预测性营销时代
如何成为更聪明，更聪明，更成功的PPC营销商？
人工智能，机器学习，深度学习，神经网络。现在，这些都已成为数字广告客户词典的一部分，因为算法为我们的广告系列提供了许多战术手段。目的？要以该出价向该受众群体成员展示该印象的广告组合，以达到营销活动目标，其效率和功效要比我们营销人员手动完成的要高。所有这些都通过训练算法模型来理解模式并根据历史数据预测结果。
Google，Microsoft，Facebook和所有其他数字广告平台都在使用数据和算法来识别意图并预测客户需求，行为和营销成果。
这是预测性营销时代。而且，这正在改变绩效媒体战略家和经理的工作方式，以及他们和他们的团队需要优先考虑的技能，以变得更聪明，更敏捷，更有效的PPC营销人员。这是我在周二的虚拟SMX Next活动中的主题演讲（可按需注册）。
多年来，公司一直在使用预测分析来预测库存需求，优化价格和防止欺诈。如今，机器学习已渗透到许多营销工具中，包括媒体购买，广告创建和投放，出价和定位越来越受算法支持。
具体来说，搜索市场营销正在从关键字购买发展到受众购买，再到预测性意图购买，并基于预测结果在各个表面投放自动化广告系列。搜索营销不再只是以有效的每次点击费用购买正确的关键字。
现在添加促进剂。许多人已经注意到，COVID-19充当了趋势加速器。我们肯定在数字广告和营销中看到了这一点。例如，由于COVID，Facebook商店的介绍和Google购物中的免费列表均快速跟踪，例如随着消费者的购物行为在网上进一步流行。在这几个月中形成的许多消费者习惯不会消失。
机器学习和人工智能是数字营销几乎所有新功能的核心。无论何时何地，只要系统预期到期望的结果，就将投放广告。关键字和/或受众通常会发挥作用，但是平台现在正在使用数据和算法来识别意图并预测或预期客户需求，行为和营销结果。正如我去年在Google Marketing Live之后写的那样，该公司的新广告系列类型跨多个渠道投放广告，以控制客户流程从渠道顶部到底部的各个方面。
在一个广告系列中同时运行“搜索”和“展示广告”的想法仍然会使许多广告客户不寒而栗。但是，大多数新的广告系列类型无法为广告客户提供选择退出渠道库存的选项。谷歌会说，这是在机器学习前的世界里必须采取的策略。机器学习可能被夸大了，但它几乎支撑了运动的各个方面，并将继续变得越来越重要。
了解系统是如何设计的。为了可视化现在有多少付费搜索使用了机器学习，我们对搜索引擎土地的PPC元素周期表进行了颜色编码。在部署这些元素之前，必须了解这些元素是如何设计的。尽可能多地了解这些AI和ML系统是如何工作的，我们对它们使用的信号，它们的优点和缺点有什么了解。
算法并不完美。模型训练数据，这些输入很重要（有许多示例说明了算法偏差的意想不到的后果）。持怀疑态度的健康人士可以帮助您确定事情何时未能带来对您的业务至关重要的结果。但这需要了解元素的设计原理。
以季节性调整功能为例。在COVID-19大流行开始之初，许多人就开始在其Google Ads广告系列中使用它。但是，季节性调整并非旨在在持续的变化期间使用。
认真对待数据管理。没有数据，所有这些都不起作用。PPC专业人员可以帮助他们组织中的数据战略制定。在许多方面，搜索营销人员一直是了解如何使用数据进行更好的营销并获得更好结果的中心。
您如何确保已有系统和流程来捕获早期指标，并能够在自己的广告系列中快速细分和激活自己的数据？当浏览器打击第三方Cookie时，您如何与用户建立更直接的关系以提供更多控制权和见解？
如何使用自己的数据或其他数据源以尊重用户隐私和法规的方式来改善自己的广告系列中的模式识别和结果？
关注用户体验。理想情况下，在预测性营销时代，算法会优先考虑良好的用户体验，因为根据历史数据预测的体验具有最佳结果的体验会得到更大的加权。去年，我在SMX Advanced上谈到了品牌与绩效之间的关系，这也谈到了经验。直接面向消费者的品牌已经清楚地说明了品牌建设的重要性以及对绩效结果的经验。
注意故事，广告创意，登录页面，重新定位体验和视觉效果。
看到更大的战略图景。尤其是随着算法越来越多地指示在预测营销时代向何处投放广告，战略技能将比战术或机械技能更有价值。
我认为，营销基本原理现在尤为重要。这需要将 重点转移到收益优化上，而不是简单的渠道优化上。
随着客户旅程变得越来越复杂，请基于意图而非基于渠道来关注您正在创建的体验。要做到这一点，需要采取战略性，创造性的思维和计划。
如果我们不看大局，我们可能会错过营销工作的相互影响以及它们对底线的综合影响。这可能还需要关注新的关键绩效指标和指标。
考虑一下将预测性营销内部化到工作的各个方面以预测行为和结果的方式，从使用的数据到创建的体验再到衡量成功的方式。
Tags: 预测性营销