Prima di iniziare, è doveroso chiarire cos’è il machine learning.
Machine learning può essere tradotto in apprendimento automatico (in realtà poi vedremo che non è proprio così) e rientra nell’ambito di studio delle intelligenze artificiali.
In altre parole, consiste nel convogliare dati e metodi statistici con il duplice scopo di apprendere e ricavare possibili relazioni che intercorrono tra i dati stessi.
Il machine learning di Facebook
Forse non lo sapevi, ma quello di Facebook è uno dei machine learning più sviluppati al mondo tra le piattaforme di advertising.
Se pensiamo all’algoritmo di Facebook come al cervello di un essere umano, il machine learning è certamente l’intelligenza che vi risiede.
A differenza dell’intelletto umano, però, il machine learning permette di elaborare enormi quantità di dati in poco tempo e scovare connessioni dove all’apparenza non ci sono.
Machine learning e digital advertising
Adesso ti voglio raccontare in che modo il machine learning si intreccia con il mio lavoro e che vantaggi può determinare per i tuoi investimenti.
Il machine learning è l’essenza stessa del digital advertising. E’ ciò che mi permette di farti raggiungere dal tuo potenziale cliente, in base ai suoi interessi o alle sue azioni precedenti.
Vedo qualcosa di magico in tutto ciò. Probabilmente perché sono di parte. :)
Quindi, Facebook è intelligente e impara da solo grazie al suo machine learning potentissimo e noi possiamo metterci comodi osservando i risultati arrivare. Anzi, non noi, ma solo tu. Perché a questo punto non avresti bisogno di me.
Niente di più sbagliato!
Il machine learning di Facebook va trattato come un bambino.
Intelligente, sì, ma pur sempre un bambino.
“Ma Nicola, in che senso?”
Come la mente di un bambino, il machine learning di Facebook è pronto ad accogliere tantissime nuove informazioni, ad analizzarle e a elaborarle.
Ma cosa succede se dai informazioni sbagliate a un bambino?
Giungerà a delle conclusioni sbagliate.
Tradotto in termini aziendali: non ci aiuterà a raggiungere gli obiettivi prefissati (vendite, contatti, ecc).
La colpa non è sua, ma di chi gli ha dato quelle informazioni.
Il machine learning di Facebook va trattato come un bambino
Quando ho iniziato a fare questo lavoro non sapevo che avrei fatto anche l’insegnante; e invece eccomi qui, a educare il machine learning a capire cosa è giusto o sbagliato – per il tuo business – fino a quando non sarà in grado di capirlo da solo.
Perché investire tempo (e denaro) per educare il machine learning?
Cerco di spiegartelo con una lista di pro e contro.
Vantaggi
- raccogliere dati significativi (per te e per Facebook)
- risparmiare tempo per raggiungere gli obiettivi
- aumentare le interazioni con il tuo brand
- portare visitatori di qualità sul sito
- testare diverse soluzioni (tipi di campagne, tipi di creatività, tipi di pubblico)
- sfruttare dati statistici che non sono in tuo possesso
- risparmiare tempo in analisi molto complesse
Svantaggi
- maggior impegno iniziale (tempo, soldi, energie)
- minor controllo sulle variabili
Se hai un account Facebook dove disponi di un machine learning ben educato, ti sembrerà davvero di lavorare con un collega – competente – in più.
Come funziona il machine learning di Facebook
Breve ripasso di anatomia.
Ti dicevo che il machine learning è l’intelletto che risiede nel cervello (algoritmo).
L’intelletto, per funzionare, ha bisogno di ricevere informazioni che vengono raccolte e trasmesse al cervello tramite il sistema nervoso.
Nel caso di Facebook, cosa può essere paragonato al sistema nervoso?
Dai che lo sai… il pixel!
Quel codice che hai fatto installare serve proprio a raccogliere e a trasmettere i dati dal tuo sito, o dalla tua app mobile, a Facebook, permettendo al machine learning di elaborarli e di apprendere da essi.
In questo schema è illustrato in modo semplice come funziona la raccolta e la trasmissione dei dati.
Il tuo account è collegato al pixel, che raccoglie dati sul tuo sito e li invia sia al tuo account che a Facebook.
Contemporaneamente, il tuo pixel è collegato all’unità centrale di Facebook insieme a tutti gli altri pixel, che a loro volta sono collegati ai vari siti e account.
Puoi solo immaginare la quantità di dati che si trovano lì e che, tramite il machine learning, si possono elaborare.
Attenzione: il flusso di dati non è monodirezionale dal pixel a Facebook, ma avviene in entrambe le direzioni.
Le informazioni che il tuo pixel invia a Facebook sono “grezze”, mentre quelle che riceverà da Facebook saranno elaborate dal machine learning in base a quelle che ritiene possano essere utili per il tuo business.
Questo ci mette davanti a tre evidenze:
- il machine learning non può funzionare senza pixel
- se il machine learning è istruito, Facebook è agevolato a capire che tipo di visitatori stai cercando di intercettare
- è più facile analizzare i dati già filtrati dal machine learning e capire eventuali correlazioni tra di essi
Automatico e Automatizzato
La traduzione “apprendimento automatico” non mi piace perché non rende giustizia al lavoro – umano – di educazione che c’è dietro.
Piuttosto mi piace definirlo come l’insieme di due componenti:
- apprendimento automatico, tutto quello che riguarda l’apprendimento senza intervento umano
- apprendimento automatizzato, tutti quei processi di apprendimento impostati manualmente volti a rendere l’apprendimento automatico
E’ chiaro che la componente che si può educare e influenzare secondo gli obiettivi di business è quella dell’apprendimento automatizzato.
Come si educa il machine learning di Facebook
Senza giri di parole, il machine learning ha bisogno di dati per funzionare.
Un sacco di dati diversi provenienti dal tuo sito e dalle tue campagne.
Come avrai capito, per raccogliere dati c’è bisogno di dedicare una parte del budget solo a questa attività.
E se ti dicessi che c’è un modo per raccogliere dati significativi senza stravolgere la tua strategia pubblicitaria e gli investimenti?
Compiendo queste cinque azioni – che Facebook chiama Power5 – sul tuo account, posso dare un serio contributo all’educazione del machine learning secondo i tuoi obiettivi di business.
Auto Advanced Matching
Attiva questa funzione che permette al pixel di far combaciare meglio i dati del tuo sito con i dati degli iscritti a Facebook.
Account Simplification
Rendi più smart la struttura delle campagne, in modo da non separare elementi che potrebbero avere una correlazione non visibile.
Campaign Budget Optimization
Lascia al machine learning la libertà di distribuire il budget tra le diverse variabili.
Automatic Placement
Fai comparire gli annunci in tutti i posizionamenti possibili (ad oggi sono ben 19, lo sapevi?).
Dynamic Ads
Crea annunci dinamici inserendo solo le variabili, per creare l’annuncio perfetto il miglior annuncio possibile per un determinato potenziale cliente.
Così facendo, posso integrare queste azioni sul tuo account anche se hai già un impianto pubblicitario in essere e sfruttare la potenzialità del machine learning.
Ne beneficeranno sia le performance delle campagne che il traffico del tuo sito.
E tu, in che modo stai sfruttando il machine learning di Facebook? Raccontacelo in un commento. :)
Commenti