Reclame op maat komt eraan. Niet alleen op internet en - steeds meer - radio en tv, ook buitenreclame moet eraan geloven. In Japan hebben ze de ultieme uitdaging opgepakt. Op initiatief van Dentsu werd een traject opgezet op het gebied van snelwegreclame, met als doel om de vertoonde boodschap af te stemmen op de passant. Tot voor kort was dat onmogelijk.
Er staan weliswaar steeds meer digitale reclameborden langs de weg, maar er zijn geen data die adverteerders kunnen gebruiken om gerichte reclame te vertonen.
Auto’s hebben natuurlijk een kentekenplaat, maar het commerciële gebruik van die databron is om begrijpelijke redenen aan strenge restricties gebonden. Toch is het Dentsu en zijn technisch partner Cloudian (specialist in object storage-technologie) gelukt om een grote stap te zetten. De partijen ontwikkelden een oplossing waarbij ze gebruik maken van merkassociaties. De uitdaging daarbij was om langsrijdende auto’s in een fractie van een seconde te herkennen, en de bestuurder een passende advertentie te vertonen.
Het ‘smart billboard’-project ging in 2017 van start als pilot, in het Roppongi-district in Tokyo. Doel was om binnen een jaar met een ‘proof of concept’ te komen. Dat is gelukt. En inmiddels is de pilot uitgebreid naar andere delen van de Japanse hoofdstad en volgens Michael Tso, ceo van Cloudian (foto onder), liggen er vergevorderde plannen voor uitrol naar Europa en de VS.
Nieuwsgierig
Dat het zou lukken, was bij aanvang van het project allerminst zeker. ‘We wilden graag meedoen, omdat we nieuwsgierig waren naar wat er mogelijk is met real-time voertuigherkenning’, aldus Tso. Daarbij kwamen ze nogal wat technologische uitdagingen tegen. Denk alleen al aan het vinden van een outdoorcamera die in staat zou zijn om het voorbijrazende verkeer scherp in beeld te brengen, van grote afstand en bij uiteenlopende weersomstandigheden.
De echte uitdaging schuilt echter in het herkennen van de voertuigen. Met de object storage-functionaliteit en ‘deep learning’ mogelijkheden van de software van Cloudian, krijgen bestuurders relevante advertenties te zien op basis van het type en model van hun voertuig.
Deep learning is een vorm van kunstmatige intelligentie, die wordt ingezet voor het identificeren van objecten en afbeeldingen op basis van patroonherkenning. In dit geval dus de contouren van automerken en modellen.
Maar eerst moet de software ‘gevoed’ worden met alle mogelijke varianten. En dat zijn er heel wat. Tso: ‘De doelstelling die we van Dentsu kregen, was dat we minstens 95 procent van de voertuigen moesten kunnen identificeren. Dat wil zeggen; niet alleen het juiste merk, maar ook het exacte model en zelfs het bouwjaar. Waarbij de verschillen tussen de modellen uit diverse jaren soms minimaal zijn.’
Drempel
Het leerproces heeft tijd nodig. Volgens Tso duurt het zo’n twee maanden om de kunstmatige intelligentie te voeden met alle mogelijke modellen. Daarmee is het werk niet gedaan. Er verschijnen geregeld nieuwe modellen op de weg. De exploitant zal het systeem dus voortdurend moeten voeden met actuele informatie en foto- en videomateriaal.
Met ruim een jaar ervaring in Japan, lijkt slimme wegreclame een praktisch werkende oplossing. En betrekkelijk eenvoudig om naar het buitenland uit te rollen. Maar zo gemakkelijk gaat dat niet, weet Tso. Voornaamste drempel is, verduidelijk hij, de beschikbaarheid van databases met beeldmateriaal van alle automerken en -modellen die in het betreffende land rijden.
Die databases zijn een vereiste. Want ook al zijn de meeste automerken internationaal actief, een deel van het wagenpark bestaat uit lokale modellen, benadrukt Tso. ‘Ook al is 70 procent van de modellen hetzelfde, dan nog zijn er te veel hiaten. Om te voldoen aan de norm van 95 procent identificatie, heb je dus aanvullende bronnen nodig.’
Ultrakorte vertoningstijden
Loont dit allemaal de moeite? Daar valt nog wel het een en ander op af te dingen. Nog afgezien van de vraag of je automerken zo strikt kunt verbinden aan consumenten dat elk model een eigen uiting krijgt getoond, rijden auto’s op de snelweg zo snel en in zulke grote aantallen langs dat werkelijke een-op-een reclame ultrakorte vertoningstijden zou opleveren.
In de praktijk komt het erop neer dat de door Dentsu en Cloudian uitgedachte oplossing een aantal voertuigen kiest die de reclamemast passeren. Merk-, model- en bouwjaardata worden in een fractie van een seconde bepaald en gerelateerd aan de uitingen in de advertentiedatabase van Dentsu, waarna met een soort programmatic veiling wordt bepaald welke uiting de hoogste prioriteit krijgt.
Hogere opbrengst
Dankzij deze vorm van dynamische targeting zou de opbrengst van een reclamevlak vijf tot tien keer hoger zijn, dan die van een statisch vlak. Het project zal worden voorgezet. Al willen de partijen zich niet beperken tot het vertonen van slimme reclame langs de snelweg, zegt Tso. ‘We passen deze techniek sinds kort ook toe in parkeergarages, op schermen die hangen bij de slagboom die je passeert bij het in- en uitrijden. Het voordeel is dat je dan meer tijd hebt om een uiting te laten zien.’
Slimme snelwegreclame is slechts eén toepassing van patroonherkenning en deep learning in de publieke ruimte. Tso: ‘Een frisdrankfabrikant in Japan heeft automaten voorzien van schermen met daarachter een camera, zodat je verschillende uitingen kunt laten zien, afhankelijk van geslacht of leeftijd van degene die ervoor staat. Het is niet iets waar wij mee bezig zijn, maar het past in een trend. Een-op-een marketing in de publieke ruimte wordt groot.’