以AutoML服務起家的行動貝果,日前推出AI微服務平臺8ndpoint,可透過API爬梳企業廣告資料,包括上百項參數(如臉書),來進行成效預警。

圖片來源: 

攝影/王若樸

現在又有一款新廣告評估工具,可用來了解數位廣告投放成效。以開發AutoML平臺服務起家的行動貝果最近推出產業型AI平臺8ndpoint,先推出可通吃臉書、Google廣告的績效預警功能,企業匯入自家廣告資料後可自動建模、分析廣告成效,也能自動預警無效廣告。行動貝果過去以純AI平臺產品為主,現在也開始推出產業型AI產品。

要整合碎片化AI應用場景,先從數位廣告自動化下手

行動貝果創辦人暨執行長鍾哲民表示,這是在原有的企業產品DecanterAI平臺上,進一步打造的8ndpoint平臺。「目標是要整合企業在不同平臺的資料,」比如臉書、Google、Line、POS等資料,「來進行不同領域的預測,」將AI預測拆分成不同的微服務模板產品。

而8ndpoint的第一個服務,就是數位廣告績效評估自動化,透過內建的AI模型來找出無效廣告,同時給出影響廣告成效的變數報告。鍾哲民說明,企業完成設定後,系統會透過API爬梳企業品牌的臉書、Google廣告後臺資料,包括受眾、觸及率等上百項參數;企業也可手動匯入自家資料,一起用來建模。

接著,內建模型會透過這些資料,來預測分析,產出模型解釋性圖表,提供廣告成效建議,比如哪些廣告是無效、該停損的,此外也會列出影響成效的變數,讓用戶用來優化廣告。

鍾哲民表示,這個功能背後的AI模型,是用了1,000多個Google廣告訓練而成,累積了相當於100萬天的廣告分析經驗,因此系統以這個經驗為基準,來提供廣告建議。

目前,行動貝果也在開發2個新服務,包括客戶輪廓自動化、行銷標籤自動化。

自建時序性演算法準確率高於臉書,企業就算沒有資料科學團隊也能無痛使用

同時,行動貝果還推出另一款AI技術產品AutoTSF,可自動建立時序性資料模型來提供預測。鍾民哲指出,對企業來說,舉凡商品銷售預測、廣告轉換率預測、供應鏈原物料價格預測、能源用量預測等,都需要建立時序性模型來分析。

但建模不只需要專業資料科學團隊,還需花費大量時間來試錯、優化模型,成效也難保理想。雖然現有開源時序性模型可用,比如臉書的Prophet,但還是須要專業人力來調參。而AutoTSF試圖解決這個問題。

3年前,行動貝果就開始開發這個產品。只不過,當時是以專案形式來提供AutoTSF功能。後來,8成企業客戶告訴他們「這個功能很重要,」於是今年,行動貝果將該功能標準化,打包成一套獨立的AutoML子產品來銷售。

在使用上,AutoTSF有三步驟,包括資料前處理、自動建模、自動時序驗證。使用者手動匯入歷史資料,這些資料可以是配貨資料、原料供需資料、設備耗材資料等,AutoTSF會根據這些資料,來處理欄位缺失值、轉換類型目標等,接著自動建模預測、透過深度學習來優化超參數,最後則進行交叉驗證、呈現視覺化結果圖表。

行動貝果宣稱,以自家客戶資料和公開資料集來驗證,AutoTSF準確率常見時序分析做法,如臉書的Prophet,也高於傳統統計方法ARIM和回歸類神經網路的LSTM。但截稿前沒有回覆準確率高的原因。文◎王若樸

行動貝果3月12日來信補充:AutoTSF準確率高於其他代表性演算法原因有2個,首先是採用多變數的機器學習時序性預測模型,可同時考慮多個變因來預測,而傳統統計方法如ARIMA只能就單一變數來預測。以股價預測為例,ARIMA只能以股價來預測,而AutoTSF可以其他類股股價、經濟指數、每日進出口貿易量等多變數來輔助預測,考慮變因較完整。

AutoTSF的另一個特點是,它是融合多種統計方法和機器學習演算法的混合型預測模型。鍾哲民解釋,因為時間預測的問題有很多種,像是短時間高頻變化、長時間趨勢變化、單/多變數變因互相影響的變化,或是滑動視窗(Sliding window)的延遲影響,而這些問題,都有不同的演算法能應對。為結合這些演算法優勢,來解決複雜的時序問題,AutoTSF採用基因演算法,來遺傳交配出合適的混合預測模型,作為超參數搜尋的核心技術。透過這個方法產出的模型,會隨著資料和運算時間越來越準確。


熱門新聞

Advertisement