ถาม & ตอบจากการสัมมนาผ่านเว็บของเรา 'Leveraging & Auditing AI for Better Search Advertising in Your Industry'

เมื่อต้นเดือนนี้ Marc Poirier ผู้ร่วมก่อตั้งของ Acquisio และฉัน Brad Geddes แห่ง Adalysis ได้รวมตัวกันเพื่ออภิปรายที่น่าสนใจเกี่ยวกับผลกระทบของปัญญาประดิษฐ์ในการค้นหาที่เสียค่าใช้จ่าย เฟรมเวิร์กที่ผู้จัดการแคมเปญจำเป็นต้องใช้ประโยชน์จาก AI และสิ่งที่นำไปสู่การตรวจสอบนี้ เทคโนโลยี.

คุณพลาดการสัมมนาทางเว็บหรือไม่? ชมบันทึกได้ที่นี่!

Marc และฉันได้รับคำถามดีๆ จากผู้ชม แต่น่าเสียดายที่เราหมดเวลาก่อนที่เราจะตอบคำถามได้ทั้งหมด แต่ดังที่เราได้สัญญาไว้ในการสัมมนาทางเว็บ คุณสามารถตรวจสอบคำตอบสำหรับคำถามทั้งหมดของคุณด้านล่าง

1 – คุณรู้สึกอย่างไรเกี่ยวกับแมชชีนเลิร์นนิงของ Google คุณเคยตั้งค่าการทดสอบ A/B ที่ทำให้ Acquisio เทียบกับแมชชีนเลิร์นนิงของ Google หรือไม่

Brad: แมชชีนเลิร์นนิงของ Google เมื่อพูดถึงโฆษณานั้นแย่มาก ไม่สำคัญหรอกว่าจะเป็นการสร้างโฆษณา การแสดงโฆษณา RSA การเพิ่มประสิทธิภาพ (ซึ่งแย่มาก) ไม่ใช่แฟนตัวยง เมื่อพูดถึงรายการที่คล้ายกัน ฉันคิดว่ามันน่าทึ่ง แต่ระดับความอดทนของฉันแตกต่างกันมาก สำหรับรายการที่คล้ายกัน ถ้าฉันได้ลูกค้าใหม่ 10% ที่ฉันไม่เคยรู้จักมาก่อน ฉันก็ดีใจจริงๆ ฉันจะไม่ปิดบังคำพูดว่าพวกเขาดีหรือไม่ดี Google เก่งคณิตศาสตร์มาก พวกเขาไม่เก่งเรื่องความคิดสร้างสรรค์ ฉันแบ่งพวกเขาเล็กน้อยในพื้นที่เหล่านั้น

Marc: ในแง่ของการเปรียบเทียบ เราทำอยู่ตลอดเวลา เรากำลังพยายามสร้างวินัยให้มากขึ้นและรับตัวอย่างลูกค้าจำนวนมากที่ใช้การเสนอราคา CPA เป็นต้น เรายังไม่มีงานวิจัยอย่างเป็นทางการเกี่ยวกับเรื่องนั้น – ยัง! แต่ Google แก้ปัญหาที่แตกต่างออกไป เรากำลังพยายามใช้จ่ายเงินของคุณ (ในราคาที่ เหมาะสม ของการคลิกหรือ Conversion แทนที่จะมุ่งไปที่ราคาที่กำหนด) แต่อย่าใช้งบประมาณเกินกำลังในขณะที่เพิ่ม Conversion ให้สูงสุด

2 – หากคุณมีวงจรการขายที่ยาวนาน เช่น 3-6 เดือน วิธีที่ดีที่สุดคือการใช้ข้อมูลนั้นร่วมกับลูกค้าเป้าหมายที่เข้ามาในแต่ละวันอย่างไร คุณควรป้อนกลับเฉพาะในลูกค้าเป้าหมายที่แปลงจริงหากข้อมูลอยู่หลังราคาเสนอปัจจุบันเป็นเดือนๆ หรือไม่

