Google ve Facebook'tan Dersler



<div _ngcontent-c16 = "" innerhtml = "

Getty

Deneyiminize bağlı olarak, yapay zekanın ortaya çıkması – ve en yaygın konuşlandırılmış altkümesi, makine öğrenmesi (ML) muhtemelen bir nimet ya da bir göz kamaştırıcı olmuştur. İçinde bulunduğunuz direğin teknolojik meraklılarınıza değil, ML'nin nasıl bütünleştiğine ve yürütüleceğine bağlı olduğunu kanıtlardım. Kullanım durumlarının sayısı şaşırtıcı olsa da, bazı yaygın pazarlama uygulamalarını reddetmek aydınlanma ve takdir için kolay bir yol sağlar.

Bir hizmeti veya ürünü pazarlarsanız (veya yalnızca 2019'da nefes alırsanız), reklamların Google ve Facebook'ta nasıl yerleştirildiğinin farkında olmanın çok büyük bir şansı vardır. Her iki platform da, pazarlamacılardan daha fazla bütçe tahsisini teşvik etmek amacıyla çabukça ML yetenekleri geliştirirken, buna yönelik yaklaşımları aksine bir çalışma olmuş ve pazarlama topluluğundaki ilk uygulayıcılar için kesin olarak farklı sonuçlara yol açmıştır.

Makine Öğrenimi ve Google, Bölüm I

Bir kullanıcı deneyimi (UX) açısından Google, uzun zamandır makine öğreniminin ön saflarında yer almaktadır. Her etkileşim sırasında sağladığınız girdilerle, sizi çevreleyen fiziksel çevre ile birlikte sağlanan arama sonuçlarının kişiselleştirilmiş doğasını göz önünde bulundurun.

Bununla birlikte, Google’ın reklamverenlere verdiği değer teklifi tarihsel olarak büyük ölçüde farklı olmuştur. Pazarlama yerleşimlerinden sonuç alan ve reklamverenin her biri için ödemek istediği tutarı dinamik olarak ayarlayan "teklif algoritmaları" oluşturarak, oldukça kârlı ve etkili bir butik endüstrisi yaratan Kenshoo, Marin, Acquisio ve benzeri gibi reklam teknolojisi sağlayıcılarına girin anahtar kelime (başka bir deyişle, basit ML dağıtımı). Açıkça Mountain View'deki iyi insanlar dikkat çekti, bu yüzden …

Makine Öğrenimi ve Google, Bölüm II

Kısaltmaları seviyorsanız, Google’ın en son ürün güncellemelerini seveceksiniz. Arama reklamları (RLSA), dinamik arama reklamları (DSA) ve duyarlı arama reklamları (RSA) için yeniden pazarlama listelerinin önceki başarısına dayanarak, artık bu kırıklara katılmıştır. Görünen o ki, DSA’nın amacı, Google’ın her bir reklamverenin web sitesini çizmesine ve dinamik çıktılar oluşturmasına izin vermek yerine, reklam kampanyaları oluşturma ihtiyacını azaltmak – ortadan kaldırmak değilse. RSA için amaç, reklamlarda mümkün olduğunca çok sayıda değişkeni hızlı bir şekilde test etmek, hangi manşetlerin ve vücut kopyasının kombinasyonunun en iyi karışımı sağladığını anlamak için makine öğrenmesini kullanmaktır. Google'ın algoritmaya cevabı olan Akıllı Teklifler de var.

Makine Öğrenimi ve Facebook & nbsp;

Google’ın güncellemeleri ürün geliştirmeleri olarak yayınlanırken, Facebook da havuç yerine çubuğa yöneldi. Facebook, günlük olarak 1 milyon gigabayttan fazla tüketici bilgisine erişebiliyor, bu da makine öğrenmesi için bu bilgiyi benimsemek ve reklam hedefleme hassasiyetini sağlamak için inanılmaz derecede verimli bir zemin sağlıyor. Bununla birlikte, Google, manipüle edilebilecek değişkenlerin büyüklüğü nedeniyle bir performans pazarlamacısının hayali olmasına rağmen, Facebook uzun süredir kara bir kutu olarak işlem görmektedir. Rakip ve çoğu zaman Google’ın sonuçlarını geçen sonuçlarla, bu yaklaşımla başarabildi.

