Krótka lekcja na temat działania uczenia maszynowego… CZEKAJ! Nie idź!
Wiem wiem. Nauka o uczeniu maszynowym wydaje się równie ekscytująca, jak obserwowanie rosnącej trawy.
Ale zaufaj mi, będziesz chciał się tego trzymać z dwóch powodów…
Po pierwsze, uczenie maszynowe (ML) to świat, w którym żyjemy obecnie dzięki marketingowi. Ciągły sukces w dużej mierze wymaga przynajmniej podstawowego zrozumienia, w jaki sposób maszyny manipulują (lub, jeszcze lepiej, jak można nimi manipulować!).
Po drugie, nie potrzebujesz doktoratu. (lub nawet GED), aby zrozumieć, jak działa ML. Wszystko, co musisz zrozumieć, to mrówki.
Tak, mrówki. Te pełzające robale, na które nie zwracasz zbytniej uwagi, chyba że są w twoim domu lub uciekają z twoim piknikowym lunchem.
Oto, jak mrówki mogą pomóc Ci zrozumieć ML lepiej niż większość:
Okazuje się, że mrówki to fascynujące stworzenia. Jednym ze sposobów osiągnięcia tego celu jest użycie feromonów.
Podczas podróży mrówki pozostawiają po sobie ślad feromonów. Tym szlakiem mówią swoim przyjaciołom-mrówkom, jak dostać się do źródła pożywienia.
Wszystkie mrówki wiedzą, że jeśli podążą za tą linią feromonów, dotrą do pożywienia.
(Są w tym tak zatwardziali, że mogą zostać złapani w „Krąg Śmierci”, gdzie maszerują w kółko, aż nie mogąc uwolnić się od śladu feromonów, umrą. Oto „krótki film” tego zjawiska.)
Ci z Was, którzy byli ciekawskimi (diabelskimi?) dzieciakami, wiedzą, że ten ślad feromonowy jest dość łatwy do zakłócenia.
Aby zadzierać z mrówkami, wystarczy przesunąć palcem po szlaku. To usuwa część feromonów w innym kierunku.
Co dezorientuje biednych robali.
Ponieważ dla mrówek ta linia feromonów jest miarą tego, dokąd muszą się udać. To ich połączenie ze źródłem pożywienia, a kiedy to połączenie zostanie zerwane, mrówki nie wiedzą, dokąd się udać i co robić.
Uczenie maszynowe działa w bardzo podobny sposób.
Mówiąc prościej, ML wytycza szlak do konwersji, wykorzystując wszystkie dane, które zostaną do niego wprowadzone.
Na podstawie tych danych (słowa kluczowe, strony docelowe, stawki, odbiorcy, czas, lokalizacja itp.) buduje model sukcesu kampanii.
Zasadniczo określa, gdzie są konwersje, a następnie tworzy linię prostą, aby dotrzeć tam skutecznie i konsekwentnie.
Ale podobnie jak w przypadku mrówek, możesz namieszać w ML, jeśli złamiesz tę linię.
Wprowadzanie zmian w kampanii ML jest równoznaczne z przesuwaniem palca po śladzie feromonów mrówek.
W przypadku mrówek, jeśli zakłócenie ich szlaku jest stosunkowo niewielkie, nie stanowi to wielkiego problemu. Ich prosta linia może być nieco szersza. Mogą trochę pobłądzić, aby ponownie trafić na trop. Ale ostatecznie większość z nich nadal może znaleźć pożywienie.
To samo z drobnymi poprawkami w kampaniach ML…. maszyna *powinna* nadal być w stanie znaleźć drogę do konwersji.
Ale jeśli wprowadzone zmiany będą zbyt duże, wtedy wszystko może się rozpaść dla mrówek – i ML.
W przypadku kampanii ML może to oznaczać wprowadzenie poważnych zmian na stronie docelowej lub zbyt duże zwiększenie docelowego kosztu działania lub zwrotu z wydatków na reklamę w kampanii.
Jest to odpowiednik przeciągania palcem wielkości Andre the Giant po szlaku, który ML zbudował do konwersji. Zakłócenie jest tak duże, że maszyna się zdezorientuje, a jej model ulegnie awarii.
Może to spowodować, że Twoja kampania (a w niektórych przypadkach nawet całe konto) ulegnie całkowitemu rozpadowi.
I dlatego, drogi czytelniku, musisz być tak cholernie ostrożny, wprowadzając zmiany w kampaniach ML!
Trzeba przyznać, że Google pod tym względem wygląda coraz lepiej. Obecnie prawdopodobieństwo całkowitego załamania kampanii jest mniejsze niż miało to miejsce 6 miesięcy czy rok temu.
Jednak ML używany przez wielu innych graczy Big Tech wciąż nadrabia zaległości.
Na przykład niedawno miałem kampanię uczenia maszynowego w Microsoft Ads, która rozpadła się po prostu podnosząc budżet z 57 do 63 dolarów dziennie. (Nawiasem mówiąc, była to podwyżka zalecana przez MS Ads — dzięki za tę niesamowitą radę, Microsoft — grrrrr!)
Tak czy inaczej, oto dwie wskazówki, z którymi możesz się pożegnać:
1. Ogólnie rzecz biorąc, im bardziej uda Ci się trzymać swoje wielkie chwyty z daleka od kampanii wykorzystujących systemy uczące się, tym lepiej.
Jeśli chcesz wprowadzić duże zmiany w kampaniach (przynajmniej w Google), zalecamy skorzystanie z Eksperymentów.
Podziel każdą zmianę, którą chcesz przetestować, na osobny eksperyment podzielony na 2-tygodniowe fragmenty (lub coś podobnego).
Dzięki temu algorytm nie będzie wariował w przypadku działającej kampanii… a jednocześnie pozwoli Ci zobaczyć, co prawdopodobnie by się stało, gdyby zastosować tę zmianę w całej kampanii.
2. Jeśli dokonasz zmian i Twoja niegdyś świetnie prosperująca kampania zamieni się w stertę śmieci, oto sugestia…
Najlepszym sposobem na „zresetowanie” kampanii jest usunięcie z niej uczenia maszynowego.
Tak, przejdź na Old School i zarządzaj kampanią tak wolną od jakichkolwiek wpływów ML, jak to tylko możliwe.
Wróć do punktu, w którym uzyskasz dobre dane, wyniki, akceptowalny CPA itp. Następnie, gdy już wyprostujesz statek i zmierza on w dobrym kierunku, możesz ponownie włączyć ML, aby wypalić nowy szlak do konwersji.
Widzisz, nauka uczenia maszynowego nie jest taka zła!
Tak naprawdę dodatkową korzyścią z tej lekcji jest to, że jeśli spędzasz czas przy grillu na podwórku i chcesz zaimponować znajomym i rodzinie, po prostu powiedz im o mrówkach i uczeniu maszynowym!
Po prostu warto mieć w pobliżu jakiś rajd na wypadek, gdyby jakieś mrówki próbowały przedostać się feromonowym szlakiem do sałatki owocowej.