แบรด: นี่เป็นคำถามเชิงปรัชญามากเท่ากับคำถามเกี่ยวกับข้อมูล ฉันพยายามคัดเลือกลูกค้าเป้าหมายโดยเร็วที่สุด MQL ของฉัน – ลีดที่ผ่านการรับรองด้านการตลาดของฉัน – ควรทำอย่างมากที่สุดภายใน 2-7 วัน แมชชีนเลิร์นนิง ทำงานล่วงเวลา 7 วัน ไม่มีปัญหา หากเรามีคุณสมบัติในการขายได้ภายใน 7-14 วัน ฉันขอทำงานเกี่ยวกับข้อมูลนั้นดีกว่า ฉันจะทำงานในการขายที่ปิด 6 เดือนต่อมาหรือไม่ ไม่ฉันจะไม่

ในกรณีของข้อมูลล่าช้า คุณควรใช้วิธีการสองง่ามในการเรียนรู้ของเครื่อง ประการแรกคือการให้ข้อมูลล่าสุดแก่เครื่องเพื่อใช้ในการตัดสินใจ นี่อาจเป็นโอกาสในการขาย (การตลาดที่ผ่านการรับรองหากเป็นไปได้) หรือสัญญาณของการเยี่ยมชมคุณภาพ ซึ่งจะช่วยในการจัดการการเสนอราคาแบบวันต่อวัน

จากนั้นคุณควรป้อนกลับข้อมูลการขายจริงและดูว่าข้อมูลการขายสอดคล้องกับข้อมูลลูกค้าเป้าหมายที่ผ่านการรับรองอย่างไร ถ้ามันเข้าแถวกันอย่างใกล้ชิด คุณสามารถพึ่งพาสัญญาณระยะสั้นได้ หากไม่เป็นเช่นนั้น จากนั้นคุณต้องการเจาะข้อมูลเพื่อดูว่าเหตุใดจึงไม่เรียงกัน อาจมีคีย์เวิร์ด สถานที่ ช่วงเวลาของวัน หรือสัญญาณอื่นๆ ที่นำไปสู่ลูกค้าเป้าหมายคุณภาพต่ำ ในกรณีเหล่านี้ คุณต้องการปรับเปลี่ยนแคมเปญเพื่อให้ข้อมูลระยะสั้นและระยะยาวสอดคล้องกัน

Marc: เราทำเรื่อง Lead gen มากมายสำหรับตัวเราเองที่ Acquisio และเรามีปัญหานั้น คนจะพิจารณาสินค้าสักระยะก่อนที่จะซื้อและอาจนาน เอเจนซีมีแนวโน้มมากกว่าผู้โฆษณาที่จะใช้ผลิตภัณฑ์ของเรา และเราทราบจำนวนบัญชีที่พวกเขาจัดการ หากพวกเขามีบัญชีภายใต้การจัดการมากกว่า พวกเขามักจะใช้ผลิตภัณฑ์ของเรา เรามีความเข้าใจที่ดีเกี่ยวกับตลาดของเราและที่ใดที่เราจะประสบความสำเร็จ ดังนั้นแบบฟอร์มที่เรามีสำหรับคำขอการสาธิตและอื่น ๆ จะเก็บข้อมูลนั้นไว้ให้เรา เราใช้มันสำหรับการประมูล? เราไม่ อัลกอริทึมไม่ได้ออกแบบมาเพื่อจับภาพสิ่งนี้ (ทำได้ แต่ปัจจุบันไม่ใช่)

Brad: สำหรับบริษัท Lead Gen ทั้งหมด ข้อมูลใดที่คุณให้เครื่องดู เทียบกับข้อมูลที่คุณใช้ภายใน คุณต้องการทราบว่า 'นี่คือลีดทั้งหมดของเราและนี่คือลีดที่ผ่านการรับรองของเรา' เพื่อให้คุณสามารถดูเปอร์เซ็นต์ที่มีคุณสมบัติและรับจำนวนนั้นสูงขึ้นได้ แต่จากนั้นคุณอาจส่งหนึ่งในตัวเลขเหล่านั้นกลับไปที่บัญชีของคุณเพื่อให้เครื่องจักรทำงานได้ จาก.

