Использование машинного обучения для повышения эффективности маркетинга

Использование искусственного интеллекта и машинного обучения не является чем-то новым в мире цифрового маркетинга. Мы обсуждали его в более широком смысле применительно к тенденциям искусственного интеллекта в маркетинге на 2020 год .

Однако, поскольку большие данные продолжают расти, как по силе, так и по популярности, цифровые маркетологи должны учитывать два критических фактора.

Как добиться максимальных результатов и эффективности?

Что я должен автоматизировать, и что все еще должено делать вручную?

Использование инструментов машинного обучения для маркетинга

Преимущества использования искусственного интеллекта в цифровом маркетинге довольно очевидны. Машины, которые могут использовать глубокое обучение, просто лучше и быстрее справляются с обработкой и организацией огромных объемов данных. Они помогают маркетологам выявлять тенденции и взаимосвязи, проводить оптимизацию и выполнять рутинные задачи.

Учитывая то, что мы знаем о том, как работает ИИ и в чем он хорош, ниже приведены некоторые примеры маркетинговых тактик машинного обучения, которыми маркетологи могут воспользоваться прямо сейчас.

Построение Аудитории

Искусственный интеллект может извлечь большую часть догадок из таргетинга. Хотя это может быть правдой, что ваша целевая аудитория переоценивает показатели среди любителей спорта, не все, кто идет в ESPN.com это потенциальный клиент, не говоря уже о дорогостоящих премиях, которые идут с покупкой сайта напрямую. Оттачивание таргетинга на основе аудитории, а не Сайта является основой для программной рекламы, и все это начинается с инструментов искусственного интеллекта.

Рыночная аудитория-Google рассматривает сигналы поведения клиентов, такие как история поиска и потребляемый контент, чтобы идентифицировать людей, которые, вероятно, находятся на последних стадиях принятия решения о покупке. Без машинного обучения, которое в режиме реального времени сжимает огромные объемы данных и поведения, было бы практически невозможно найти и нацелить эти аудитории в масштабе.

Похожие Аудитории - После того, как вы создали основную клиентскую базу, использование похожих аудиторий может быть лучшим способом охвата людей, наиболее похожих на ваших существующих клиентов в масштабе. Например, используя Facebook, вы можете использовать данные своих клиентов, используя машинное обучение, чтобы найти общие черты между ними (местоположение, демография, сходство) и нацелить людей, которые соответствуют этим характеристикам. В зависимости от того, как работает ваш источник данных, вы можете даже глубже сегментировать продукты, потому что аудитория продукта а может выглядеть совсем иначе, чем аудитория продукта В, и вы можете соответственно подавать им разные сообщения. Без машинного обучения это исследование было бы трудоемким процессом, основанным на несовершенных данных и тяжелых предположениях о том, кто ваши клиенты на самом деле.

Мы проводим кампании по созданию лидов для наших клиентов на Facebook, где мы ориентируемся на различные аудитории, но большинство из них можно классифицировать как Lookalike, Affinity или Retargeting. Мы обновляем наши двойники на еженедельной основе, чтобы продолжать определять нашу аудиторию по мере роста бизнеса, и они неизменно были нашими лучшими исполнителями. С точки зрения затрат на лидирование, Lookalikes превзошли аудиторию Аффинити на 43% и даже превзошли нашу предварительно квалифицированную аудиторию ретаргетинга!

Здесь стоит отметить, что в то время как похожие аудитории являются привлекательными, маркетологи должны продолжать тестировать новые аудитории, чтобы избежать искажения данных. Однако подобные аудитории по-прежнему требуют определенного уровня управления. Установка и забывание приведут к тому, что ваша реклама будет охватывать только несколько демографических и родственных объектов, игнорируя многие из них, которые потенциально могут быть заинтересованы в вашем продукте. Продолжая делать новые предположения и тестировать новые аудитории, вы создадите более полный профиль личности.

Интеллектуальная сегментация-интеллектуальная сегментация используется разработчиками игровых приложений для максимизации дохода. Как я уверен, вы все заметили, многие приложения приняли модель freemium, где загрузка и использование приложения бесплатны, но есть платная версия, которая устраняет рекламу и открывает дополнительные функции. Интеллектуальная сегментация использует машинное обучение для сегментации пользователей на основе их вероятности тратить деньги в приложении.

