Лекције са Гоогле-а и Фацебоока



<див _нгцонтент-ц16 = "" иннерхтмл = "

Гетти

У зависности од вашег искуства, вероватно је да је појава вештачке интелигенције – и његовог најчешће коришћеног подскупа, машинско учење (МЛ) – била благодат или благодат. Ја бих закључио да ступ на којем живите не зависи од ваше технолошке памет, већ од начина на који је МЛ интегрисан и извршен. Иако је број случајева употребе запањујући, сецирање неколико уобичајених маркетиншких апликација пружа једноставан пут ка просвјетљењу и уважавању.

Ако продајете услугу или производ (или једноставно одузимате дах у 2019. години), велика је шанса да сте свесни како се огласи постављају на Гоогле и Фацебоок. Иако обе платформе журно развијају могућности управљања МЛ-ом у настојању да привуку више буџетске алокације од трговаца, њихови приступи томе били су студија супротна и довели су до дефинитивно различитих исхода за рано усвојене у маркетиншкој заједници.

Машинско учење и Гоогле, И део

Из перспективе корисничког искуства (УКС), Гоогле је већ дуго на челу машинског учења. Размотрите персонализовану природу његових резултата претраживања, који су информисани улазима које дајете током сваке интеракције, заједно са физичким окружењем које вас окружује.

Међутим, процена вредности Гоогле-а за оглашиваче у историји се поприлично разликовала. Унесите даватеље огласа као што су Кенсхоо, Марин, Ацкуисио и слично, који су створили високо профитабилну и ефикасну индустрију бутика креирајући „алгоритме лицитирања“ који резултирају резултатима из маркетиншких пласмана и динамички прилагођавају износ који је оглашивач спреман платити за сваки кључна реч (другим речима, примена једноставног МЛ-а). Очигледно су добри људи на Моунтаин Виеву приметили, отуда и почетак …

Машинско учење и Гоогле, ИИ део

Ако волите акроними, свидеће вам се најновије Гооглеове исправке производа. Надолазећи на претходни успех листа за ремаркетинг за огласе циљане на претраживачку мрежу (РЛСА), динамични огласи за претрагу (ДСА) и респонзивни огласи за претрагу (РСА) сада су се придружили фракасима. Чини се да је намера ДСА смањити – ако не и елиминисати – потребу за постављањем рекламних кампања, уместо да Гоогле омогући да скида веб локацију сваког оглашивача и створи динамичке резултате. За РСА, циљ је брзо тестирати што је могуће више променљивих у огласима, користећи машинско учење да бисте разумели која комбинација наслова и копије тела пружа оптималну комбинацију. Ту је и паметно лицитирање, што је Гооглеов одговор на алгоритам.

Машинско учење и Фацебоок & нбсп;

Док су Гооглеове исправке приказиване као побољшања производа, Фацебоок је гравитирао палици уместо шаргарепи. Фацебоок свакодневно има приступ више од милион гигабајта потрошачких информација, што пружа невероватно плодно тло за машинско учење како би се минирале ове информације и омогућила прецизност циљања огласа. То је речено, док је Гоогле био сан марке марке перформанси због чисте величине варијабли којима се може манипулисати, Фацебоок је већ дуго послужио као црни оквир. Ипак, с резултатима који су ривал и често надмашују Гооглеове резултате, тим је приступом успио.

Са недавним представљањем Снага 5, Фацебоок има само оглашиваче осим да су поверили МЛ-у да оглашавање поставе на што ефикаснији начин. То укључује пет основних компоненти: аутоматско напредно подударање, поједностављење налога, оптимизацију буџета кампање, аутоматско постављање и динамичне огласе.

Па, шта је суштина? Док је маркетинг претраживача стекао популарност углавном захваљујући прецизности на којој су се његови пласмани могли купити, социјални маркетинг је налагао супротно. Једини начин да се максимализује ефикасност на Фацебооку јесте стварање широке структуре кампање (тј. Поједностављење налога) која ће својим технологијама испоручити што више „сигнала“, а тиме оснажити МЛ за оптимизацију када, где, како и коме је оглашавање служио на својој платформи.

Како је то утицало на трговце

Сада када смо се прошетали стазом за меморијско учење (МЛМЛ, ако хоћете), трговци различитих резултата који су видели од усвајања МЛ на обе платформе осветљавају предности и потешкоће.

