Šta prvo pomislite kad kažemo likvidnost?

Kad sam se prvi put susreo sa ovim izrazom na Facebook Blueprint edukacijama prva asocijacija mi je bila protok novca i finansije. Ovde nije to u pitanju. U ovom konkretnom slučaju reč likvidnost ima veze sa oglašavanjem i sistemima mašinskog učenja (machine learning) u oglašavanju.

Ovakvi sistemi su uveliko u upotrebi u različitim industrijama i koriste se za različite svrhe. A kako to funkcioniše u kontekstu digitalnog marketinga?

Ovde taj sistem koristimo da nam pomogne prilikom donošenja bitnih odluka i optimizacija u realnom vremenu vezanih za oglašavanje i bidovanje oglasa na oglasnoj platformi. Postoji puno različitih faktora koji utiču na cenu oglasa, pošto je sistem aukcija koji koristimo pri oglašavanju veoma živ i menja se prilično brzo. U svakom momentu hiljade oglašivača se nadmeću u pokušajima da dođu do željenog auditorijuma u jedinici vremena. Jasno je da nam treba način za skaliranje i sistematizaciju pristupa algoritmu. Takođe, postoji potreba za pravim odabirom uređaja, platformi i odredišta plasmana koji daju najbolji efekat. To je, u suštini, i definicija mašinskog učenja na Facebook oglasnoj platformi.

Mašina nam daje odgovor na pitanje koji oglasi nam najbolje prolaze, kako najefikasnije da rasporedimo budžet ili kreative. Uz pomoć ovog sistema pružena nam je mogućnost da kreiramo fleksibilne kampanje bez restrikcija koje mogu da uguše rezultate. Reklo bi se da postavljamo sve na automatski mode, držimo sve upaljeno, dajemo algoritmu slobodu da upravlja svim mogućim opcijama i traži onu koja daje najbolje. Tu počinje priča o likvidnosti oglasne platforme.
Likvidnost u oglašavanju znači da dozvolimo mašini što više, tj. da joj postavimo što manje restrikcija prilikom kreiranja kampanje i damo veliki manevarski prostor algoritmu da krene da uči, meri rezultate i da koristi sve podatke bez limita. Informacija treba da teče slobodno, na svim frontovima.

Na primer, imamo kampanju koja cilja određene ljude. Šta će se desiti ako ciljnu grupu striktno ograničimo?

Dolazimo do manjeg broja ljudi, svakako. Ukoliko proširimo target i napravimo ga manje restriktivnim dozvoljavamo bolji protok, likvidnost. Dajemo više slobode algoritmu da dođe do najbolje ciljne grupe u realnom vremenu.
Da bi sistem mašinskog učenja radio kako treba prvenstveno moramo da znamo naše ciljeve. Treba da razmišljamo strateški, da znamo šta zapravo želimo da ostvarimo. Da li radimo na brand awareness delu ili želimo da oglašavanjem dođemo do konkretnih prodaja. Pre postavljanja sistema i punjenja istog informacijama moramo da budemo načisto sa tim.

Sledeća stvar je kakvim kreativnim rešenjima se predstavljamo. Kreative i ciljevi nisu nešto što kreiramo mašinski. To sistem ne kontroliše. Ovo je do nas i naših glava.
Facebook navodi jedan dobar primer. Ukoliko koristite navigaciju da dođete do neke prodavnice, navigacioni uređaj (algoritam) će vas odvesti najkraćim i najbržim putem do nje. Ali pre svega toga, pre nego što se bilo šta od ovoga desi, vi morate sistemu da kažete u koju prodavnicu hoćete konkretno da odete.

Zato pre svega treba postaviti pitanje gde sam sad i kuda hoću da odem?

Mašina je prilično beskorisna ukoliko nemamo kreiranu strategiju ili moć strateškog razmišljanja. Nameće se zaključak da mi hranimo algoritam podacima, a ti podaci moraju da budu kvalitetni, relevantni i da ih bude u dovoljnoj količini da bi sistem na osnovu toga mogao da uči. Posle faze učenja sistem će biti spreman da napravi različite odluke i optimizacije naših kampanja u realnom vremenu.
Na primer, dosta podataka kojima hranimo mašinu dolaze sa sajta. Kako znamo koje akcije se odigravaju na našem sajtu i kako one utiču na mašinu?
Znamo ako imamo instaliran pixel, parče koda koje može da inicira različite event-ove koji nam mere konverzije. Pixel tako skuplja informacije i ima mogućnost da kaže sistemu različite podatke o ponašanju ljudi na sajtu. On nam pomaže da shvatimo koje akcije su se desile i kada. Takođe, imamo i SDK koji je sličan pixel-u, i samo se odnosi na akcije na aplikacijama.

