Machine Learning – kampanie inteligentne

Machine Learning

Aktualnie co raz większego znaczenia nabiera w marketingu termin machine learning.  Powstał on z połączenia dziedzin nauk informatyki, robotyki i statystyki. Jego celem jest praktyczne wykorzystanie sztucznej inteligencji  w tym przypadku do zadań marketingowych.  Maszynowe uczenie jest zbiorem technik, algorytmów, które poparte są obliczeniami matematycznymi i statycznymi. Celem machine learning jest nabywanie maksymalnej skuteczności przy pomocy gromadzonych danych (sygnałów). Ten nowy trend  obserwujemy oczywiście  w zarządzaniu kampaniami reklamowymi w Google. Są nam udostępniane nowe typy kampanii, reklam i strategii. Najlepszym przykładem są kampanie “Smart” = “inteligentne”. W połączeniu z automatyzowanymi strategiami stawek, można zapomnieć o ustawianiu się na słowa kluczowe i zaglądaniu do panelu Google Ads. Pokazujemy systemowi co chcemy reklamować, dodajemy budżet i cieszymy się z efektów. Do tego dąży najwyraźniej Google 🙂 Jednym z celów firmy z pierwszym, przełomowym komputerem kwantowym jest zapewne popularyzacja sytemu Google Ads za pomocą możliwie najprostszej obsługi, wykazując się przy tym względną skutecznością. Maszynowe uczenie przyczynia się do automatyzowania obsługi konta. Automatyzacja nie jest tu bynajmniej biernym procesem.

Skuteczność kampanii Smart

Maszynowe uczenie doskonale sprawdza się w mikromomentach – czyli w tych krótkich chwilach gdy użytkownik czegoś oczekuje od urządzenia w danym momencie.  Manualne ustawienia nie są w stanie dać gwarancji, że wszystkie czynniki zostały uwzględnione żeby dotrzeć do takiego odbiorcy. Nie wiemy również czy struktura konta zgodna z lejem sprzedażowym pozyskuje nam faktycznie wartościowych użytkowników. Kampanie Smart z dużym prawdopodobieństwem wykorzystają swoją pełną efektywność w danym momencie. Wszystkie inteligentne kampanie i niektóre strategie budżetowe wymagają czasu do osiągnięcia pełnej skuteczności. Wydaje się to logiczne: “sztuczna inteligencja” zbiera dane, sygnały, testuje stawki, słowa kreacje i … daje wynik maksymalnego rezultatu.  Czas takiej nauki wynosi klika dni (5 do 14 dni) w przypadku kampanii Smart (SDC i SSC). Trochę szkoda, że trzeba zainwestować własne pieniądze do tego, żeby uczyć algorytmy Google. Przecież automat mógłby wykorzystywać “wiedzę” i sygnały na podstawie innych podobnych kont. Z drugiej strony płacimy w tym mniej produktywnym (konwersyjnym) okresie za naukę naszej specyfiki strony, reklam i budżetu. Z uwagi na korzystanie z danych o zachowaniu użytkownika oraz przetestowanych już np. kombinacjach słów i kreacji Smart dociera do konwersji skuteczniej. Na eventach ludzie z Google przekonywali, że machine learning potrafi  dotrzeć do odbiorcy faktycznie zainteresowanego zakupem przez wiele skomplikowanych sygnałów. Także takich, które standardowa konfiguracja może pominąć.  Chcąc popularyzować ten typ kampanii i całego konta Google Ads – algorytmy naprawdę muszą wykazać się inteligencją w formie matematyki, żeby wykazać skuteczność w konwersjach. Z naszych doświadczeń wynika, że kampanie smart osiągają faktycznie lepsze wyniki. Różnica Smart Shopping Campaign w porównaniu ze standardową kampanią Produktową wynosiła 30-40% pod względem wartości przychodów oraz liczby konwersji. Kampanie z feed`em produktowym Smart Display Campaign były podobnie skuteczniejsze. Możliwe, że dobra efektywność wynika z przebiegłości algorytmu, który wie gdzie i któremu użytkownikowi się podstawić. Np.  pokaże kampanię smart zamiast brandową jeżeli historia działań użytkownika wskazuje na gotowość do konwersji. Takie działanie kampanii smart wpisuje się jednak w jej założenia i ogólną definicję, a przy okazji zaoszczędzi sporo pracy w działach SEM.

Niestety automatyzacja mimo najlepszych algorytmów i akceptowalnej skuteczności nie da takich możliwości i efektu jak ręczne dobrane słowa w standardowych reklamach. Może przecież się zdarzyć w ramach budowania świadomości brandu, że zależy komuś na pokazywaniu się na produkt konkurencji ze swoim produktem. W tym przypadku nawet kosztem słabszej konwersji poleganie na automatyzacji lub mechanizmów uczących się może nie być najlepszym pomysłem. Częste zmiany na stronie reklamowanej, mała liczba konwersji (mniej jak 20 na 45 dni), brak list remarketingowych i oczywiście treści podlegające ograniczeniom Google mogą również utrudnić lub uniemożliwić zastosowanie efektywnego maszynowego uczenia. Kampania Smart nie sprawdzi się zatem na nowych kontach lub tam gdzie brakuje odpowiedniej liczby konwersji. W takim przypadku wymagane są inne działania, o których postaram się napisać w kolejnych wpisach. Kampanie inteligentne (smart), poza brakiem możliwości pełnej kontroli ustawień, to także ograniczony dostęp do raportów. Nie wiemy co spowodowało wyświetlenie naszej reklamy, jakie miejsce docelowe lub chociaż jaka część budżetu została wykorzystana w sieci reklamowej (GDN) a jaka w sieci wyszukiwania (GSN). Można jedynie obchodzić system i próbować w Google Analytics się przyglądać. Systemy uczące nie chcą zdradzać na jakie eksperymenty wydały nasz budżet. Automatyczne kampanie (np. DSA) wyświetlą nam się na słowo kluczowe wg. własnego uznania o ile nie jest ono w wykluczeniu. Automatyzacja w PLA (Inteligentne Kampanie Produktowe = Smart Shopping Campaign) zadziała jeszcze ciekawiej: sama rozdysponuje sobie budżet w sieci reklamowej i sieci wyszukiwania oraz nie zaraportuje na jakie słowa się wyświetla,  nie pozwoli na m.in. wykluczenia słów, miejsc docelowych i typu urządzeń. Typowy black box – wkładamy pieniądze i czekamy na efekt. Bez pełnego raportowania i ustawień – wskazujemy lokalizację w feedzie, ustawiamy kreacje reklamy dla sieci reklamowej  i zadajemy budżet. W kampaniach Smart możemy jednak optymalizować feeda. Dziwne jakby

Google zablokowało jeszcze możliwość z czym chcemy się reklamować. Zalecam stosowanie odpowiedniej gradacji typów produktów i stosowanie segmentacji przez stosowanie Custom Label, dodatkowych Etykiet w Google Merchant Center. Opcja dodatkowego feeda doskonale do tego się przyda. W pierwszej fazie udostępnienia przez Google kampanii Smart Shopping nie było możliwości ustawienia się na ID produktu. Od niedawna już jest taka możliwość. Dodatkowe Etykiety pozwalają jednak na segmentację ID produktów wg. własnych grup. Do id produktu przypisujemy określaną etykietę na poziomie np. Custom Label 1 i po synchronizacji wybieramy odpowiednie ustawienie w kampanii Smart. Możemy tym sposobem wykluczyć np. produktu bardzo niskiej wartości lub z niską marżą.

Przyszłość performance marketingu

Przejaw maszynowego uczenia (machine learning) mamy prawie w każdej opcji ustawień strategii zarządzania budżetem Google Ads. Jeżeli mamy docelowe CPA (strategia liczby konwersji) lub docelowe ROAS (strategia wartości konwersji) w standardowych kampaniach tekstowych to oczywiście algorytm na podstawie ustawień i danych wyświetla odpowiednim użytkownikom nasze reklamy. Podobnie reklamy elastyczne są tak komponowane przez system, żeby na podstawie “wniosków” wybierać najlepszy układ. Jest to działanie algorytmów – wyuczonych matematycznie procesów – ale czym jest sztuczna inteligencja jak nie agregacją różnych algorytmów z obliczonym wnioskiem.  

Najważniejsze są dane i ich właściwa obróbka w czasie rzeczywistym. Ich właściwe przetworzenie przez sztuczną inteligencję (SI, ang. artificial intelligence) uskuteczni i uprości działania w performance marketingu. Cały system Google Ads (dawn. Adwords) jest założenia oparty na maszynowym uczeniu – wystarczy mieć na uwadze mechanizm aukcyjny rankingu reklamy w korelacji z ustawieniem strategii budżetowej innej niż samo CPC. Dawanie autonomii systemowi Google w konfiguracji jest wygodne z punktu widzenia jego użytkowania. Można poświęcić na konto mniej czasu i nie trzeba inwestować w budowanie zaawansowanych team`ów do jego obsługi. Kosztem jest jednak brak możliwości decydowania o wielu parametrach kampanii. Dopóki jednak machine learning będzie faktycznie się uczył, wyciągał poprawne wnioski i kampanie Smart będą wykazywały efektywność to przyszłość w marketingu jest jasna. Do mety sukcesu będą jedynie dobiegać z opóźnieniem te firmy, które przeoczą lub zignorują wykorzystanie mocy maszynowego uczenia.