La pubblicità digitale si basa sulla pubblicazione dell'annuncio giusto al pubblico giusto in tempo reale. Meglio ci riusciamo, meglio facciamo: quello è il mantra del settore, e per una ragione.
Abbiamo assistito a notevoli miglioramenti nel volume e nella precisione dei dati dei clienti e abbiamo lavorato su piattaforme pubblicitarie sempre più sofisticate.
L'apprendimento automatico e l'intelligenza artificiale migliorano la capacità di riconoscere modelli ed estrarre le risposte giuste da un database. Chi non impara a utilizzare le funzionalità AI delle piattaforme pubblicitarie adesso sarà lasciato indietro. Molti lo sono già stati.
Ciò significa ripensare atteggiamenti, abitudini e metodi, a volte profondamente. Introduce una nuova era di buone pratiche.
Mentre lo spazio è ancora in evoluzione, ci siamo stati per un po '. Queste sono quattro chiavi per sfruttare le capacità di apprendimento automatico delle piattaforme nelle tue campagne.
1. Utilizzare una struttura AI-friendly.
In passato, gli inserzionisti si concentravano sulla granularità. "Siamo in grado di tenere conto di ogni centesimo di spesa e mostrare un ROI dimostrabile", quello era l'obiettivo. Ora, quella stessa struttura altamente granulare in realtà limiti successo della campagna.
Dobbiamo trovare un nuovo equilibrio:

Da un lato, abbiamo i vantaggi tradizionali di una granularità più elevata: punteggi di qualità / pertinenza più elevati, approfondimenti migliori e così via. Li vogliamo ancora, ma il percorso che prendiamo per loro è cambiato perché non stiamo più facendo il sollevamento pesante.
Invece, stiamo insegnando a un sistema di intelligenza artificiale a fornire questi risultati per noi. Tutte le principali piattaforme pubblicitarie, in particolare Google e Facebook, utilizzano l'IA per indirizzare gli annunci, gestire le offerte e il budget e, sempre più, per ottimizzare la creatività. Per farlo rapidamente e su larga scala, spesso dobbiamo sacrificare un po 'di granularità. Questo ci dà un set di dati che può addestrare il sistema AI più velocemente.
Quando l'equilibrio viene raggiunto correttamente, i risultati migliorano drasticamente: il sistema di intelligenza artificiale è più sensibile e attento ai dati di quanto un umano possa mai essere. Ciò che perdiamo nella granularità compensiamo l'accuratezza e l'efficacia complessive.
Detto questo, vogliamo ancora abbastanza granularità per ottenere alcuni segnali su cosa funziona e cosa no. La selezione delle destinazioni non è ciò in cui l'IA eccelle: dobbiamo ancora farlo.
Prendi Facebook. Nel 2017, Facebook ha raccomandato un approccio altamente granulare:

Entro il 2019, le cose sembravano molto diverse: meno campagne, meno set di annunci:

La logica di questa contrazione nelle campagne e nei set pubblicitari – questa riduzione della granularità – è che l'obiettivo si è spostato dal "controllo di ogni centesimo di spesa noi stessi" al "rapido addestramento dell'IA".
Nella fase di apprendimento dell'implementazione dell'IA, noterai un calo delle prestazioni del 30% circa. Molti dei guadagni che una volta abbiamo goduto della granularità sono consumati a spese della formazione dell'IA. È fondamentale ridurre la durata di questa fase di apprendimento, quando si verificano le prestazioni peggiori.
È sconvolgente aspettare che esca. Ma esercitare un maggiore controllo (attraverso una granularità migliorata) restringe solo i dati in arrivo e prolunga la fase di apprendimento.
In genere, questo approccio aggiornato produce risultati migliori. Inizialmente, tuttavia, lo abbiamo trovato estremamente controintuitivo e abbiamo dovuto condurre molti esperimenti per convincerlo della sua efficacia.
Come appare al di fuori di Facebook? Facciamo le nostre visualizzazioni, che presenterò per chiarire il mio punto. La dimensione di ogni casella rappresenta la spesa; il colore rappresenta il ROI: il rosso è cattivo, il blu è buono.

