AI:sta on nopeasti tullut erottamaton osa ad tech -ratkaisuja. Julkaisijoiden kannalta olennainen kysymys ei kuitenkaan ole se, käyttääkö alusta tekoälyä, vaan mitä AI pystyy käytännössä tekemään, mihin sen päätökset perustuvat ja tuottaako se aidosti parempia tuloksia. Mainonnan monetisoinnissa yksittäisiä päätöksiä ei voi tarkastella irrallaan kokonaisuudesta.
Korkeampi floor price voi nostaa CPM:ää, mutta samalla se voi vähentää tarjouksia tai heikentää fill ratea. Lyhyempi timeout voi parantaa sivuston suorituskykyä, mutta samalla se voi sulkea pois arvokasta kysyntää. Myös Prebidissä tehty muutos voi vaikuttaa siihen, mitä mainospalvelimella tapahtuu. Parempien päätösten tekeminen edellyttää siis yksittäisten mittareiden lisäksi ymmärrystä monetisoinnin kokonaisuudesta.
Tämä on myös oman AI-kehityksemme lähtökohta: ratkaisevaa ei ole malli itsessään, vaan sen taustalla oleva data ja ad tech -osaaminen, julkaisijan oman ympäristön ymmärtäminen sekä kyky osoittaa AI:n tuottama arvo.
Aloita datasta, älä mallista
AI:n tekemät päätökset ovat vain niin hyviä kuin data, johon ne perustuvat. Mainonnan monetisoinnissa pelkkä huutokauppadata ei riitä, vaan kokonaiskuva syntyy yhdistämällä tietoa huutokaupoista, toteutuneista näytöistä ja tuotoista sekä kontekstista, jossa huutokauppa tapahtuu. Myös datan yksityiskohtaisuudella on merkitystä, sillä kysynnän käyttäytyminen ja mainospaikkojen suorituskyky voivat vaihdella huomattavasti esimerkiksi laitteen, markkinan, formaatin tai mainospaikan mukaan – myös saman julkaisijan sisällä. Siksi yksi yleinen malli ei välttämättä toimi kaikille julkaisijoille. Mallien pitää pystyä oppimaan julkaisijan omasta datasta ja huomioimaan esimerkiksi mainospaikan, laitteen ja muun huutokauppakontekstin erot päätöksenteossa.
Tästä konkreettinen esimerkki on Relevant Yieldiin lähiaikoina julkaistava koneoppimiseen perustuva floor price -optimointi. Toimiva optimointi ei voi perustua vain CPM:ään, vaan sen pitää huomioida myös tarjousten määrä, huutokaupan kilpailutilanne, fill rate sekä liian korkean floorin vuoksi menetettyjen tarjousten arvo. Optimoinnissa pitää myös huomioida sen vaikutukset koko huutokauppaketjuun Prebidistä mainospalvelimeen. Koneoppimisesta on hyötyä silloin, kun se pystyy riittävän datan avulla tekemään parempia päätöksiä kuin ennalta määritellyt staattiset säännöt.
Koneoppimisesta kohti agenttipohjaista toimintaa
Koneoppimisella ja suurilla kielimalleilla on mainonnan monetisoinnissa erilaiset mutta toisiaan täydentävät tehtävät. Koneoppiminen soveltuu määrälliseen optimointiin ja datasta oppimiseen, kun taas LLM:t voivat auttaa analysoimaan raportteja, selittämään havaintoja ja tukemaan käyttäjän päätöksentekoa.
Vuoden 2025 alussa julkaistu Relevant AI hyödyntää kielimalleja osana Relevant Yieldiä: sen avulla käyttäjät voivat tehdä kyselyitä raporteista, tulkita dataa ja hyödyntää Relevant Yieldin tuotetietoa. Relevant AI:ta laajennetaan nyt ennakoivampaan suuntaan. Pian julkaistava AI Brief on tästä yksi esimerkki: se tunnistaa muutoksia, nostaa esiin tutkimisen arvoisia havaintoja ja auttaa käyttäjää ymmärtämään, mihin kannattaa kiinnittää huomiota.
Samalla kehitämme agenttipohjaista toimintaa, jossa AI voi analysoinnin lisäksi ehdottaa tai toteuttaa ennalta määriteltyjä toimenpiteitä. Mitä pidemmälle automaatiota viedään, sitä tärkeämpää on säilyttää julkaisijan kontrolli siitä, mihin AI:lla on pääsy, mitä se saa tehdä automaattisesti ja mitkä toimenpiteet vaativat hyväksynnän. Tehtyjen muutosten pitää myös olla nähtävissä, jäljitettävissä ja tarvittaessa peruttavissa.
Miten erottaa todellinen arvo hypestä?
Julkaisijan kannattaa tarkastella käytännössä, mihin AI:n toiminta perustuu: mitä dataa se pystyy hyödyntämään, pystyykö se yhdistämään huutokauppadatan toteutuneeseen suorituskykyyn ja tuottoihin sekä millä tarkkuudella päätöksiä tehdään. Yhtä tärkeää kuin AI:n tekemät päätökset on se, että niiden vaikutukset pystytään todentamaan. Optimoinnissa tämä tarkoittaa esimerkiksi sitä, että tuloksia voidaan verrata kontrolliin ja tarkastella kokonaistuloksen lisäksi yksityiskohtaisemmin.
AI:n todellinen arvo mainonnan monetisoinnissa ei lopulta riipu yksittäisestä mallista, vaan siitä, millaiseen dataan, osaamiseen ja teknologiaan se yhdistyy. Mitä enemmän AI:n rooli laajenee analysoinnista optimointiin ja agenttipohjaiseen toimintaan, sitä tärkeämmiksi nousevat myös kysymykset siitä, mitä AI saa tehdä automaattisesti ja kuinka paljon kontrollia julkaisijalla säilyy.