За Гоогле, коришћење свих његових МЛ могућности у највећој мери често ће умањити маркетиншке перформансе претраживача. То је због комбинације горе наведене прецизности којом се могу оптимизирати кампање, плус чињеница да машинско учење једноставно није способно да разуме контекст иза података које обрађује. Замислите да сте продавач на Црном петак и претражујете производе које продајете шпијунирају неколико стотина посто, а конкуренти ручно лицитирају за релевантне кључне ријечи како би их искористили. Ако се ослоните на МЛ да ће обрађивати ове нове податке и прилагодити се у реалном времену, велика је вероватноћа да ћете изгубити вредност продаје најмање неколико сати, што може представљати значајан износ потенцијалног прихода за ваше пословање.

Успоставите то помоћу Фацебоока, који уступи приоритет аукцији оглашивачима који прате најбоље праксе, омогућавајући тако свом МЛ-у да обрађује „сигнале“ који им се пружају. По мом мишљењу, увећавање алл-ин-а на МЛ-у са Фацебооком је повољније него то не чинити. Добрим делом то је зато што нема руба да се стекне ручним преклапањем система, чиме се подстиче већи напор оглашивача против стратегије, мерења и производње садржаја.

Дно црта: Човек и машина

То не значи да машинско учење функционише за маркетинге на Фацебооку, али не и за Гоогле. То је једноставно микрокозмос шире парадигме, у којој разумевање начина на који ручни надзор умеша са машинским учењем постаје од виталног значаја. Гоогле-ова РСА значајка је корисна у погледу спровођења сталног мултиваријантног тестирања ради побољшања ефикасности, док ДСА пружа адитивну меру изван ручних кампања. Паметно надметање, ако се примењује прагматично, може да нађе дугорочну ефикасност.

Додатно екстраполирајући ово, машинско учење пружа значајну вредност обрадом огромних количина података да би се пронашли обрасци, извукли закључци на које ниједан човек није способан и омогућују маркетиншким активностима невероватно прецизне, податке засноване на подацима. Ипак, то није сребрни метак, нити је замена за паметне стратегије, конструкције за тестирање и купце и конкурентну интелигенцију. Једноставно речено, најбољи трговци и даље ће наћи интелигентне апликације за ову технологију, уредно интегришући машинско учење у оквиру својих већих напора.

Форбесов савет за комуникације је заједница само позивница за руководиоце у успешним односима с јавношћу, медијској стратегији, креативним и рекламним агенцијама.
Да ли се квалификујем?

">

У зависности од вашег искуства, вероватно је да је појава вештачке интелигенције – и његовог најчешће коришћеног подскупа, машинско учење (МЛ) – била благодат или благодат. Ја бих закључио да ступ на којем живите не зависи од ваше технолошке памет, већ од начина на који је МЛ интегрисан и извршен. Иако је број случајева употребе запањујући, сецирање неколико уобичајених маркетиншких апликација пружа једноставан пут ка просвјетљењу и уважавању.

Ако продајете услугу или производ (или једноставно одузимате дах у 2019. години), велика је шанса да сте свесни како се огласи постављају на Гоогле и Фацебоок. Иако обе платформе журно развијају могућности управљања МЛ-ом у настојању да привуку више буџетске алокације од трговаца, њихови приступи томе били су студија супротна и довели су до дефинитивно различитих исхода за рано усвојене у маркетиншкој заједници.

Машинско учење и Гоогле, И део

Из перспективе корисничког искуства (УКС), Гоогле је већ дуго на челу машинског учења. Размотрите персонализовану природу његових резултата претраживања, који су информисани улазима које дајете током сваке интеракције, заједно са физичким окружењем које вас окружује.

Међутим, процена вредности Гоогле-а за оглашиваче у историји се поприлично разликовала. Унесите даватеље огласа као што су Кенсхоо, Марин, Ацкуисио и слично, који су створили високо профитабилну и ефикасну индустрију бутика креирајући „алгоритме лицитирања“ који резултирају резултатима из маркетиншких пласмана и динамички прилагођавају износ који је оглашивач спреман платити за сваки кључна реч (другим речима, примена једноставног МЛ-а). Очигледно су добри људи на Моунтаин Виеву приметили, отуда и почетак …

Машинско учење и Гоогле, ИИ део

Ако волите акроними, свидеће вам се најновије Гооглеове исправке производа. Надолазећи на претходни успех листа за ремаркетинг за огласе циљане на претраживачку мрежу (РЛСА), динамични огласи за претрагу (ДСА) и респонзивни огласи за претрагу (РСА) сада су се придружили фракасима. Чини се да је намера ДСА смањити – ако не и елиминисати – потребу за постављањем рекламних кампања, уместо да Гоогле омогући да скида веб локацију сваког оглашивача и створи динамичке резултате. За РСА, циљ је брзо тестирати што је могуће више променљивих у огласима, користећи машинско учење да бисте разумели која комбинација наслова и копије тела пружа оптималну комбинацију. Ту је и паметно лицитирање, што је Гооглеов одговор на алгоритам.