Пользователи, которые обычно покупают, не увидят рекламы (или увидят меньше), так как разработчики хотят дать им оптимальный пользовательский опыт, чтобы увеличить шансы на покупку. Игрокам, которые вряд ли будут покупать, будет подаваться реклама. В конечном счете, это позволяет разработчикам игр максимизировать общий доход, увеличивая коэффициент конверсии для покупок в приложении и извлекая выгоду из дохода от рекламы там, где возможность конверсии ниже.

Автоматизация КПП

Оптимизация рекламы-PPC-объявления, как правило, требуют много проб и ошибок. Вы запускаете кампанию с вашими лучшими предположениями о ключевых словах и копиях объявлений, отслеживаете кампании, пока у них не будет достаточно данных, чтобы сделать выводы, а затем тестируете новые идеи. Хотя процесс все еще похож, искусственный интеллект может быть использован для автоматизации этого процесса, выявления лучших объявлений и CTA и удаления худших.

Адаптивные поисковые объявления-в дни до машинного обучения попытка найти правильные заголовки и описания для AdWords была ручным процессом создания нескольких итераций похожих на вид объявлений для A / B теста, а затем изучения данных, чтобы внести коррективы и определить, какие объявления работают лучше всего. С появлением новой адаптивной поисковой рекламы Google у нас появилась возможность создавать несколько заголовков и описаний в одном объявлении, что позволяет машинному обучению тестировать и оптимизировать наиболее эффективные комбинации. По сути, это тот же самый процесс, что и раньше, но с использованием доступных инструментов машинного обучения, чтобы получить результаты быстрее и с меньшим количеством ручной работы.

В NoGood мы протестировали адаптивные поисковые объявления по сравнению с развернутыми текстовыми объявлениями, чтобы увидеть, что лучше привлекает трафик на наш собственный сайт. Отзывчивые поисковые объявления выиграли со значительным отрывом, с CTR на 40% выше!

Оптимизация Ставок

Как и во многих областях, связанных с искусственным интеллектом и маркетингом производительности, Google находится на переднем крае разработки интеллектуальных стратегий ставок, которые выходят за рамки простых показателей кликов. Предыдущий метод CPC был чем-то вроде ручной игры в угадайку, где люди должны были решить, готовы ли они доплачивать за ставки по конкретным ключевым словам в надежде, что эти пользователи с большей вероятностью конвертируют их. Теперь инструменты машинного обучения могут учитывать все эти факторы, чтобы лучше понять вашу аудиторию и соответствующим образом скорректировать ставки и распределение бюджета.

Максимизация конверсий-стратегия максимизации конверсий довольно понятна, когда Google устанавливает ставки, чтобы помочь получить наибольшее количество конверсий для вашей кампании в рамках вашего ежедневного бюджета. В ходе аукциона алгоритмы Google будут рассматривать не только самые высоко конвертируемые ключевые слова. Это также будет учитывать демографические данные человека, ищущего (возраст, пол, местоположение и т. д.), день недели и время поиска, используемое устройство и многое другое, чтобы определить, сколько нужно сделать ставку на этот конкретный поиск.

Хотя эта стратегия ставок может быть невероятно полезной, есть несколько вещей, которые стоит отметить. Во-первых, ваша кампания должна иметь некоторые исторические данные о том, что движет конверсией, которую вы хотите, поэтому обычно это не должно использоваться в совершенно новых кампаниях. Во-вторых, в то время как очевидно, что есть тонна ценности в том, чтобы иметь возможность использовать все эти точки данных автоматически на каждой ставке, существует определенная потеря контроля. Он не только стирает ранее существовавшие корректировки ставок, но и удаляет максимумы КПК, поэтому обязательно следите за этими кампаниями, особенно в первые несколько дней и недель изменения вашей стратегии ставок.

Target CPA & Target ROAS -CPA сети устанавливают ставки, чтобы обеспечить как можно больше конверсий при заданной целевой стоимости за действие или ниже нее. Искусственный интеллект по большей части опирается на ранее собранные данные с максимизация конверсий, но делает еще один шаг вперед, создавая прогностические модели относительно того, помогут ли ставки по конкретному поисковому запросу CPA кампании войти в бенчмарк.

Для максимизации конверсий, CPA сеть лучше всего использовать, когда кампания имеет наработанные большие данные, позволяющие проводить машинное обучение. CPA сети действительно могут корректировать ставки, хотя обычно это не рекомендуются. Установка максимального CPC может ограничить ставки, которые потенциально могут помочь достичь ваших контрольных показателей. Корректировка ставок на основе больших данных может работать, но обратите внимание, что они будут корректировать ваш CPA соответственно (например, кампания вс CPA сети в размере $10 с корректировкой ставки +10% для мобильных устройств изменит ваш мобильный CPA на $11).

Целевая ROAS учитывает все факторы и лучшие показетели целевой CPA, но делает еще один шаг вперед, привязывая конверсию/действие к конечной стоимости. Эта стратегия, конечно, требует дополнительного уровня отслеживания пользовательской активности, но может быть чрезвычайно полезной для бизнеса, особенно в электронной коммерции. Если ваш интернет-магазин продает товары с различной стоимостью, то имеет смысл и то, что вы готовы платить немного больше за клики по более дорогим товарам. ROAS позволяет проводить оптимизацию автоматически и практически гарантирует, что ваши кампании в СЗФ сети всегда будут прибыльными.

Отчет

Атрибуция-мы все знаем, что атрибуция последнего клика - это не правильная модель, но это то, что так много брендов по умолчанию используют только для того, чтобы держать яблоки к яблокам своих различных маркетинговых каналов. Мы все слышали эмпирическое правило, что требуется 5-7 точек касания, прежде чем будет совершена продажа, хотя реальность такова, что в цифровом мире это число часто даже выше. Инструменты машинного обучения для мультитач-атрибуции-это действительно единственный способ понять весь путь потребителя, проанализировать влияние каждой точки касания и определить, какая тактика на самом деле ведет к конверсии и продажам.

Визуализация данных-по мере того как маркетинг становится все более и более управляемым данными, получение действенной информации из ваших данных становится еще более важным. Хотя такие инструменты, как Excel или Tableau, великолепны, они все же требуют тонны ручной работы для сбора и организации ваших данных – времени, которое можно было бы лучше потратить на анализ самих результатов и принятие мер по обучению. Управляемые ИИ инструменты отчетности не только сортируют и визуализируют данные за короткое время, но и могут помочь выявить тенденции и закономерности, которые в противном случае можно было бы легко пропустить.

Автоматизировать или не автоматизировать

Однако, какими бы мощными ни были эти инструменты, они все же имеют свои пределы. В то время как алгоритмы искусственного интеллекта и автоматизация маркетинга могут и действительно облегчают жизнь многим маркетологам и исследователям данных PPC, это, конечно, не делает рабочие места устаревшими – это просто меняет природу роли. Вместо того чтобы сосредотачиваться на незначительных деталях, автоматизация освобождает нас для работы над стратегией более высокого уровня.

Было бы здорово, если бы мы могли просто нажать кнопку и получить идеальную маркетинговую кампанию, но реальность такова, что, несмотря на их способность учиться и совершенствоваться, машинное обучение по-прежнему остается всего лишь инструментом. Специалисты по маркетингу должны понимать, как и когда их использовать, а также Лучшие места для концентрации своей энергии.

Машина будет делать только то, что ей скажут. Вы должны знать, что сказать ему.

Роль цифрового маркетолога должна будет эволюционировать от тактика к стратегу. Наша цель-больше не пялиться на информационные панели, делая незначительные сдвиги бюджетов по мере поступления новых данных. Нам нужно вырасти из менеджеров кампаний в стратегических советников.

Маркетинговые инструменты машинного обучения могут справиться с черной работой, что сэкономит нам время, повысит качество и позволит нам масштабироваться лучше и быстрее, чем когда-либо прежде. Однако люди еще не устарели! Мы все еще нуждаемся в том, чтобы обеспечить здравый смысл, эмоции, сочувствие и найти смысл во всем, когда ответы не идеальны. Итак, какие аспекты процесса все еще требуют человеческого прикосновения?

