Co dělá strojové učení v PPC
Strojové učení je samo o sobě jako matematika. Je to formálně logický konstrukt, který si hraje s čísly, umí hledat vazby v datech a ukládat je do modelů, ale samo o sobě nic reálného nepopisuje. Má-li být k užitku, musí být využito v nějaké úloze umělé inteligence.
V PPC jsou úlohy umělé inteligence typicky predikce proklikovosti nebo počtu konverzí v závislosti na zvoleném MaxCpc. Příkladem jsou např. Chytré nabídky v Google Ads, které automaticky upravují MaxCpc. Co vše bude považováno za vstupní data a jak naložit s vypočtenou MaxCpc je výhradně problémem umělé inteligence. Uprostřed toho však trůní model, který vznikl učením se z historických dat a který navrhuje vhodné MaxCpc. Ten je produktem strojového učení.
A jak si Google Ads Chytré nabídky stojí ve 4 hlavních oblastech strojového učení – data, model, chybová funkce a optimalizace?
Chytré nabídky bojují v oblasti dat s jejich kvalitou (např. chybně nasazené měření konverzí může znehodnotit model), v oblasti modelů a optimalizace je používán poměrně nový a velmi slibný deep learning (hluboké učení, vícevrstvé neuronové sítě), který řeší obě oblasti, strukturu modelu a jeho optimalizaci, v jednom.
Nejvíce tak „drhne“ chybová funkce. Používá se nějaká cílová CPC, CPA nebo ROAS, nicméně ani Google zatím nedospěl k tomu, že by automat optimalizoval na to, co nás skutečně zajímá, tedy na ZISK (co je nám po ROAS nebo CPA…). Takže je před námi stále velká výzva. Podrobněji si lze k tomuto tématu počíst v článku Google Ads Chytré nabídky pro obezřetné.