rendszertől várná az új ötletek feltalálását.
Az OpenAdLibrary Csapat
ÍrtaAz OpenAdLibrary Csapat
Ad intelligencia és natív hirdetéskutatás

Mi építjük az OpenAdLibrary-t, a nyílt hirdetésátláthatósági platformot. Rendszereink naponta élő natív hirdetéseket rögzítenek a Taboola, Outbrain, MGID, Revcontent, Teads, Yahoo és MSN hálózatokon, azonosítják az egyes hirdetések mögötti valódi hirdetőt, és követik a kattintást a céloldalig. Ezek az útmutatók összegyűjtik, amit ezekben az adatokban látunk, hogy gyorsabban kutatni tudd a piacot.