1. 找出能預測結果的數據
說到自動化的未來,有一點是行銷人必須謹記在心的:機器本身表現的好壞,是由我們匯入機器的資料品質所決定。
機器本身表現的好壞,是由我們匯入機器的資料品質所決定。
這對品牌行銷人來說,這可能是一大挑戰。畢竟,品牌行銷的目標是在於提升使用者對公司或產品的觀感,但要用什麼樣的即時資料才能評估如此模糊的概念呢?這正是我們在部署廣告活動的廣告素材及媒體策略時,一直想要回答的問題。
以廣告素材來說,我們採取結構化的方式讓機器學習。具體做法是先從廣告活動擷取廣告素材並提出許多假設,再製作廣告的各種變化版本來篩出與成效相關的關鍵變數,然後才透過研究室進行測試。負責測試的小組成員不參與日常廣告活動事務,因此可以全心專注於手邊的工作。假如我們觀察到某個做法總是可以帶來正面的結果,就會將它判定為廣告素材的最佳做法,並在公司內推廣這些發現。
在媒體廣告活動方面,我們也採取類似的策略。舉例來說,多年前我們找出了各種我們認為有機會提高廣告成效的變數,這些變數包括影片播放完成率、影片是否開啟聲音,以及可見度等等。由於我們是針對每次曝光來評估廣告活動,因此能測試每個變數的成效。
我們因此發現,有很多我們過去做為優化目標的指標,例如影片播放完成率,其實無法用來預測品牌成效的提升,但如果是在可被聽見且可被看見的狀態下播放完的話,品牌意識在統計資料上就會出現顯著升幅。換句話說,這個數據點就是可以用來預測我們想要的成效的關鍵資料。
|