BLOG

Dal Machine Learning al Machine Teaching

Le piattaforme più utilizzate per la pubblicità online, come Google e Facebook, stanno affinando sempre di più i loro algoritmi.

L’automatizzazione è sempre più preponderante, al punto che campagne interamente basate sul machine learning come le Smart Shopping di Google, in molti casi funzionano meglio, delle loro antenate meno tecnologiche.

Si tratta di un trend iniziato qualche anno fa e in ascesa vertiginosa.

Provo a spiegarti meglio l’impatto di questi processi automatizzati.
L’ottimizzazione di una campagna è un processo ciclico in tre fasi:

  • raccolta dati
  • analisi e interpretazione dei dati
  • variazione degli elementi di campagna

Parlando di ottimizzazione dei costi per clic, fino a qualche anno fa quello che potevamo fare era “semplicemente” modificare il CPC massimo per ogni parola chiave, ovvero l’importo massimo che siamo disposti a pagare per un click.

Oggi però la situazione è molto più complessa, in quanto i fattori che concorrono a modificare il costo per clic sono molti di più. Il CPC varia non solo in base alla parola chiave digitata dalla persona, ma anche in funzione di:

  • ora del giorno
  • giorno della settimana
  • dispositivo
  • località (Paese, regione, provincia, città, ma anche distanza dai punti vendita…)
  • genere ed età
  • segmento di pubblico (sia di proprietà, ovvero chi ha visitato il tuo sito, sia di terze parti)

Incrociando anche solo due di queste variabili – giorno e ora – otteniamo 168 potenziali offerte diverse, come mostra il grafico di seguito riportato. Immagina se a questo aggiungessimo anche le altre variabili. Piuttosto complesso da gestire “a mano”, non trovi?

Oltre a queste l’algoritmo può controllare anche altri fattori, che a noi umani sono preclusi. Per quanto riguarda Google trovi una lista esaustiva (con qualche anticipazione su indicatori futuri) a questo link.

Come puoi immaginare si tratta di una mole di dati enorme. La sola fase di analisi occuperebbe un tempo tale da rendere inefficaci le modifiche successive, se a farla fosse un umano.
Un algoritmo può analizzare questi dati in pochi secondi e in alcuni casi, contestualmente apporta già le modifiche necessarie per avvicinarci all’obiettivo desiderato.

Cosa fare allora quando una campagna affidata interamente ad un algoritmo, non dà i risultati sperati? (E ti assicuro che l’ho visto succedere).

Il concetto di “machine learning” implica che la macchina (l’algoritmo) sia in grado di imparare. Questo processo di apprendimento però necessita di essere alimentato da informazioni accurate. Anziché fare il lavoro che potrebbe fare una macchina dobbiamo insegnare alla macchina a farlo al posto nostro.
Dobbiamo istruire l’algoritmo affinché possa usare i dati per portare le campagne a raggiungere gli obiettivi desiderati.

In MOCA abbiamo chiamato questa fase “machine teaching“.

Machine teaching: insegnare all’algoritmo a fare il lavoro sporco per te

Prima di iniziare ad istruire la macchina è necessario però che siano verificati due presupposti molto importanti:

  • il tracciamento deve essere impeccabile
  • gli obiettivi devono essere chiari

Questo secondo punto può sembrarti banale, me ne rendo conto. Non sai quante volte però, scopro che gli obiettivi non sono chiari affatto.

Ti faccio un esempio: se il tuo obiettivo è incrementare il fatturato, è molto probabile che per raggiungerlo ti ritroverai un costo per ordine più alto: investire su nuovi clienti avrà un costo maggiore rispetto al comunicare alle persone che ti conoscono già.

Se ti aspetti che le campagne ti aiutino a incrementare i contatti commerciali, non sorprenderti se avrai un calo nelle impression. Google non mostrerà il tuo annuncio ogni volta che digiti una certa parola chiave nella barra di ricerca: per raggiungere l’obiettivo mostrerà l’annuncio solo a chi ha elevate probabilità di compilare la tua form di contatto.

Assicurati questi due pilastri, l’attività di “machine teaching” prevede una configurazione iniziale della campagna accurata, che permetta alla macchina di apprendere in modo dettagliato su tutti i fronti in cui è programmata per apprendere:

Pensiamo ad esempio ai segmenti per il remarketing (uno di questi fattori). Per facilitare la fase di apprendimento dell’algoritmo cerchiamo di fornirgli una visione più dettagliata possibile di ciò che succede sul sito, creando segmenti di questo tipo:

In conclusione, oggi abbiamo la possibilità di processare in modo automatico grossi volumi di dati e apportare in modo altrettanto automatico miglioramenti alle nostre campagne. Affinché questo avvenga in modo profittevole sarà necessaria una fase preparatoria per istruire l’algoritmo e un frequente controllo delle performance.

Tu come la vedi? Hai già avuto modo di sperimentare gli effetti del machine learning nel digital advertising?

Vuoi avere via mail
anche i prossimi articoli?

  • contenuti pensati solo per la newsletter (oltre agli articoli del blog)
  • cadenza irregolare: quando c'è qualcosa da dire
  • 4.024 iscritti (no, non è dinamico: lo aggiorniamo quando ce ne ricordiamo)

Se ti è piaciuto questo articolo...

regalaci un momento di gloria e condividilo
nei tuoi profili social

Commenti

Lascia un tuo commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *