TikTok ja Instagramin kelat opettivat meille, että sisältö voi löytää yleisönsä ilman valmista seuraajasuhdetta. Nyt sama algoritmilogiikka näkyy yhä vahvemmin myös maksetun mainonnan jakelussa. Kun alustat ymmärtävät sisältöjä ja niiden synnyttämiä reaktioita yhä paremmin, mainostajan tärkein kysymys ei ole enää vain ”kenelle tämä kohdennetaan?” vaan myös ”mitä tämä sisältö kertoo algoritmille?”
Viimeistään TikTokin räjähdysmäinen kasvu vuosikymmenen alussa herätti meidät uuteen algoritmin aikakauteen: sosiaalisen median kuluttaminen ei perustu enää siihen, keitä seuraamme tai kenen sisältöihin olemme aiemmin sitoutuneet.
TikTokin For You -syöte, Instagramin kelat, Facebookin suositellut julkaisut ja LinkedInin uutisvirta toimivat yhä vahvemmin sen perusteella, mitä alustat päättelevät käyttäjiensä kiinnostuksen kohteista. Alustat seuraavat, minkälaisia sisältöjä käyttäjät katsovat, ohittavat, tallentavat tai katsovat loppuun, ja näyttävät uusia sisältöjä näiden signaalien pohjalta.
Sisällön jakelu ei kuitenkaan perustu pelkkiin sitoutumisiin, sillä alustat tulkitsevat yhä enemmän, mistä kulutettu sisältö kertoo. TikTok kertoo, että For You -syötteen muodostumiseen vaikuttavat käyttäjän vuorovaikutuksen lisäksi muun muassa videoon liittyvät tiedot, kuten kuvatekstit, äänet ja hashtagit. Myös Facebookissa sisältöjen yllä näkyvissä “Miksi näen tämän?” -selitteissä käyttäjälle voidaan kertoa, että julkaisu näkyy esimerkiksi siksi, että se liittyy aiheeseen, josta käyttäjä on aiemmin ollut kiinnostunut.
Orgaanisessa syötteessä sisältöjen jakelu ilman valmista seuraajasuhdetta on siis ollut jo tovin arkea. Nyt sama ajattelu hiipii yhä vahvemmin myös maksettuun mainontaan.
Samalla kun alustat oppivat yhä enemmän käyttäytymisestä, sisällöistä ja niiden synnyttämistä reaktioista, myös mainonnan kohdentamismahdollisuudet laajenevat pelkän yleisövalikon ulkopuolelle. Mainos ei ole enää vain viesti ihmiselle, vaan myös signaali algoritmille.
Evästeiden kuolemaa on odoteltu pitkään, mutta muutos tapahtuu jo muualla
Digimarkkinoinnissa on puhuttu kolmannen osapuolen evästeiden kuolemasta jo niin pitkään, että aihe kuulostaa ikuisuushankkeelta. Evästeistä ei ole päästy eroon niin suoraviivaisesti kuin vielä muutama vuosi sitten ajateltiin, ja evästepohjaista dataa käytetäänkin mainonnan kohdentamisessa yhä.
Kun key noteissa ja trendikatsauksissa keskityttiin evästeisiin, isompi muutos tapahtui kaikessa hiljaisuudessa muualla.
Kirjoitin jo lähes kolme vuotta sitten LM Somecon blogissa siitä, kuinka kolmannen osapuolen evästeiden katoamisen myötä mainonnan fokus liikkuu kohti laadukkaita sisältöjä ja isompia kampanjakokonaisuuksia hypertarkkojen kohderyhmien sijaan. Sama suunta näkyy nyt entistä selvemmin myös alustojen omissa automaatio- ja tekoälyratkaisuissa.
Pystyykö tekoäly lukemaan sisältöä?
Tekoäly pystyy tulkitsemaan sisältöä koko ajan paremmin. Se pystyy yhä useammin näkemään yleisöasetuksia pidemmälle ja myös itse sisällön yksityiskohtiin: videon kuvaan, ääneen, tekstiin ja sisällön koukkuihin. Emme silti pysty tietämään tarkasti, miten eri mainosalustat painottavat sisällön signaaleja suhteessa budjettiin, huutokauppaan, kampanjatavoitteisiin ja konversiodataan. Kehityksen suunta on kuitenkin selvä.