3 – คุณพิจารณาฤดูกาลโดยไม่ใช้กรอบเวลามองย้อนกลับแบบยาว / ข้อมูลย้อนหลังอย่างไร

Marc: Acquisio Turing สังเกตแนวโน้มระยะสั้นถึงปานกลางในข้อมูลและตัดสินใจตามแนวโน้มเหล่านั้น อัลกอริทึมของเราตัดสินใจเฉพาะข้อมูลปัจจุบัน โดยตอบสนองต่อการเปลี่ยนแปลงตามฤดูกาลในการประมูลเพื่อหลีกเลี่ยงการใช้จ่ายมากหรือน้อย ดูบทสัมภาษณ์ของเรากับ Richard Couture ผู้ร่วมก่อตั้งคนอื่นๆ ของ Acquisio และ Jason MacDonald เกี่ยวกับการจัดการฤดูกาลของ PPC

4 – เนื่องจาก Google เป็นหนึ่งในผู้เล่นที่ก้าวหน้าที่สุดในพื้นที่ AI และ ML อะไรจะป้องกันไม่ให้พวกเขาทำให้โมเดลเอเจนซีเกือบจะล้าสมัย หากพวกเขาสามารถสร้างแพลตฟอร์มบริการตนเองที่มีประสิทธิภาพอย่างแท้จริงซึ่งใช้จ่ายเงินของลูกค้าอย่างมีประสิทธิภาพ... หน่วยงานใดจะเหมาะสมในอนาคต

แบรด: เมื่อเราเปรียบเทียบสิ่งที่มนุษย์กับคอมพิวเตอร์ทำได้ดี เราเห็นแนวโน้มที่สำคัญบางประการ ประการแรกคือกลยุทธ์ เครื่องจักรไม่รู้ว่าบริษัทของคุณต้องการทำอะไรให้สำเร็จ พวกเขาไม่มีข้อมูลเกี่ยวกับวิธีการที่ผู้ใช้ซื้อจากคุณ การรับรู้ที่คุ้มค่า และวิธีทำให้ธุรกิจของคุณเติบโต สิ่งนี้อยู่ในโลกของเอเจนซี่และนักการตลาดภายในองค์กร

จนถึงตอนนี้ คอมพิวเตอร์ล้มเหลวอย่างมากในทุกสิ่งที่สร้างสรรค์ ซึ่งครอบคลุมตั้งแต่ลักษณะของโฆษณา ข้อเสนอ และเนื้อหาเว็บไซต์ เมื่อพูดถึงแคมเปญโฆษณา ตั้งแต่กลยุทธ์ไปจนถึงการสร้างสรรค์ไปจนถึงการดำเนินการ สิ่งนี้อยู่ในเอเจนซี่และโลกแห่งการตลาดภายในองค์กร

ข้อมูลเชิงลึกเพื่อขับเคลื่อนความพยายามทางการตลาดของคุณไปข้างหน้ามาจากการตีความโดยมนุษย์ เครื่องจักรสามารถสร้างรายงานและแสดงแนวโน้มของข้อมูลได้โดยอัตโนมัติ แต่พวกเขาไม่รู้ ว่าทำไม กระแสเหล่านั้นถึงเกิดขึ้น การตีความข้อมูล การเล่าเรื่องข้อมูล และข้อมูลเชิงลึกควรเป็นส่วนหนึ่งของโลกมนุษย์มาอย่างยาวนาน

เมื่อพูดถึงการเสนอราคา รายงานอัตโนมัติ และการทำงานที่ทำซ้ำได้ แมชชีนเลิร์นนิงก็ยอดเยี่ยม เมื่อพูดถึงกลยุทธ์ ความคิดสร้างสรรค์ การเล่าเรื่อง และเหตุใดจึงมีบางสิ่งเกิดขึ้นและวิธีตอบสนองต่อสิ่งนั้น นั่นคือสิ่งที่มนุษย์ต้องนั่งในระบบนิเวศทางการตลาด

