• Strona główna
• Blog
• AI w Google Ads. Jak Google zaprzęga sztuczną inteligencję do marketingu w wyszukiwarce?

AI w Google Ads. Jak Google zaprzęga sztuczną inteligencję do marketingu w wyszukiwarce?

 

Od nieco abstrakcyjnej frazy, dedykowanej pasjonatom science fiction, po fundament formujący nasze doświadczenia w sieci. Sztuczna inteligencja na przestrzeni ostatniej dekady dokonała znacznego progresu pozwalając na lepsze, precyzyjniejsze i szybsze korzystanie z potencjału Internetu. Na czele technologicznego wyścigu zbrojeń jest dziś Google i jego ekosystem reklamowy.

Z pewnością na swoich urządzeniach mobilnych korzystaliście już z asystenta Google. Pytaliście go o trasę dojazdową? Opowiedzenie suchego dowcipu? Pogodę? A może o odtworzenie ulubionej piosenki w Spotify? Polskie wcielenie Asystenta może jeszcze razić brakiem płynności, ubogim zrozumieniem potrzeb i ograniczoną liczbą funkcji, ale klarownie wskazuje przyszłość i filozofię Google’a, którą najdobitniej podczas Google I/O wyraził CEO giganta, Sundar Pichai:

„Sztuczna Inteligencja ma pomóc nam we wszystkich aspektach życia codziennego. Od umówienia się na wizytę u fryzjera po diagnozę stanu zdrowia, od zaproponowania najszybszej trasy do pracy po wyszukanie najlepszej oferty na wakacje”.

Dziś we wszystkich usługach Google’a: od Gmaila, przez Mapy, Androida, po dokumenty i chmurę, kluczowa jest personalizacja pod użytkownika. Nie inaczej jest w ekosystemie reklamowym Google Ads, którego rdzeniem, swoistym spirtus movens przeobrażenia pod „AI – first” jest dziś INTENCJA.

Sztuczna inteligencja i nauczanie maszynowe – kluczowe rozróżnienie

Zanim jednak przejdziemy do tego, jak Google rozpoznaje i przetwarza nasze intencje, warto doprecyzować dwa buzzwordy, które zdają się być wszechobecne. Dziś wydaje się bowiem, że nawet szczoteczka do zębów może mieć sztuczną inteligencję i być programowana z użyciem nauczania maszynowego.

Sztuczna inteligencja to pojęcie bardzo ogólne, odnoszące się do wielu dziedzin nauki (od robotyki przez logikę aż po obliczenia ewolucyjne). W centrum SI (lub też AI) stoi założenie, że maszyna nabiera cech inteligentnych, a więc wymyka się reakcjom opartym stricte na zaprogramowanych wcześniej algorytmach. Z kolei Machine Learning, czyli nauczanie maszynowe, to praktyczne wdrożenie SI przez algorytmy uczące się i dostosowujące wskutek obserwacji. Za ML stoi założenie, że algorytmom potrzeba przede wszystkim ogromnych ilości danych, na podstawie których mogą odkrywać zależności, wzorce i niuanse.

Praktyczne wykorzystanie ML możemy dostrzec już w bardzo wielu miejscach. Przykładem są lekarze, którzy korzystają z ML przy wszelkiego rodzaju diagnozach. Na podstawie setek tysięcy zdjęć RTG coś, co do tej pory umykało oczom doświadczonych lekarzy i ich diagnozie, zostaje odkryte przez algorytmy nauczania maszynowego. Zresztą nie trzeba szukać tak daleko. Wystarczy, że wejdziecie do swojej skrzynki Gmail. Machine Learning pomaga w autouzupełnianiu tekstu (obecnie tylko w wersji angielskiej).

W centrum tematyki ML są jeszcze sztuczne sieci neuronowe – uproszczone, komputerowe modele mózgu, które służą do przetwarzania danych. Tym, którzy chcieliby głębiej zrozumieć proces przetwarzania danych w nauczaniu maszynowym, serdecznie polecam tutorial na YouTube, pozwalający z pomocą Python’a zbudować system, klasyfikujący obrazy bazujący na przetwarzaniu przez sieci neuronowe. Fantastyczna zabawa! Link do tutoriala znajduje się tutaj.

Intencja, czyli właściwie co?

Siadamy do komputera. Jest 16:30. Piątek, ciepły, sierpniowy wieczór. Wpisujemy w wyszukiwarkę „co się dzieje na mieście”. Proste zapytanie, na które oczekujemy prostej odpowiedzi. Interesują nas wydarzenia, imprezy, koncerty, najlepiej blisko nas. Jeszcze kilka lat temu taka fraza mogłaby przekierować nas do portalu z informacjami i wiadomościami. Dziś dostaniemy sprofilowane pod nasze potrzeby wyniki ze wskazaniami ulubionych miejsc, w których dzieje się coś ciekawego. Być może wyświetli nam się też mapka z godzinami otwarcia klubów, a dwa kliknięcia dalej będziemy mogli zobaczyć ile zajmie nam transport. Intencja – słowo klucz.