Alati za likvidnost

Postoje četiri alata koji šire ili ograničavaju slobodu algoritmu:

Optimizacija po kampanjskom budžetu –  u okviru ove optimizacije ne delimo budžet po ad set-ovima nego na nivou kampanje. To znači da će sistem kontrolisati svaki ad set. Na primer, ako je jedan set potrošio budžet, a drugi ga još ima, i desi se da ljudi iz prvog postanu online javlja se nova prilika za rezultat. Ukoliko delimo novac po set-ovima nećemo doći do tih ljudi, a ako je podela na nivou kampanje, sistem će prebaciti novac tamo gde se javljaju novi potencijalni kupci. U suštini, budžet se troši tamo gde je cilj kampanje jeftiniji. Potrošnja na nivou kampanje je i preporuka Facebook-a za kreiranje strukture kampanja i svakako daje veću slobodu algoritmu da napravi validne odluke za njihovu optimizaciju.

Kreiranje auditorijuma – alat za kreiranje vašeg auditorijuma je vrlo moćan. Možete „uhvatiti” ljude na različite načine. Na primer, one koji su ubacili nešto u korpu na sajtu, a nisu kupili. Posle hoćete da im plasirate baš taj proizvod iz korpe. Opet, možete da raširite target, da pronađete ljude slične njima, po demografiji ili geografiji. Postoji mogućnost da pronađete ljude specifičnog ponašanja ili interesovanja. One u braku, one koji su vereni, roditelje, ljude koji su rođeni u određenom mesecu i njihove prijatelje. Mogućnosti je puno, ali ne smemo da preteramo i da ne postavimo previše informacija i restrikcija sistemu. Moramo ostaviti prostora da mašina može da nalazi nove mogućnosti. Ukoliko unosite interesovanja unesite ih više. Time se širi potencijalna ciljna grupa. Algoritam to vidi kao uniju skupova, gde je svaki skup jedno interesovanje. Ako dodajete ljude slične ljudima koji su izvršili neku akciju (lookalike audience) nemojte dodatno unositi ograničenje po gradu ili interesovanjima. To je previše informacija i tok se sužava.

Automatski plasmani oglasa – Postoje četiri velika plasmana na kojima oglasi mogu da se postave: Facebook, Instagram, Audience Network i Messenger. Svaki od ovih velikih ima i podgrupe. Sa automatskim plasmanom vaš oglas će se prikazivati na svim odredištima u Facebook sistemu. Likvidnost mašinskog učenja je tad vrlo dobra. Sistem će forsirati odredišta sa manjom cenom plasmana oglasa. Ukoliko postavimo neki oglas samo na Facebook-u, a ugasimo Instagram postoji mogućnost da smo potencijalno ugasili jeftinije odredište koje bi donosilo bolji rezultat. Za više plasmana koje postavimo postoji veća mogućnost za nalaženje jeftinijih konverzija, kakve god one bile. Još jedna vrlo bitna stvar je da ne moramo da menjamo kompletnu kampanju ukoliko je rezultat loš ili preskup. Ovo je jednostavniji proces u suštini.

Optimizacija kreative – Sledeća stvar u procesu automatskog plasiranja oglasa o kojoj moramo da se zapitamo je kako naša kreativa izgleda na različitim plasmanima. Dimenzije vizuala za Instagram i Facebook stories se razlikuju od vizuala na news feed-u. Platforma nam omogućava da postavimo jednu kreativu i sistem će automatski prilagoditi istu za različite plasmane. Ova opcija jeste korisna, ali nije uvek preporučljiva i nije baš srećno rešenje. Postoji još bolja opcija. Možemo sami direktno da postavimo različite vizuale za različite plasmane.
Ono što imamo kao mogućnost je i dinamička optimizacija jezika, ali iz ličnog iskustva to nikako nije preporučljivo. Sistem vrlo nespretno prevodi sa jednog jezika na drugi. Preporučljiva opcija je svakako dinamičko postavljanje kreative. U mogućnosti smo da na jedan oglas postavimo više različitih tekstova i vizuala, sa različitim naslovima i pozivima na akciju. Sistem na osnovu svih ovih podataka kreira različite kombinacije oglasa i na osnovu rezultata sam odlučuje koju će kreativu forsirati. Opet dolazimo do toga da mašini dajete slobodu čak i u konstrukciji oglasa. Definitivno postoji više nivoa likvidnosti. Prilikom oglašavanja na Facebook platformi vidimo da se puno stvari dešava „ispod haube”. Različiti alati od optimizacije budžeta, auditorijuma, plasmana, pa i same kreative su vrlo korisni i omogućavaju više fleksibilnosti sistemu mašinskog učenja čime on postaje likvidniji, ima dobar protok, pa dolazimo do boljih rezultata i nižih cena naših kampanja.

Realno, mi podižemo učinkovitost algoritma preko dobrih podataka. To je jedini način da okrenemo mašinu da radi u našu korist. Mi smo navigatori. Ako je ne navedemo dobro, ona sama neće znati put.

Ukoliko vam treba podrška u oglašavanju na društvenim mrežama, kontaktirajte nas!