Машинско учење и Фацебоок

Док су Гооглеове исправке приказиване као побољшања производа, Фацебоок је гравитирао палици уместо шаргарепи. Фацебоок свакодневно има приступ више од милион гигабајта потрошачких информација, што пружа невероватно плодно тло за машинско учење како би се минирале ове информације и омогућила прецизност циљања огласа. То је речено, док је Гоогле био сан марке марке перформанси због чисте величине варијабли којима се може манипулисати, Фацебоок је већ дуго послужио као црни оквир. Ипак, с резултатима који су ривал и често надмашују Гооглеове резултате, тим је приступом успио.

Недавним представљањем Повер 5-а, Фацебоок је оглашивачима осим да је наредио да повјере свој МЛ да ће оглашавање поставити на најефикаснији могући начин. То укључује пет основних компоненти: аутоматско напредно подударање, поједностављење налога, оптимизацију буџета кампање, аутоматско постављање и динамичне огласе.

Па, шта је суштина? Док је маркетинг претраживача стекао популарност углавном захваљујући прецизности на којој су се његови пласмани могли купити, социјални маркетинг је налагао супротно. Једини начин да се максимализује ефикасност на Фацебооку јесте стварање широке структуре кампање (тј. Поједностављење налога) која ће својим технологијама испоручити што више „сигнала“, а тиме оснажити МЛ за оптимизацију када, где, како и коме је оглашавање служио на својој платформи.

Како је то утицало на трговце

Сада када смо се прошетали стазом за меморијско учење (МЛМЛ, ако хоћете), трговци различитих резултата који су видели од усвајања МЛ на обе платформе осветљавају предности и потешкоће.

За Гоогле, коришћење свих његових МЛ могућности у највећој мери често ће умањити маркетиншке перформансе претраживача. То је због комбинације горе наведене прецизности којом се могу оптимизирати кампање, плус чињеница да машинско учење једноставно није способно да разуме контекст иза података које обрађује. Замислите да сте продавач на Црном петак и претражујете производе које продајете шпијунирају неколико стотина посто, а конкуренти ручно лицитирају за релевантне кључне ријечи како би их искористили. Ако се ослоните на МЛ да ће обрађивати ове нове податке и прилагодити се у реалном времену, велика је вероватноћа да ћете изгубити вредност продаје најмање неколико сати, што може представљати значајан износ потенцијалног прихода за ваше пословање.

Успоставите то помоћу Фацебоока, који уступи приоритет аукцији оглашивачима који прате најбоље праксе, омогућавајући тако свом МЛ-у да обрађује „сигнале“ који им се пружају. По мом мишљењу, увећавање алл-ин-а на МЛ-у са Фацебооком је повољније него то не чинити. Добрим делом то је зато што нема руба да се стекне ручним преклапањем система, чиме се подстиче већи напор оглашивача против стратегије, мерења и производње садржаја.

Дно црта: Човек и машина

То не значи да машинско учење функционише за маркетинге на Фацебооку, али не и за Гоогле. То је једноставно микрокозмос шире парадигме, у којој разумевање начина на који ручни надзор умеша са машинским учењем постаје од виталног значаја. Гоогле-ова РСА значајка је корисна у погледу спровођења сталног мултиваријантног тестирања ради побољшања ефикасности, док ДСА пружа адитивну меру изван ручних кампања. Паметно надметање, ако се примењује прагматично, може да нађе дугорочну ефикасност.

Додатно екстраполирајући ово, машинско учење пружа значајну вредност обрадом огромних количина података да би се пронашли обрасци, извукли закључци на које ниједан човек није способан и омогућују маркетиншким активностима невероватно прецизне, податке засноване на подацима. Ипак, то није сребрни метак, нити је замена за паметне стратегије, конструкције за тестирање и купце и конкурентну интелигенцију. Једноставно речено, најбољи трговци и даље ће наћи интелигентне апликације за ову технологију, уредно интегришући машинско учење у оквиру својих већих напора.