Quello che vedi in questa visualizzazione è una struttura di campagna ipergranulare (SKAG) in cui una piccola dimensione della campagna sembra correlare con un ROI scarso (molte piccole caselle rosse). La persona che ha creato questa campagna voleva chiaramente il massimo controllo.
Ma non stanno ottenendo abbastanza dati da campagne più piccole per ottimizzarli in modo significativo. Probabilmente si stanno dicendo che questo è in base alla progettazione, che fa parte di una strategia di "gestione del portafoglio" in cui si accettano prestazioni inferiori da un (elevato) numero di campagne ma si compensa con rendimenti più elevati da altre aree. Suona bene in linea di principio (e in realtà funzionava in quel modo).
Il problema? Questa non è una struttura favorevole all'apprendimento automatico. L'estrema granularità, in molti casi, non solo prolunga la fase di apprendimento ma impedisce all'IA di abbandonarla. Con così tante variabili, il sistema si blocca nella fase di apprendimento, con la redditività per sempre fuori dalla portata.
In effetti, oltre il 50% dei gruppi di annunci in questa visualizzazione non aveva guadagnato un clic in tre mesi ma era attivo. Del restante 50%, la maggior parte non ha ottenuto più di cinque clic nella stessa finestra temporale di tre mesi e non ha mostrato prospettive di crescita.
Consolidare la spesa in aree con un ROI elevato – e staccare la spina da migliaia di piccoli annunci pubblicitari, non ha senso – con o senza intelligenza artificiale. Ma è anche molto meglio sacrificare alcuni guadagni dall'aumentata granularità e concentrarsi invece sul raggiungimento più rapido della piena efficacia dell'IA.
Abbiamo ristrutturato quella campagna per massimizzare l'efficacia dell'IA e puoi vedere la differenza:

Esistono ancora alcuni gruppi di annunci più piccoli. Non si tratta solo di tre grandi campi. È un continuum, non granularità massima o minima senza nulla in mezzo. Tuttavia, migliaia di minuti, annunci inefficaci, impossibili da gestire, hanno allenato l'IA molto più velocemente.
Ciò che è cruciale è il grado di granularità nel primo 70% del volume di spesa, che puoi vedere se sovrapponiamo questi due grafici uno sopra l'altro:

L'area delineata in giallo nell'immagine in alto contiene poco meno di 300 set di annunci; quello in basso, 23. La rimozione delle prestazioni basse dai primi 70% ha comportato un radicale aumento delle prestazioni complessive.
2. Ottimizza per le metriche giuste.
Le necessità pratiche, così come i vantaggi, dell'apprendimento automatico hanno cambiato il modo in cui pensiamo alle metriche per le quali ottimizziamo. Una delle sfide qui è, ancora una volta, trovare il giusto equilibrio.
Questa volta, stiamo cercando di bilanciare la profondità della canalizzazione con il volume di dati. Abbiamo bisogno di dati sufficienti per dare all'algoritmo qualcosa su cui imparare e ottimizzare, ma vogliamo anche essere il più in basso possibile nell'imbuto.