Son çıkan ile Güç 5, Facebook herkese ancak reklamverenlere, reklamlarını mümkün olan en etkili şekilde yerleştirmeleri için ML’lerine güvenmeleri emrini verdi. Buna beş temel bileşen dahildir: otomatik gelişmiş eşleştirme, hesap basitleştirme, kampanya bütçesi optimizasyonu, otomatik yerleşimler ve dinamik reklamlar.

Peki, özü nedir? Arama motoru pazarlamacılığının büyük ölçüde yerleşimlerinin satın alınabileceği ayrıntı düzeyi nedeniyle popülerlik kazanmasına karşın, sosyal pazarlama bunun tam tersini zorunlu kılmıştır. Facebook'ta verimliliği en üst düzeye çıkarmanın tek yolu, teknolojisini mümkün olduğunca çok sayıda "sinyal" ile tedarik edecek geniş bir kampanya yapıları (yani hesap basitleştirmesi) oluşturmak ve böylece reklamcılığın ne zaman, nerede, nasıl ve kim olduğunu optimize etmek için ML'sini güçlendirmektir. platformunda görev yaptı.

Bu, Pazarlamacıları Nasıl Etkiledi?

Şimdi, makineyi öğrenme hafızası şeridinde (MLML, eğer istersen) aşağı doğru yürüdüğümüze göre, pazarlamacılar her iki platformda ML'nin benimsemesinden gördükleri sonuçları artıları ve tehlikeleri aydınlatıyor.

Google için, tüm ML yeteneklerini tam olarak kullanmak, arama motoru pazarlaması performansını genellikle azaltacaktır. Bunun nedeni, kampanyaların optimize edilebileceği yukarıda belirtilen ayrıntı düzeyinin bir birleşimidir, ayrıca makine öğreniminin basitçe işlediği verilerin arkasındaki bağlamı anlama kabiliyetine sahip olmamasıdır. Black Friday’de bir perakendeci olduğunuzu ve rakiplerinizin manuel olarak büyük harf kullanması için teklifte bulundukları ürünleri yüzde yüz çivili olarak sattığınızı hayal edin. Bu yeni verileri işlemek ve gerçek zamanlı olarak ayarlamak için ML'ye güveniyorsanız, işletmeniz için önemli miktarda potansiyel gelir oluşturabilecek en az birkaç saatlik satış hacmini kaybetmeniz olasıdır.

Bunu, en iyi uygulamaları izleyen reklamverenlerin açık artırma önceliğine işaret eden ve böylece ML'sinin sağlanan "sinyalleri" işleme koymasına izin veren Facebook ile yan yana getirin. Bana göre, Facebook'ta ML ile all-in gitmek, yapmamaktan daha avantajlıdır. Genel olarak, bunun nedeni, sistemi manuel olarak geçersiz kılmakla kazanılmasının bir avantajı olmadığı ve bu nedenle daha fazla reklamverenin strateji, ölçüm ve içerik üretimine karşı çaba göstermesini teşvik etmesidir.

Alt Çizgi: İnsan ve Makine

Bu, makine öğrenmenin Facebook'ta pazarlamacılar için çalıştığı ancak Google’ın çalışmadığı anlamına gelmez. Bu, sadece makine öğrenimi ile elle etkileşimin ne kadar hayati hale geldiğini anlamak olan daha büyük paradigmanın bir mikrokozmosudur. Google’ın RSA özelliği, verimliliği artırmak için devam eden çok değişkenli testler yapmak için değerlidir, DSA ise manuel kampanyaların ötesinde ek ölçek sağlar. Akıllı Teklif Verme, pragmatik olarak uygulanırsa, uzun vadeli etkinlikleri bulabilir.

Bunu daha fazla ekstrapolasyon yaparak, makine öğrenmesi, kalıpları bulmak için çok miktarda veriyi işleyerek, hiç kimsenin yapamayacağı sonuçlar çıkartarak ve pazarlamacılar için inanılmaz derecede kesin, veri odaklı aktivasyonları mümkün kılarak önemli bir değer sağlar. Bununla birlikte, gümüş bir mermi değil, akıllı stratejilerin, yapıların test edilmesi ve müşteri ile rekabet zekasının yerini de alıyor. Basitçe söylemek gerekirse, en iyi pazarlamacılar, makine öğrenimini özenle birleştirerek bu teknolojiye yönelik akıllı uygulamalar bulmaya devam edecektir.

Forbes İletişim Konseyi başarılı halkla ilişkiler, medya stratejisi, yaratıcı ve reklam ajanslarında yöneticiler için sadece davetiyen bir topluluktur.
Kalifiye olur muyum?

">

Deneyiminize bağlı olarak, yapay zekanın ortaya çıkması – ve en yaygın konuşlandırılmış altkümesi, makine öğrenmesi (ML) muhtemelen bir nimet ya da bir göz kamaştırıcı olmuştur. İçinde bulunduğunuz direğin teknolojik meraklılarınıza değil, ML'nin nasıl bütünleştiğine ve yürütüleceğine bağlı olduğunu kanıtlardım. Kullanım durumlarının sayısı şaşırtıcı olsa da, bazı yaygın pazarlama uygulamalarını reddetmek aydınlanma ve takdir için kolay bir yol sağlar.

Bir hizmeti veya ürünü pazarlarsanız (veya yalnızca 2019'da nefes alırsanız), reklamların Google ve Facebook'ta nasıl yerleştirildiğinin farkında olmanın çok büyük bir şansı vardır. Her iki platform da, pazarlamacılardan daha fazla bütçe tahsisini teşvik etmek amacıyla çabukça ML yetenekleri geliştirirken, buna yönelik yaklaşımları aksine bir çalışma olmuş ve pazarlama topluluğundaki ilk uygulayıcılar için kesin olarak farklı sonuçlara yol açmıştır.

Makine Öğrenimi ve Google, Bölüm I

Bir kullanıcı deneyimi (UX) açısından Google, uzun zamandır makine öğreniminin ön saflarında yer almaktadır. Her etkileşim sırasında sağladığınız girdilerle, sizi çevreleyen fiziksel çevre ile birlikte sağlanan arama sonuçlarının kişiselleştirilmiş doğasını göz önünde bulundurun.

Bununla birlikte, Google’ın reklamverenlere verdiği değer teklifi tarihsel olarak büyük ölçüde farklı olmuştur. Pazarlama yerleşimlerinden sonuç alan ve reklamverenin her biri için ödemek istediği tutarı dinamik olarak ayarlayan "teklif algoritmaları" oluşturarak, oldukça kârlı ve etkili bir butik endüstrisi yaratan Kenshoo, Marin, Acquisio ve benzeri gibi reklam teknolojisi sağlayıcılarına girin anahtar kelime (başka bir deyişle, basit ML dağıtımı). Açıkça Mountain View'deki iyi insanlar dikkat çekti, bu yüzden …

Makine Öğrenimi ve Google, Bölüm II

Kısaltmaları seviyorsanız, Google’ın en son ürün güncellemelerini seveceksiniz. Arama reklamları (RLSA), dinamik arama reklamları (DSA) ve duyarlı arama reklamları (RSA) için yeniden pazarlama listelerinin önceki başarısına dayanarak, artık bu kırıklara katılmıştır. Görünen o ki, DSA’nın amacı, Google’ın her bir reklamverenin web sitesini çizmesine ve dinamik çıktılar oluşturmasına izin vermek yerine, reklam kampanyaları oluşturma ihtiyacını azaltmak – ortadan kaldırmak değilse. RSA için amaç, reklamlarda mümkün olduğunca çok sayıda değişkeni hızlı bir şekilde test etmek, hangi manşetlerin ve vücut kopyasının kombinasyonunun en iyi karışımı sağladığını anlamak için makine öğrenmesini kullanmaktır. Google'ın algoritmaya cevabı olan Akıllı Teklifler de var.

Makine Öğrenimi ve Facebook

Google’ın güncellemeleri ürün geliştirmeleri olarak yayınlanırken, Facebook da havuç yerine çubuğa yöneldi. Facebook, günlük olarak 1 milyon gigabayttan fazla tüketici bilgisine erişebiliyor, bu da makine öğrenmesi için bu bilgiyi benimsemek ve reklam hedefleme hassasiyetini sağlamak için inanılmaz derecede verimli bir zemin sağlıyor. Bununla birlikte, Google, manipüle edilebilecek değişkenlerin büyüklüğü nedeniyle bir performans pazarlamacısının hayali olmasına rağmen, Facebook uzun süredir kara bir kutu olarak işlem görmektedir. Rakip ve çoğu zaman Google’ın sonuçlarını geçen sonuçlarla, bu yaklaşımla başarabildi.

Power 5’in yeni başlamasıyla birlikte, Facebook, reklamverenlere ML’lerini reklamları mümkün olan en etkili şekilde yerleştirme emanet etmeleri konusunda emretti. Buna beş temel bileşen dahildir: otomatik gelişmiş eşleştirme, hesap basitleştirme, kampanya bütçesi optimizasyonu, otomatik yerleşimler ve dinamik reklamlar.

Peki, özü nedir? Arama motoru pazarlamacılığının büyük ölçüde yerleşimlerinin satın alınabileceği ayrıntı düzeyi nedeniyle popülerlik kazanmasına karşın, sosyal pazarlama bunun tam tersini zorunlu kılmıştır. Facebook'ta verimliliği en üst düzeye çıkarmanın tek yolu, teknolojisini mümkün olduğunca çok sayıda "sinyal" ile tedarik edecek geniş bir kampanya yapıları (yani hesap basitleştirmesi) oluşturmak ve böylece reklamcılığın ne zaman, nerede, nasıl ve kim olduğunu optimize etmek için ML'sini güçlendirmektir. platformunda görev yaptı.

Bu, Pazarlamacıları Nasıl Etkiledi?

Şimdi, makineyi öğrenme hafızası şeridinde (MLML, eğer istersen) aşağı doğru yürüdüğümüze göre, pazarlamacılar her iki platformda ML'nin benimsemesinden gördükleri sonuçları artıları ve tehlikeleri aydınlatıyor.

Google için, tüm ML yeteneklerini tam olarak kullanmak, arama motoru pazarlaması performansını genellikle azaltacaktır. Bunun nedeni, kampanyaların optimize edilebileceği yukarıda belirtilen ayrıntı düzeyinin bir birleşimidir, ayrıca makine öğreniminin basitçe işlediği verilerin arkasındaki bağlamı anlama kabiliyetine sahip olmamasıdır. Black Friday’de bir perakendeci olduğunuzu ve rakiplerinizin manuel olarak büyük harf kullanması için teklifte bulundukları ürünleri yüzde yüz çivili olarak sattığınızı hayal edin. Bu yeni verileri işlemek ve gerçek zamanlı olarak ayarlamak için ML'ye güveniyorsanız, işletmeniz için önemli miktarda potansiyel gelir oluşturabilecek en az birkaç saatlik satış hacmini kaybetmeniz olasıdır.

Bunu, en iyi uygulamaları izleyen reklamverenlerin açık artırma önceliğine işaret eden ve böylece ML'sinin sağlanan "sinyalleri" işleme koymasına izin veren Facebook ile yan yana getirin. Bana göre, Facebook'ta ML ile all-in gitmek, yapmamaktan daha avantajlıdır. Genel olarak, bunun nedeni, sistemi manuel olarak geçersiz kılmakla kazanılmasının bir avantajı olmadığı ve bu nedenle daha fazla reklamverenin strateji, ölçüm ve içerik üretimine karşı çaba göstermesini teşvik etmesidir.

Alt Çizgi: İnsan ve Makine

Bu, makine öğrenmenin Facebook'ta pazarlamacılar için çalıştığı ancak Google’ın çalışmadığı anlamına gelmez. Bu, sadece makine öğrenimi ile elle etkileşimin ne kadar hayati hale geldiğini anlamak olan daha büyük paradigmanın bir mikrokozmosudur. Google’ın RSA özelliği, verimliliği artırmak için devam eden çok değişkenli testler yapmak için değerlidir, DSA ise manuel kampanyaların ötesinde ek ölçek sağlar. Akıllı Teklif Verme, pragmatik olarak uygulanırsa, uzun vadeli etkinlikleri bulabilir.

Bunu daha fazla ekstrapolasyon yaparak, makine öğrenmesi, kalıpları bulmak için çok miktarda veriyi işleyerek, hiç kimsenin yapamayacağı sonuçlar çıkartarak ve pazarlamacılar için inanılmaz derecede kesin, veri odaklı aktivasyonları mümkün kılarak önemli bir değer sağlar. Bununla birlikte, gümüş bir mermi değil, akıllı stratejilerin, yapıların test edilmesi ve müşteri ile rekabet zekasının yerini de alıyor. Basitçe söylemek gerekirse, en iyi pazarlamacılar, makine öğrenimini özenle birleştirerek bu teknolojiye yönelik akıllı uygulamalar bulmaya devam edecektir.