5 – คุณกำลังพิจารณาต้นทุน/รายได้เพื่อเพิ่มประสิทธิภาพราคาเสนอของ Google Shopping เป็นหลักใช่หรือไม่

Marc: Acquisio Turing เพิ่มประสิทธิภาพแคมเปญช็อปปิ้งสำหรับเป้าหมายเดียวกันกับแคมเปญอื่นๆ ไม่ว่าจะเป็น CPC หรือ CPA ปีที่แล้วในช่วงเวลานี้ เราได้จัดสัมมนาผ่านเว็บกับ Seer Interactive พร้อมเคล็ดลับในการเพิ่มประสิทธิภาพแคมเปญ Google Shopping ในนาทีสุดท้ายของคุณ

6 – คุณจัดการกับปัญหาการรับส่งข้อมูลต่ำด้วยโซลูชัน ML ของคุณอย่างไร

Marc: เมื่อต้องเผชิญกับการจราจรที่คับคั่ง Acquisio Turing ใช้การผสมผสานระหว่างการปรับตัวเพื่อรวบรวมข้อมูลที่เพียงพอสำหรับงานที่อยู่ในมือ รวมถึงการดึงข้อมูลจากกลุ่มข้อมูลที่มีปริมาณการใช้ข้อมูลต่ำเพื่อช่วยในการตัดสินใจ

ที่น่าสนใจคือ อัลกอริธึมของเราทำงานได้ดีมากโดยใช้งบประมาณเพียงเล็กน้อย ดังนั้นนักการตลาดในเครือข่ายการค้นหาที่มีการเข้าชมต่ำจึงไม่ควรกลัวที่จะลองใช้แมชชีนเลิร์นนิงของเรา

7 – เท่าที่ฉันรู้ Google Ads ไม่ได้แชร์ข้อมูลแบบเรียลไทม์ คุณสามารถรับได้เฉพาะข้อมูลรายวันเท่านั้น เป็นไปได้อย่างไรที่จะเรียกใช้การเพิ่มประสิทธิภาพราคาเสนอแบบเรียลไทม์

Marc : เราใช้ประโยชน์จาก Google API ซึ่งโชคดีที่มีข้อมูลแบบเรียลไทม์ Acquisio Turing จะย่อยข้อมูลนั้น เรียนรู้จากข้อมูลนั้น และเพิ่มประสิทธิภาพราคาเสนอของคุณทุกๆ 30 นาที ซึ่งจะทำให้จำนวนคลิกและ Conversion เพิ่มขึ้น

8 – คุณต้องมี Conversion จำนวนเท่าใดในการเพิ่มประสิทธิภาพสำหรับ Conversion

Marc: ในการเพิ่มประสิทธิภาพสำหรับ Conversion อย่างเหมาะสม ขอแนะนำให้มีอย่างน้อยหนึ่ง Conversion ต่อวันในช่วง 30 วันที่ผ่านมา แต่แน่นอนว่า จะดีกว่าถ้าแคมเปญให้ผลลัพธ์ 5-10 Conversion ต่อวัน เนื่องจากจะทำให้อัลกอริทึมมีข้อมูลในการทำงานมากขึ้น

นานาน่ารู้: คอนเวอร์ชั่นต้องถูกติดตามด้วยพิกเซลคอนเวอร์ชั่นของ Google Ads และควรรวมคอนเวอร์ชั่นเดียวเท่านั้นในคอลัมน์คอนเวอร์ชั่น

9 – สิ่งนี้ใช้ได้กับโฆษณาแบบดิสเพลย์ด้วยหรือไม่

แบรด: ครับ ข้อมูลคือข้อมูล หากโฆษณาแบบดิสเพลย์ของคุณกำลังเพิ่มการแสดงผลและการแปลง จากนั้นคุณก็ทำให้การประมูลและการจัดการประเภทนี้เป็นแบบอัตโนมัติได้เช่นกัน

เครดิตรูปภาพ

ภาพเด่น: Unsplash / Zach Lucero