跳到主要內容

Appier 新時代新創意:

Appier 新時代新創意:

如何運用 3D 行銷素材抓住顧客的目光

面對現今數位廣告市場,日益競爭激烈的生態,行銷人員不斷尋找可以吸引顧客注意力的新方法,以利品牌能從中脫穎而出。

為了尋求最吸睛的行銷素材,廣告人員讓廣告不斷進化,從黑白邁向彩色、從靜態邁向動態,發展出更多元的廣告形式。從近年來的廣告成效證明,超互動富媒體的廣告素材在提升效益方面特別有效,同時也說明了我們正經歷廣告素材從 2D 演變成 3D 的時代。

Appier 3D 行銷素材介紹:

Appier 近期推出了 3D 行銷素材系列,包含兩種行銷素材形式:3D Magic 及 3D Like。
3D Magic: 輕鬆為 2D 圖像創造深度圖,以生成 3D 廣告的形式

3D Like: 將內容分層、視覺效果動態化,創造帶有彈出式 CTA 按鈕的 3D 廣告形式。

這種嶄新的 3D 行銷素材可說是廣告素材的一大革新,可用於即時競價(RTB)廣告當中。這些皆屬於富媒體( rich media)的一種素材形式,能於指定網頁的不同版位上顯示出來,透過多種創意方式讓消費者與廣告有更深的互動。

根據 Appier 為現有客戶執行的廣告活動中,新 3D 行銷素材已證實能顯著增加曝光與點擊率,並改善終端使用者的整體瀏覽體驗。

Appier 的 3D 行銷素材如何運作?

Appier 的 3D 行銷素材的操作方式再簡單不過。廣告人員僅需提供欲使用的 2D 圖像,剩餘的工作則交給 Appier 演算技術即可。Appier 的演算法將自動產出深度圖(depth map),以顯示出圖像中的物件距離鏡頭的遠近,並創造出動態的 3D 圖像。

我們致力於將操作過程變得輕鬆快速,讓廣告人員無需付出額外的心力,便能跟上最新的廣告科技趨勢。

在最近針對硬派(hard-core) RPG 遊戲及賭場遊戲的新使用者獲取活動中,將新 3D 行銷素材應用於提升點擊率及下載量方面的效果也相當顯著。我們相信 3D 行銷素材,能應用於其他產業的數位廣告活動中,並取得良好的成效。

新素材新方法:有效吸引你的目標客群

在現今的數位廣告生態中,必須使用創新且吸睛的行銷素材形式,才能在激烈的競爭市場中脫穎而出。

Appier 的新 3D 行銷素材便是其中一例,運用新科技得以增加曝光、提高點擊率,並為終端使用者提供更有趣的瀏覽體驗,進而讓行銷人員達成其行銷活動目標。若您是希望在競爭市場中保持領先的廣告人員,請務必將這種新行銷素材納入考量,為自己的廣告策略注入新活力。

若您是廣告人員並希望運用廣告取得更多關注,歡迎嘗試 Appier 的 3D 行銷素材。請聯繫我們以開始體驗 Appier 的 3D 行銷素材。

若您已是 Appier 的客戶,請詢問您的客戶經理即可立即開始使用 3D Magic 及 3D Like。

留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...