วิธีสร้างระบบเพิ่มประสิทธิภาพโฆษณาด้วย AI ใน Python

ในโลกของการตลาดดิจิทัลที่เปลี่ยนแปลงอย่างรวดเร็ว ปัญญาประดิษฐ์ (AI) กำลังปฏิวัติการเพิ่มประสิทธิภาพโฆษณา ธุรกิจต้องการข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูล เพื่อเพิ่มประสิทธิภาพของโฆษณา ลดการใช้จ่ายที่สูญเปล่า และเพิ่มอัตราการแปลง (Conversion) ให้สูงขึ้น

AI สามารถช่วย คาดการณ์อัตราการคลิก (CTR), ปรับกลยุทธ์การประมูลอัตโนมัติ และเพิ่มประสิทธิภาพงบประมาณ บนแพลตฟอร์มต่างๆ เช่น Google Ads, Facebook Ads และ Amazon DSP

ในบทความนี้ เราจะสอน วิธีสร้างระบบเพิ่มประสิทธิภาพโฆษณาด้วย AI โดยใช้ Python โดยอาศัย Machine Learning, การวิเคราะห์เชิงคาดการณ์ และการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) เพื่อช่วยให้การตัดสินใจเกี่ยวกับโฆษณาเป็นไปโดยอัตโนมัติและเพิ่ม ROI ทางการตลาด

ขั้นตอนที่ 1: ติดตั้งไลบรารีที่จำเป็น

ก่อนเริ่มต้น ให้ติดตั้งไลบรารีที่จำเป็นใน Python

!pip install pandas numpy scikit-learn xgboost matplotlib seaborn

ขั้นตอนที่ 2: โหลดและเตรียมข้อมูลโฆษณา

ต้องใช้ข้อมูลโฆษณาในอดีตที่มีตัวชี้วัดประสิทธิภาพ เช่น จำนวนการแสดงผล (Impressions), จำนวนคลิก (Clicks), อัตราการแปลง (Conversions) และค่าใช้จ่ายโฆษณา

import pandas as pd

# โหลดข้อมูลแคมเปญโฆษณา (ตัวอย่างไฟล์ CSV)
df = pd.read_csv("ad_campaign_data.csv")

# แสดงตัวอย่างข้อมูล
df.head()

การสร้างฟีเจอร์ (Feature Engineering)

แปลงข้อมูลประเภทตัวอักษรให้เป็นตัวเลข
คำนวณ ต้นทุนต่อการแปลง (Cost Per Conversion) และ CTR

# แปลงตัวแปรประเภทหมวดหมู่
df = pd.get_dummies(df, columns=["ad_platform", "ad_type"], drop_first=True)

# คำนวณตัวชี้วัดประสิทธิภาพหลัก
df["cost_per_conversion"] = df["ad_spend"] / (df["conversions"] + 1)
df["CTR"] = df["clicks"] / (df["impressions"] + 1)

# ลบค่าที่หายไป
df = df.dropna()

ขั้นตอนที่ 3: ฝึกโมเดล AI เพื่อทำนาย CTR

เราจะใช้ XGBoost ซึ่งเป็นอัลกอริธึม Machine Learning ที่ทรงพลังเพื่อทำนาย CTR จากข้อมูลโฆษณา

from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
from sklearn.metrics import mean_absolute_error

# กำหนดฟีเจอร์และตัวแปรเป้าหมาย
X = df.drop(columns=["CTR", "conversion_rate", "conversions"])
y = df["CTR"]

# แบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ฝึกโมเดล XGBoost
model = XGBRegressor(n_estimators=100, learning_rate=0.1, max_depth=5)
model.fit(X_train, y_train)

# ประเมินผลโมเดล
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
print(f"Mean Absolute Error: {mae:.4f}")

ขั้นตอนที่ 4: การเพิ่มประสิทธิภาพงบโฆษณาด้วย AI (อัลกอริธึม Multi-Armed Bandit)

เราจะใช้ Thompson Sampling ซึ่งเป็นแนวทาง Reinforcement Learning เพื่อตัดสินใจจัดสรรงบประมาณให้กับโฆษณาที่มีประสิทธิภาพสูงสุด

import numpy as np
import matplotlib.pyplot as plt

num_ads = 5  # จำนวนโฆษณา
num_rounds = 1000  # จำนวนรอบการทดลอง
ads_selected = []
total_reward = 0
ad_rewards = [0] * num_ads
ad_clicks = [0] * num_ads

for n in range(num_rounds):
    ad = 0
    max_random = 0
    for i in range(num_ads):
        random_beta = np.random.beta(ad_rewards[i] + 1, ad_clicks[i] - ad_rewards[i] + 1)
        if random_beta > max_random:
            max_random = random_beta
            ad = i
    ads_selected.append(ad)
    reward = np.random.choice([0, 1], p=[0.7, 0.3])
    ad_rewards[ad] += reward
    ad_clicks[ad] += 1
    total_reward += reward

plt.hist(ads_selected, bins=num_ads, edgecolor="black")
plt.title("การเลือกโฆษณาในแต่ละรอบ")
plt.xlabel("ดัชนีโฆษณา")
plt.ylabel("จำนวนครั้งที่ถูกเลือก")
plt.show()

ขั้นตอนที่ 5: การปรับราคา Bid ของโฆษณาด้วย AI แบบเรียลไทม์

AI สามารถปรับราคา Bid ของโฆษณาแบบเรียลไทม์โดยใช้ API เช่น Google Ads และ Facebook Ads

import requests

API_URL = "https://api.facebook.com/v14.0/ads"  # ตัวอย่าง API ของ Facebook Ads
API_KEY = "YOUR_ACCESS_TOKEN"

# กำหนดกลยุทธ์การ Bid อิงจาก AI
def adjust_bid(predicted_CTR):
    base_bid = 1.0  # ราคา Bid พื้นฐานเป็นดอลลาร์
    if predicted_CTR > 0.1:
        return base_bid * 1.5
    elif predicted_CTR > 0.05:
        return base_bid * 1.2
    else:
        return base_bid * 0.8

# API เรียกใช้งานการอัปเดตราคา Bid
ad_data = {
    "ad_id": "123456789",
    "bid_amount": adjust_bid(0.08),  # ทำนาย CTR = 8%
}
response = requests.post(API_URL, json=ad_data, headers={"Authorization": f"Bearer {API_KEY}"})
print(response.json())

สรุป

ด้วยการใช้ Machine Learning, การวิเคราะห์เชิงคาดการณ์ และ Reinforcement Learning เราสามารถ ทำให้การเลือกเป้าหมายของโฆษณาเป็นอัตโนมัติ, ปรับงบประมาณให้มีประสิทธิภาพ, และพัฒนากลยุทธ์การ Bid แบบเรียลไทม์

✅ เพิ่มอัตราการแปลง (Conversion)
✅ ลดค่าใช้จ่ายที่สูญเปล่า
✅ ปรับปรุงประสิทธิภาพแคมเปญโฆษณาให้ดีขึ้น