Machine learning a likvidita - 1. část

Co se pod pojmem machine learning skrývá?

Machine learning je fundamentální součástí digitálního marketingu. Zajišťuje, aby se ta správná reklama dostala ke správnému uživateli.

Pokud pochopíme na jakém principu machine learning pracuje a jaké proměnné do procesu vstupují, jsme na správné cestě k těm nejlepším výsledkům.

Machine learning využívá sérii algoritmů a prediktivní analýzu k nalezení toho správného publika ve správný čas a za nejlepší cenu. Velmi rychle zpracovává bezpočet informací v reálném čase a pomáhá nám tak zodpovědět například tyto otázky:

• Které zařízení je pro doručení naší message nejlepší?
• Které umístění reklamy funguje nejlépe?
• Jak bychom měli rozdělit budget mezi jednotlivá publika?
• Jaká publika s největší pravděpodobností provedou požadovanou akci?

Aby systém mohl doručovat ty nejlepší výsledky, potřebuje jistou míru flexibility. Klíčové slovo tohoto článku je “likvidita”.

‍Likvidita je velmi důležitou podmínkou pro to, aby systém mohl efektivně alokovat investice na reklamu tam, kde pravděpodobně dosáhnou těch nejlepších výsledků.

Existují čtyři hlavní dimenze, pomocí nichž lze míru likvidity ovlivnit:

• Rozpočet
• Umístění
• Publikum
• Kreativa

V tomto článku se blíže podíváme na první dimenzi, kterou je rozpočet. Ještě předtím si ale v rychlosti zopakujme pár základních věcí. Abychom mohli využít plný potenciál machine learningu, je důležité si správně definovat mediální strategii, která půjde ruku v ruce s businessovým cílem.

Jinými slovy, musíme dát systému ty správné vstupy, abychom získali požadované výstupy.

V první řadě je důležité si určit cíl pro každou kampaň.
Reklamní systém nabízí celkem 11 cílů, rozdělených do tří základních skupin:

• Awareness
• Consideration
• Conversion

Dalším důležitým vstupem jsou správné zdroje dat.
Aktuálně je stále ještě možné naplno využívat:

• Facebook Pixel
• Facebook SDK
• Offline conversion API

Nadcházející update iOS 14, související se změnou sdílení informací o uživatelích však přinese jisté změny i v možnosti využívání dat pro reklamní účely.

Likvidita v rámci nastavení rozpočtu

Hlavním tématem v souvislosti s rozpočtem je Optimalizace rozpočtu kampaně (Campaign Budget Optimization, dále jen CBO).
‍
CBO nabízí možnost optimalizovat rozpočet napříč všemi reklamními sadami a všemi reklamami v dané kampani v reálném čase.
‍
Pokud tedy nastavíte kampaň, zvolíte aukční nákup a nastavíte rozpočet na úrovni kampaně, algoritmus automaticky a průběžně hledá ty nejlepší příležitosti.

Můžeme si to blíže ukázat na konkrétním příkladu, kdy sledujeme strategii nejnižších nákladů.

Máme dvě sady reklam a každá má nastavený svůj vlastní rozpočet:  

V první sadě reklam existuje více relevantních uživatelů pro naši reklamu, ale má omezený budget.

Druhá sada reklam obsahuje méně relevantních uživatelů pro naši reklamu, zároveň má ale příliš vysoký rozpočet.

👉 V praxi to může vypadat tak, že si v polovině kampaně uvědomíme, že první reklamní sada
vyčerpala už veškerý svůj rozpočet, ale stále zde existuje spousta příležitostí. Zatímco v druhé
reklamní sadě zbývá velká část rozpočtu a velmi málo příležitostí.

👉 Manuální přesunutí rozpočtu mezi reklamními sadami ale způsobí resetování fáze
učení. To nevypadá jako to nejefektivnější řešení, že?

💡 Ve stejném scénáři by při využití CBO systém automaticky rozdělil rozpočet kampaně na reklamní sestavy s nákladově nejefektivnějšími příležitostmi. Což znamená jednodušší správu kampaní a eliminaci potřeby reklamní sestavy znovu vstoupit do fáze učení.

“Breakdown efekt”

Pokud využíváme CBO a strategii nejnižších nákladů, systém hledá nejnižší cenu za požadovanou akci na úrovni celé kampaně, nikoliv na úrovni konkrétní sady reklam. To znamená, že si můžeme všimnout, že reklamní sada, která má vyšší investovaný budget, nedoručuje výsledky s nejnižší cenou za akci. Důvodem je tzv. “breakdown efekt”. 

Můžeme si to opět uvést na příkladu.
Řekněme, že na reklamní sestavu A je alokováno 90% výdajů z celkového rozpočtu a má vyšší CPA.

Reklamní sestava B přijímá 10% výdajů z celkového rozpočtu a má nižší CPA.

👉 Pokud sada reklam B vyčerpala všechny své příležitosti s nejnižšími náklady, které se rovnají 1,10 USD, systém se přesune do sady reklam A, aby tam našel příležitosti s nejnižšími náklady.

👉  I když CPA v sadě reklam A může být vyšší, neznamená to, že systém investuje neefektivně.

💡 Pamatujte na to, když analyzujete výkon. Efektivita CBO se projevuje na úrovni kampaně, nikoli na úrovni konkrétní sady reklam.

Best practices

Na závěr se podívejme na několik osvědčených postupů při využití CBO.

Při používání limitů výdajů buďte velice opatrní, případně je nepoužívejte vůbec. Nastavíte-li limity rozpočtu pro konkrétní sady reklam, snížíte tím flexibilitu. Jako alternativu k limitům výdajů můžete použít kontrolu nákladů a nabídek (cost cap a bid cap) nebo návratnosti investic do reklamy (ROAS). To vám dává větší kontrolu nad tím, jak je rozpočet alokován, ale také to dává systému flexibilitu pro optimalizaci.

Zadruhé se ujistěte, že se reklama v rámci reklamních sad opravdu doručuje a systém na ní alokuje rozpočet. Pokud narazíte na problém, že se reklama nedoručuje, zkuste zvýšit limity nabídek (bid cap) nebo cílové náklady (target cost), pokud je to možné. Zároveň také můžete rozšířit cílení a upravit kreativu, nebo zkusit změnit optimalizaci na běžnější či jednodušší akci.

Co si tedy odnést z tohoto článku?

• Ke zvýšení likvidity rozpočtu využívejte CBO. To dává systému více příležitostí k alokaci výdajů tam, kde přináší nejlepší výsledky.
  
  
• Pamatujte na to, že CBO distribuuje rozpočet na úrovni kampaně, analýza výkonu na úrovni reklamní sady tedy může být zavádějící.
  
  
• Nepoužívejte limity výdajů na úrovni reklamní sady, jelikož to snižuje celkovou efektivitu. Využijte alternativní možnosti kontroly výkonu.
  ‍

Pár slov na úplný závěr

Vždy zvažujte možnost nastavení CBO v kontextu cíle konkrétní kampaně a strategie. CBO není univerzálním řešením pro každý případ. Zároveň machine learning není samospásný a neomylný. Je důležité využívat i svoje vlastní zkušenosti, testovat možnosti a vyhodnocovat nejlepší varianty nastavení.