Tuttavia il tuo "imbuto" in realtà funziona – la maggior parte assomiglia a mappe di una sorta di metropolitana futuristica più di un imbuto lineare – è più ampia nella parte superiore.
In tutti i settori, il tasso di conversione da MQL a SQL è compreso tra lo 0,9% e il 31,0%. La conversione da SQL a clienti è in media del 22% circa. Ma anche questi acuti colli di bottiglia impallidiscono rispetto alla parte superiore dell'imbuto. I principali account Google Ads hanno tassi di conversione dell'11,45%, ma il tasso di conversione mediano è del 2,35%.
Il risultato? Abbiamo molti più punti dati nella parte superiore della canalizzazione, quindi è più facile addestrare l'IA su quel set di dati più grande. Tuttavia, il successo non è solo meno prezioso, ma potenzialmente fuorviante. Puoi vincere sulla carta e perdere nella vita reale se stai ottimizzando la metrica sbagliata. E le metriche TOFU come volume di lead o CPL possono spesso essere metriche errate.
Ecco cosa abbiamo imparato cercando di trovare il giusto equilibrio. Un cliente stava ottimizzando il volume CPL / lead, puntando a numeri massimi di lead con $ 50 per lead cap. Stavamo ottenendo buoni risultati.
Avevamo anche una visione chiara di quali cavi meritassero l'acquisto e quali no. Avevamo alcuni lead che erano buoni lead (ovvero termini di testa nel nostro spazio) ma troppo costosi, in alcuni casi $ 100 ciascuno. Perché dovremmo balzare per quelli quando avevamo tonnellate di grandi lead che erano $ 50 o meno?
Quindi, siamo passati a una metrica un paio di passaggi più in profondità nella canalizzazione e abbiamo iniziato l'ottimizzazione per SQLs. Ecco i grafici a barre in pila prima e dopo, con ogni area di colore che rappresenta un tema di parole chiave:

I nostri lead a basso costo che rappresentavano un "grande" valore non si stavano convertendo a un ritmo conveniente: erano circa il 40% troppo cari. Alto costo conduce stavano diventando inferiore-costo SQL; paradossalmente entrambi costano di più e costano meno. Abbiamo raggiunto il massimo e visto un netto aumento della redditività.
Questa intuizione ha cambiato il modo in cui abbiamo allocato la spesa. Il volume di SQL è aumentato bene anche se in alcuni casi è diminuito il volume di piombo. All'inizio è difficile per alcuni clienti accettare, ma data la scelta tra più lead e più qualificato conduce, hanno optato per quest'ultimo.
Non avremmo mai visto questo senza l'ottimizzazione per quella metrica a imbuto inferiore, ma non avremmo ancora visto se non stessimo misurando e correlando attraverso l'imbuto. Misura e ottimizza più metriche, più comportamenti e azioni dei clienti interconnessi, non solo uno. L'invio di informazioni dall'imbuto discendente all'imbuto superiore aiuta il targeting, quindi i lead sono di qualità migliore per cominciare.
Il tracciamento di più metriche ti dà anche una maggiore precisione nello stesso modo in cui la triangolazione su oggetti distanti ti fornisce nuove informazioni, come la distanza e l'elevazione. Tieni traccia di due, tre, cinque punti dati dei clienti e sviluppi nuovi approfondimenti. Questo non è possibile senza l'IA a causa dell'enorme numero di calcoli coinvolti, ovviamente.
Correlare i dati di conversione più profondi ai dati della campagna è una sfida tecnica, quindi stiamo per diventare super geek. Ecco come è fatto con Google:

Correggi l'ID clic di Google (gclid), diciamo, al tuo CRM e lo registra nel database dei clienti associato a quel lead. Quindi, lo rispedisci a Google quando prendi decisioni di acquisto di annunci, permettendoti di vedere quali creatività, pubblico, area geografica e altre variabili migliorano le metriche di canalizzazione profonda.
Ma cosa succede se passi dall'ottimizzazione di una metrica a un'altra? In che modo l'implementazione dell'IA gestisce un nuovo obiettivo?
Gestire l'implementazione dell'IA quando cambiano gli indicatori KPI
La cosa strana di questo è che si tratta di un processo che senti come ti fai strada. Quando parliamo di marketing basato sui dati, "sentire" non è un verbo che normalmente senti. Ma questo è davvero un processo per sentire la tua strada verso il giusto risultato. Lo consideriamo come "cavalcare la bestia AI", che è un processo molto diverso e spesso più intuitivo rispetto a "progettare il miglior ROI".
Qui ci sono un paio di esempi. Un cliente desiderava passare dall'ottimizzazione per un clic sul pulsante di inizio della canalizzazione a un'iscrizione a metà della canalizzazione. Abbiamo modificato la metrica di ottimizzazione in Google e Facebook e abbiamo avuto un molto esperienza diversa tra le due piattaforme pubblicitarie.
Non stiamo dicendo quale sia quale per non offendere nessuno. E abbiamo visto risultati traballanti su entrambi. Il punto non è che una piattaforma sia migliore dell'altra. Il punto è che devi essere preparato per risultati inaspettati quando hai a che fare con l'IA.
Ecco la prima piattaforma pubblicitaria:

Tutto ciò che abbiamo fatto è stato premere l'interruttore. Abbiamo detto all'intelligenza artificiale, "Smetti di farlo e inizia a farlo", e puoi vedere dove è successo. Il volume di piombo è aumentato mentre la CPL è caduta. Facile!
È fantastico, quando funziona. Ma non sempre esce così. Ecco lo stesso progetto, gli stessi parametri, ma una piattaforma pubblicitaria diversa:

Questo è quello che sembra quando tu non si può basta premere l'interruttore. Nelle settimane quattro e cinque e poi, nelle settimane otto e nove, abbiamo modificato le offerte e i budget previsti per aumentare il volume.
Tuttavia, l'algoritmo non aveva i segnali giusti per soddisfare le nuove offerte e i budget, quindi ha semplicemente ridotto il volume quasi a zero. Abbiamo provato diverse cose fino a quando non abbiamo finalmente trovato una combinazione che permettesse all'algoritmo di funzionare in modo efficiente.
Stavamo cavalcando la bestia qui, e questa probabilmente sarà la tua esperienza almeno qualche volta.
3. Lascia che AI determini l'adattamento creativo.
È davvero un'idea saggia? Non stiamo necessariamente parlando di lasciare l'IA in realtà fare creativo, ma possiamo usarlo per adattarlo creativo al pubblico, a volte in modi innovativi. Esaminiamo alcuni esempi, iniziando con annunci di ricerca reattivi.
Se non stai pubblicando annunci di ricerca reattivi, ti esorto a riconsiderare: è qui che sta andando tutto lo spazio. Google e Facebook già abbinano automaticamente l'annuncio al cliente. Non esiste più un "annuncio vincente".
Quando si tenta di manipolare l'algoritmo produrre un annuncio vincente tradizionale, comprometti il rendimento generale, a volte drasticamente. Anche se riesci a produrre un annuncio vincente, non hai alcun controllo sul fatto che venga mostrato: la piattaforma prende questa decisione in base al pubblico e alla fase di viaggio dell'acquirente.
Se non hai esperienza con gli annunci reattivi, funzionano in questo modo: scrivi pezzi di un annuncio, quindi l'algoritmo li assembla, facendo corrispondere ogni pezzo al pubblico.

Puoi finire con migliaia di varianti. Non ha senso avere una combinazione definitiva: un annuncio vincente, come pensavamo. Ecco come appare in azione su Google Ads:

Stessa parola chiave, stesso inserzionista, stessa campagna, ma due diversi destinatari in due diverse fasi del percorso dell'acquirente. Ciò significa annunci diversi.
Questo ci consente di fare un passo indietro nel tentativo di capire ogni minimo dettaglio e concentrarci nuovamente sulla messaggistica strategica. Che può e deve ancora essere testato e basato su dati, non abbiamo solo bisogno di tenere traccia di cose tattiche su piccola scala.
Il rovescio della medaglia è che perdiamo un po 'di controllo. Non ottengo una battuta chiara sul ROI di annunci specifici e, ovviamente, non ottengo un singolo annuncio vincente. Invece, ottengo questo:

Quindi esco da queste campagne con la sensazione di prestazioni complessive, ma non le intuizioni granulari che ci aspettiamo, che riconducono alla nostra necessità di rinunciare a un certo controllo per far funzionare questa tecnologia per noi.
Il vantaggio è che puoi davvero migliorare i tuoi punteggi di qualità. E stiamo scoprendo che puoi accedere allo spazio pubblicitario aggiuntivo che prima non era disponibile con annunci discreti.
Ecco cosa abbiamo visto in questo caso:

Questi sono cambiamenti giganti, non incrementali. Supponendo che stai facendo le basi in modo corretto, è difficile ottenere questo tipo di vittorie con annunci di testo espansi tradizionali. Ma con l'IA che si adatta alla creatività, sono ciò che dovresti aspettarti.
Gli annunci reattivi tendono a ottimizzare principalmente in base al CTR e non esiste ancora un ottimo modo per testarli, ma hanno un impatto positivo sul punteggio di qualità se li aggiungi a ciascun gruppo di annunci e valgono la pena utilizzarli da soli.
Ecco come consiglio di trarne il meglio:
- Usa bozze ed esperimenti per testare le variabili.
- Aggiungi ulteriori annunci di ricerca reattivi in ciascun gruppo di annunci.
- Utilizza il rapporto sulle combinazioni per identificare i segmenti che generano il maggior numero di impressioni.
- Ricorda che gli annunci di ricerca reattivi si ricombinano e pubblicano elementi pubblicitari in tempo reale, così non sarai mai in grado di mettere a punto un vero confronto mele-mele.
- Non dimenticare di utilizzare l'indicatore di forza dell'annuncio come base.

4. Seguire le linee guida generali per l'IA nella pubblicità.
Qualunque siano le specifiche delle tue campagne, obiettivi e strumenti, alcune regole sono sostanzialmente vere. Questo perché sono dettati dalla natura della tecnologia disponibile e dal panorama più ampio: non abbiamo molta scelta al riguardo.
Struttura | Tieni insieme tutti i tipi di corrispondenza, tranne in casi estremi in cui il volume consente la separazione. Strutturare le campagne in modo intuitivo con l'apprendimento automatico con sufficienti conversioni per set di annunci affinché l'algoritmo possa apprendere rapidamente, idealmente 50 per gruppo di annunci a settimana su Google, 10 per gruppo di annunci a settimana su Facebook. |
misurazione | Ottimizza per la metrica corretta, una inferiore nell'imbuto ma con volume sufficiente. |
Creativo | Usa l'apprendimento automatico per raggiungere il cliente giusto con l'annuncio giusto al momento giusto. Scrivi diversi messaggi per affrontare le diverse fasi del percorso dell'acquirente. |
Il pubblico | Aumenta le dimensioni del pubblico. Aumenta la percentuale di pubblico simile all'1-5% al 5-15%. Laddove gli obiettivi di interesse e comportamento si sovrappongono in modo significativo, combinali. Utilizza le esclusioni per ridurre al minimo la sovrapposizione del pubblico. |
Conclusione
Mettere l'IA al servizio della pubblicità significa consegnare alle macchine i compiti che possono svolgere meglio di quanto potremmo mai fare. Quando si parla di riconoscimento di modelli multivariati, le macchine sono già significativamente superiori agli umani.
Se si desidera abbinare gli elementi pubblicitari al percorso del cliente, o se si desidera favorire radicali miglioramenti del CTR e del prezzo guida ottimizzando le metriche a canalizzazione inferiore, le macchine dovrebbero essere la vostra prima scelta.
Ma quando lo facciamo, non possiamo semplicemente assegnare alle macchine parte del lavoro che stiamo già svolgendo e continuare normalmente. Una macchina è molto più veloce di camminare, ma devi costruire una strada per continuare a guidare; le macchine fanno queste cose più velocemente e meglio di noi, ma dobbiamo facilitare quel lavoro.
Ci sono compiti in cui le macchine sono assolutamente terribili o che non possono assolutamente svolgere. Una macchina può mescolare contenuti preesistenti in nuove combinazioni basate su criteri stabiliti; non può venire in mente qualcosa di nuovo. Siamo molto lontani dal marketing a pulsante.
Questo è l'inizio: utilizzare l'apprendimento automatico per la pubblicità digitale, esplorare un campo molto aperto e stabilire le migliori pratiche per guidare il futuro del nostro settore.