Meta otti vuoden 2024 jälkipuoliskolla käyttöön Andromeda-nimisen koneoppimisjärjestelmän, joka muuttaa mainosten jakelua. Valtavasta, kymmenien miljoonien mainosten joukosta rajataan ensin muutama tuhat mainosta, joita harkitaan näytettäväksi käyttäjälle. Vasta tämän jälkeen mainokset etenevät tarkempaan arviointiin ja rankingiin.
Mainosalusta ei enää vain ota vastaan meidän erilaisin kohdennustavoin rajaamaamme yleisöä ja näytä mainosta sille, vaan se arvioi valtavaa määrää mainoksia, käyttäytymistä, tavoitteita ja signaaleja ja tekee niiden perusteella päätöksiä siitä, mikä mainos pääsee edes ehdolle, eli jatkorankingiin.
Taustalla on myös Metan oman mainosjärjestelmän muutos: kun Advantage+-ratkaisut, automaatio ja generatiiviset tekoälytyökalut kasvattavat mainosten ja variaatioiden määrää, alustan pitää pystyä käsittelemään yhä suurempaa mainosjoukkoa tehokkaasti.
Usean toisiaan läheisesti muistuttavan mainosvariantin tarjoaminen ei kuitenkaan saa mainosta läpäisemään herkemmin ranking-vaihetta. Vaikka tarjoaisit järjestelmälle sata mainosversiota, mutta ne näyttävät ja kuulostavat lähes samalta, ne voivat näyttäytyä järjestelmän näkökulmasta samalta konseptilta.
Algoritmia ei siis jatkossa(kaan) hakkeroida volyymilla, vaan tarjoamalla kohdeyleisölle useita erilaisia syitä kiinnostua brändistä. Jos algoritmilla on vain yksi yleinen viesti, sillä on vähemmän mahdollisuuksia oppia. Kun sillä on testattavanaan useita aidosti erilaisia sisältökulmia, on helpompi testata ja ymmärtää, minkälainen sisältö resonoi kelläkin.
Data ja tekoäly eivät pelasta huonoa sisältöä
Jos erilaiset Advantage+-asetukset ja tekoälykilkkeet automatisoivat kampanjoiden rakentamista ja kohdentamista, voidaanko sisällöt jatkossa dumpata algoritmin armoille ja katsoa loppuraportista, mitä tapahtui? Ei aivan niinkään. Kun alusta valikoi enemmän, meidän pitää antaa algoritmille parempaa valittavaa.
Kohderyhmäymmärrystä tarvitaan edelleen, mutta ei vain yleisöasetusten valintaan. Kun ennen kysyimme kampanjoita suunnitellessamme: ”kenelle tämä mainos kohdennetaan?”, nyt meidän pitää myös kysyä: ”mitä tämä mainos kertoo algoritmille, ja miksi kohdeyleisön pitäisi kiinnostua sisällöistämme?”
Kohdentamisen uusi aika ei tarkoita, että mainostajan työ helpottuu niin, että alustat hoitavat kaiken. Kun alustat oppivat yhä enemmän käyttäytymisestä, sisällöistä ja niiden synnyttämistä reaktioista, mainostajan työ on rakentaa parempia lähtökohtia oppimiselle. Kohdentamisen uusi aika tarkoittaa ennen kaikkea laadukkaampaa omaa dataa, fiksumpaa mittaamista ja kykyä ajatella sisältöjä yleisön (ja näin myös algoritmin) näkökulmasta.
Katso tallenne #Somecoffee-virtuaaliseminaarista 3.9.2026
Ohjelmassa pohdittiin markkinointiviestinnän tulevaisuutta uuden eurooppalaisen sosiaalisen median tulokkaan saapuessa pelikentälle sekä tekoälyn vaikutuksia sosiaalisen median markkinointimahdollisuuksiin. Kuulimme myös inspiroivia case-esimerkkejä eri toimialoilta!
Katso tallenne ja nappaa kiinnostavimmat näkökulmat talteen.