Определите, какую проблему нужно решить. Машинное обучение может помочь вам найти правильный ответ, но маркетолог все равно должен задать правильный вопрос. Это требует глубокого понимания отрасли и знания того, где ваш бизнес или продукт вписывается в этот ландшафт. Это требует полного понимания бизнес-целей.

Определите показатели, которые имеют значение. Машинное обучение может быть оптимизировано в соответствии с любыми параметрами, которые вы ему даете – клики, просмотры видео, конверсии и т. д. Именно маркетологи должны определить, каковы правильные цели. Должна ли ваша кампания быть нацелена на продажи, или ваш продукт нуждается в большей узнаваемости бренда в первую очередь? Возможно, ваша первая кампания должна быть оптимизирована для максимального количества кликов, что поможет вашему боту собирать больше данных после кликов, помогая будущим кампаниям, ориентированным на продажи.

Найдите смысл в результатах. Машина поймет ваш вопрос, оптимизирует для достижения вашей цели, соберет и отсортирует бесконечные данные и даст вам ответ. Однако только человек может интерпретировать, если этот ответ имеет смысл. Люди должны предоставить “тест на запах", чтобы увидеть, имеют ли результаты смысл, и если да, то что они означают для бизнеса.

Переносите знания с одной платформы на другую. С ростом числа огороженных стен садов и законов О защите данных получение информации из одной кампании все еще требует, чтобы люди передавали ее другим средствам массовой информации. Однако это выходит за рамки просто медиа. Понимание аудитории с одной платформы также может помочь в разработке продукта. Допустим, вы являетесь брендом одежды, и ваш искусственный интеллект создал маркетинговую персону, которая говорит, что ваша основная аудитория-любители домашних животных. Продуктовые команды могут использовать это обучение для разработки линейки продуктов для домашних животных. Обучение бота приводит к человеческим действиям.

Знайте Свои Данные. Ваши выходы так же хороши, как и ваши входы. Машина делает все возможное с имеющимися у нее данными, но она не может судить о самих данных. Маркетологи по-прежнему должны следить за тем, чтобы данные были чистыми и правильно интерпретировались. Как были собраны эти данные? Как его можно интегрировать или комбинировать с другими данными? Что может пойти не так, и как это будет выглядеть? Это все еще проблемы, которые может решить только человек.

Знайте технологический ландшафт и используйте лучшие инструменты. Когда все, что у вас есть-это молоток, каждая проблема выглядит как гвоздь. Однако в постоянно расширяющемся цифровом ландшафте у нас есть гораздо больше инструментов и гораздо больше проблем. Один размер подходит всем, но не приведет к тем результатам, которые нам нужны. Маркетологи должны постоянно узнавать о том, как развивается технология – как она работает, как ее можно использовать, каковы ее потенциальные опасности, – чтобы, когда придет время и возникнет новая проблема, они знали, что нужно положить молоток и взять отвертку.

Развивайте свои навыки. С ботами, заботящимися о бессмысленных, трудоемких задачах, у маркетологов теперь есть еще больше возможностей добавить новые способности к своим навыкам. Изучите более продвинутую психологию, чтобы вы могли лучше позиционировать свой бренд и писать лучшую рекламную копию. Изучите язык программирования, такой как Python или SQL, чтобы помочь вам лучше анализировать свои данные.

Маркетинговые инструменты машинного обучения, несомненно, изменили игру PPC, дав маркетологам инструменты для выполнения быстрее, точнее и эффективнее. Тем не менее, все еще требуется человеческая сила, чтобы сказать машинам, что делать, и интерпретировать результаты, которые они дают нам.

Маркетологи теперь должны сосредоточиться на том, чтобы взять машинное обучение и перевести его в практические идеи. Нам нужно знать все о тех отраслях, в которых мы работаем, знать болевые точки нашей аудитории и как позиционировать наши продукты на этом рынке. Нам нужно отойти от сосредоточения на тактике и сосредоточиться на стратегии.

Комментарии: