Ultimo aggiornamento
Il Machine Learning è la parola del momento. Ne parlano programmatori, data analyst e, da qualche tempo, anche molti web marketer, seppure in toni non sempre entusiastici. L’immagine che viene alla mente in modo quasi istintivo parlando di machine learning è quella di automi o quantomeno di supercomputer che aggiustano bid, propongono inserzioni e targettizzano senza l’intervento dell’uomo. Un timore comprensibile ma che può essere contraddetto sia da una comprensione dei meccanismi alla base del machine learning, sia dai risultati spesso confortanti delle campagne Google Ads cosiddette “smart”; su quest’ultimo punto riporterò alcune considerazioni tratte dalla mia esperienza come Adv Specialist di ET.
Cosa si intende esattamente per
machine learning? Innanzitutto non è propriamente un sinonimo di
intelligenza artificiale, quanto piuttosto una delle sue possibili
espressioni. Il machine learning consiste nell’apprendimento automatico da parte della macchina
che, ricevuto ed elaborato il costante flusso di nuovi dati, modifica e
perfeziona il proprio algoritmo per fornire output più performanti. Nel
caso dei prodotti Google Ads, il machine learning finalizzato
essenzialmente al miglioramento delle conversioni (intese come numero,
valore e tasso di) si esprime in quattro modi:
Vediamo nel dettaglio.
Parlando delle strategie
d’offerta delle campagne Google Ads, sembrano passati secoli da quando
impostavamo il CPC manuale. L’evoluzione “smart” di quest’ultimo è il
CPC ottimizzato, ovvero un’offerta che può oscillare entro un certo
range che è finalizzata a vincere una determinata asta in base alla
probabilità che il clic si concluda o meno con una conversione. Per fare questa predizione, il sistema utilizza lo storico dei dati ,
quindi dettagli di ogni genere come località, timing, abitudini
d’acquisto, intenzioni e molto altro. Le altre strategie d’offerta che
si basano sul machine learning per impostare l’offerta sono CPA target,
massimizza le conversioni e ROAS target.
Evoluzione Telematica annovera
tra i suoi clienti molti ecommerce: alcuni sono attivi da anni, altri
sono nati pochi mesi fa. Inevitabilmente dunque lo smart bidding ha
trovato un primo terreno di sperimentazione nelle campagne shopping. Le shopping smart
(o “intelligenti”) si differenziano dalle campagne standard
essenzialmente sotto due aspetti: l’impossibilità di aggiustare le
offerte a livello di singolo prodotto, per località o dispositivo e la
pubblicazione degli annunci su tutte le reti Google (rete di Ricerca e
Display, inclusi YouTube e Gmail). Lo confesso sin da subito: rinunciare
al controllo dell’offerta non è facile. Inevitabile porsi domande come:
“Se non posso aggiustare le offerte, come posso essere sicura di
utilizzare al meglio il budget del mio cliente?”. Sempre però secondo il
principio della “miglior cosa per il mio cliente” non ho voluto
precludermi la possibilità di ottenere dei ROAS migliori grazie al machine learning, quindi il mio mantra è stato testare .
A parità di prodotti, una shopping smart e una standard non possono
coesistere, o meglio, la smart avrà la prevalenza sulla seconda. Di
conseguenza ho iniziato prima con budget limitati e su prodotti meno
rilevanti, per poi proseguire (in certi casi forse azzardare) su
prodotti chiave, sostituendo talvolta campagne già performanti. Dopo un
inizio incerto o comunque non strabiliante, le smart shopping hanno e
stanno tuttora esprimendo il proprio potenziale; questo è ancora più
evidente (forse paradossalmente) su ecommerce giovani ma con un forte
flusso di dati in entrata (alto numero di prodotti – oltre 10.000,
rapido posizionamento organico e notevole investimento in adv, social
compresi). La lezione è dunque questa: lo smart bidding funziona sempre meglio con il tempo e con una quantità di dati importante (e in crescita).
Gli specialist Google Ads sanno
che c’erano una volta la rete di Ricerca e la Rete Display di Google,
che solo raramente dialogavano tra loro (non sono mai stata una grande
fan della campagna “rete di ricerca con selezione display”, lo ammetto).
Il punto è che per ciascun obiettivo di marketing si sceglieva su quale
rete operare. Grazie al machine learning il punto di vista è cambiato: ciò che importa non è dove e quando mostrare un annuncio ma a chi, come e dove ,
utilizzando tutta una serie di dati preclusi all’inserzionista per
capire in quale punto del funnel si trova il singolo utente. La customer
journey è fatta, come sappiamo di numerosi touchpoint
che molto spesso corrispondono ad app o servizi Google (pensiamo al
motore di ricerca ma anche Google Maps, YouTube, Google Play, Gmail).
Foriera di questo approccio è stata sin dall’inizio la campagna
universale per APP, la prima rispetto alla quale non è mai stato
possibile selezionare dei posizionamenti e che ha richiesto come
annuncio una variabile di asset.
Il machine learning, in
definitiva non fa altro che imparare da un vasto insieme di informazioni
per determinare non solo l’offerta più adatta, ma anche la
conformazione dell’annuncio. Già, perchè può succedere, ad esempio, che a
parità di query di ricerca due persone visualizzino sulla rete di
ricerca un annuncio diverso. Sia che si tratti di annunci search che
annunci display, quello che Google richiede all’inserzionista è che gli
fornisca un ventaglio di titoli, descrizioni ed eventualmente immagini
(talvolta anche video) che saranno assemblate per risultare più
accattivanti al singolo utente.
Attualmente la massima espressione del machine learning di Google Ads è data dalla combinazione degli elementi finora descritti con l’attribuzione data driven . Il modello d’attribuzione basato sui dati è un’opzione disponibile solo per un numero limitato di fortunati account, che devono possedere determinate caratteristiche soprattutto in merito a livelli di spesa e numero di conversioni rilevanti. L’attribuzione data driven è attualmente il sistema migliore per dare il giusto peso e i giusti meriti alle campagne Google Ads rispetto ad altre sorgenti di traffico.
Qual è il ruolo dei marketer in
tutto ciò? La paura di molti colleghi e più in generale delle agenzie
(non tutte, per fortuna!) è che il machine learning approdi a campagne
del tipo “premi START e vanno da sole”, rendendo inutile il ruolo dello
specialist e in ultimo erodendo il business del settore .
Tale scenario è inverosimile essenzialmente per un motivo, ovvero che
il machine learning per funzionare bene ha bisogno di dati, dati qualità
che solo l’essere umano conoscitore del contesto (anche offline) può
dare. Frederick Vallaeys, esperto a livello internazionale di Google Ads
nonché ex dipendente di Big G, ha paragonato il ruolo del marketer a
quello dell’insegnante: è l’uomo che insegna alla macchina quali solo i dati giusti da utilizzare e come procedere per migliorarsi di continuo .
Quello che è richiesto ai marketer è dunque un cambio di approccio e
di mentalità che porta con sé un ottimo “effetto collaterale”: saremo
meno vincolati ad operazioni di routine, noiose e ripetitive, per
concentrarci molto di più sulla strategia. Cosa che, personalmente,
trovo molto entusiasmante.