Personalizowane wyniki to rzecz jasna żadna nowość. Razem ze zmianą sposobu, w jaki korzystamy z wyszukiwarki – już nie czysto informacyjnie, ale też sprzedażowo („rower górski tanio”), poradnikowo („pomysły na śniadanie”) czy nawigacyjnie („najbliższa restauracja”) – zmienił się zasadniczo silnik serwowania treści. By lepiej rozumieć Twoje indywidualne potrzeby i zaoferować Ci najlepsze treści, Google zaprzągł algorytmy nauczania maszynowego do pracy. A pracować ma na czym, bo danych w całym ekosystemie Google’a nie brakuje. Żeby nie pozostać gołosłownym: zerknijcie na Wasz timeline na mapach Google’a  by sprawdzić jak dokładnie Google śledzi Waszą lokalizację. Sprawdźcie ustawienia personalizacji reklam, by wyciągnąć dane o waszym wieku, płci, zainteresowaniach, historii przeglądania, urządzeniach. Nie bez powodu w “branżuni” mówi się, że Google wie o nas więcej, niż my sami.

Reklama skrojona pod Ciebie

Google zbiera tysiące sygnałów o naszych zachowaniach w sieci, dzięki czemu może nas lepiej “profilować”, a efekty tej pracy widzimy My – reklamodawcy. Od jakiegoś czasu dostaliśmy dostęp do ML, i to w formie, która nie jest już tylko beta narzędziem, wypuszczonym dla największych na okres testów. Nie – potęgę ML możemy odczuć już w niewielkich kampaniach. Wsparcie ze strony nauczania maszynowego widzimy w ekosystemie Google Ads w czterech głównych obszarach:

• Targetowanie
  kampanie SDC (smart display campaigns), SSC (smart shopping campaigns) i UAC (universal app campaigns) biorą na siebie cały ciężar ustalania targetowania reklam. Jako specjaliści widzimy tylko efekt końcowy – koszty, przychody, kliknięcia. Nie widzimy natomiast żadnych danych o tym, jak dane kierowanie się sprawdziło.
• Kreacje
  Elastyczne reklamy w display’u to żadna nowość – są z nami już do ponad dwóch lat. Ale ich odpowiedniki w sieci wyszukiwania to nowinka ostatnich miesięcy. Możemy systemowi zaproponować kilka, kilkanaście różnych nagłówków reklam. W zależności od użytkownika system będzie kombinował te, które jego zdaniem są w tym momencie najskuteczniejsze.
• Bidowanie (ustalanie stawek)
  Automatyczne strategie ustalania stawek już na dobre okrzepły w krajobrazie działań performence’owych. Tam, gdzie jesteśmy w stanie zapewnić systemowi odpowiednią pulę danych (konwersji), tam zasadniczo Smart Bidding zwiększa przychody.
• Atrybucja
  Złoty Graal, który zmienił wszystko. Być może to najważniejsza zmiana. Wraz z możliwością zmiany modelu atrybucji na inny niż last-click, analitycy i specjaliści dostali narzędzie do lepszego, efektywniejszego pomiaru skuteczności kanałów i kampanii.

Złożoność, użytkownik i przyszłość

Jeszcze rok temu bez automatów i nauczania maszynowego mogliśmy się – jako specjaliści i stratedzy marketingowi – spokojnie obejść. Wystarczyła permanentna, ciągła praca optymalizacyjna, cyzelowanie stawek, testowanie komunikatów reklamowych, dostosowywanie budżetów, eksperymenty, czyli regularna SEM’owa robota, przerywana regularnymi dolewkami kawy. Z Analyticsem na lewym ekranie, panelem Ads na prawym i arkuszem Excela na podorędziu można było walczyć o konwersje w dość klarownym, przewidywalnym schemacie. Dziś sens takiego działania poddaje się w wątpliwość nawet na małych kontach, z mocno reklamowaną ostatnimi czasy adopcją Adwords Express przez nowy panel Ads’owy. Ba! Doszło nawet do tego, że konsultanci Google’a zaczną sami optymalizować kampanie (optymalizować, czyli podłączać automaty).

Czołg zmian, podyktowany strategią „AI – first”, jest nie do zatrzymania. Stoi za nim próba lepszego zrozumienia aktywności użytkowników w sieci i dostosowania się do nich. Co jakiś czas dostajemy garść informacji o tych zachowaniach, jak na przykład o tym, że lejek zakupowy – to fundamentalne, arcyważne narzędzie marketingowe, towarzyszące nam od lat – nie jest warte funta kłaków. W obliczu skomplikowanej, wieloetapowej ścieżki konsumenta, złożonej z dziesiątek różnych bodźców, przedstawianie jej za pomocą liniowej podróży od zauważenia po konwersję jest co najmniej archaizmem. Według Google’a realna ścieżka ma dziś kształt skomplikowanego diagramu, w którym inspiracja miesza się z potrzebą, a budowanie świadomość marki (jak np. YouTube) może defacto finalizować konwersje.

W obliczu tak gigantycznej złożoności, automatyzacja przez wykorzystanie nauczania maszynowego jest koniecznością.

Źródła:
1. Academy on Air
2. https://www.thinkwithgoogle.com/consumer-insights/marketing-funnel/

Zapisz się do newslettera i otrzymaj bezpłatnie e-book!

Zapisz mnie