Non solo ChatGPT, l'intelligenza artificiale a disposizione di tutti: Le Bid Strategy qual é la Data Strategy dietro ad esse?

In questi giorni ChatGPT è sulla bocca di tutta, ma in realtà sono anni che tutti noi digital marketer lavoriamo con l'intelligenza artificiale forse senza nemmeno accorgercene.

Chi mi conosce sa quanto io possa essere ossessionato dai dati: la mia ragazza ancora ricorda con rancore quando in sala parto, senza volerlo, ho analizzato le curve di intensità delle contrazioni iniziando a commentare la loro crescita invece di continuare a supportare il suo sforzo in silenzio (Lavinia santa subito).

Questa mia ossessione mi ha sempre spinto ad analizzare nel dettaglio ciò che utilizzo, portandomi a trarre vantaggio dalla conoscenza dei meccanismi sottostanti.
Chi fa digital marketing utilizza l’intelligenza artificiale almeno dal 2018 quando l’azienda di Mountain View ha presentato Google Ads Smart Bidding. Non è stata sicuramente la prima comparsa dell’intelligenza artificiale nel mondo del Digital Advertising, ma per la diffusione dello strumento è stata quasi sicuramente tra le più adottate al mondo.
Soprattutto è stata un’adozione di cui gli specialist di rendevano conto: Google dichiarava apertamente che erano modelli basati sull’intelligenza artificiale a differenza di Meta dove le Bid Strategy sono da sempre presenti sulla piattaforma. Perché non hanno fatto clamore come di ChatGPT?

Forse perché toccavano il lavoro di uno specialist, di un mondo nascosto a molti, un cerchio ristretto di cui in pochi capivano (capiscono) le attività svolte. In pochi, anche tra gli addetti ai lavori, hanno capito del cambiamento epocale: una singola persona poteva gestire ed ottimizzare in modo efficace molti più account rispetto a prima grazie all’intelligenza artificiale.

ChatGPT invece tocca un lavoro che esiste da sempre: la capacità di scrivere e di rispondere a domande. Un’attività svolta da tutti in modi diversi, copre un numero di professioni molto più alto, un argomento comprensibile facilmente e tocca argomenti etici: potremo scrivere un libro con l’intelligenza artificiale, la creatività umana sarà inutile, i giovani potranno evitare di studiare e quindi di imparare?
Ma soprattuto ChatGPT ha un potenziale di click baiting molto più alto. Scrivere: lo smart bidding cancellerà milioni di posti di lavoro nel mondo dell’advertising; è molto meno forte di scrivere: chatGPT annullerà i cervelli delle giovani generazioni

I numeri alla base di tutto

Bid Strategy, performance max, smart bidding automatizzano il processo di analisi e ottimizzazione delle performance di una campagna di advertising applicando l’intelligenza artificiale là dove da sempre la macchina ha un vantaggio sull’essere umano: la gestione di numeri. Mi concentrerò sulle soluzioni di Google semplicemente perché l’azienda mette a disposizioni molti più informazioni rispetto a Meta, ma il principio di funzionamento dovrebbe essere simile.
Dovrebbe perché non sono un ingegnere né di Google né di Meta e non ho mai lavorato direttamente per loro, nemmeno quando ero un quality rater per Mountain View.

Data Strategy per Smart Bidding

Il primo punto di una buona data Strategy è individuare l’obiettivo della nostra attività in questo caso l’obiettivo è facile da individuare: migliorare le performance di conversione delle campagne di advertising.

Primo step per capire l’obiettivo è definire cosa sia una conversione.
Lato advertising potremmo per semplicità dividerli in due grandi famiglie:

• Acquisto

• Lead generation

sicuramente la prima necessità sarà la capacità distinguere queste due famiglie perché non possiamo sicuramente avere modelli completamente uguali.

Secondo step: quali metriche potrebbero essere necessarie per misurare le performance di una campagna. Le più immediate:

• Numero di conversioni

• Numero di click

• Numero di impressions

Da esse possiamo ottenere altre metriche come CTR e Conversion Rate.

Tali metriche servirebbero a livello di singolo click insieme ad alcune dimensioni come:

• Device

• Browser

• Parola chiave

• Campagna

• Gruppo

• Termine di ricerca

• Geolocalizzazione

• Audience del utente

• Costo per click

Esiste in Google Ads un modo per recuperare tutte queste informazioni?
All’interno di Google Ads API esistono report da cui è possibile esportare i dati. Il report Click View fornisce tutte le informazioni sopra elencante e molte altre. Troviamo due gruppi di dimensioni relative alla localizzazione del utente ed al targeting della campagna:

• Area of Interest

• Location of presence

• Campaign Location Target

Esse permettono di avere una geolocalizzazione precisa del utente, ma è disponibile un ulteriore metrica molto interessante:
ClickType indica con quale tipo di “link” ha interagito l’utente (alcune vi stupiranno)

• APP_DEEPLINK

• BREADCRUMBS

• BROADBAND_PLAN

• CALLS

• CALL_TRACKING

• CLICK_ON_ENGAGEMENT_AD

• CROSS_NETWORK

• GET_DIRECTIONS

• HOTEL_BOOK_ON_GOOGLE_ROOM_SELECTION

• HOTEL_PRICE

• LOCATION_EXPANSION

• LOCATION_FORMAT_CALL

• LOCATION_FORMAT_DIRECTIONS

• LOCATION_FORMAT_IMAGE

• LOCATION_FORMAT_LANDING_PAGE

• LOCATION_FORMAT_MAP

• LOCATION_FORMAT_STORE_INFO

• LOCATION_FORMAT_TEXT

• MOBILE_CALL_TRACKING

• OFFER_PRINTS

• OTHER

• PRICE_EXTENSION

• PRODUCT_AD_APP_DEEPLINK

• PRODUCT_EXTENSION_CLICKS

• PRODUCT_LISTING_ADS_COUPON

• PRODUCT_LISTING_AD_CLICKS

• PRODUCT_LISTING_AD_LOCAL

• PRODUCT_LISTING_AD_MULTICHANNEL_LOCAL

• PRODUCT_LISTING_AD_MULTICHANNEL_ONLINE

• PRODUCT_LISTING_AD_TRANSACTABLE

• PROMOTION_EXTENSION

• SHOPPING_COMPARISON_LISTING

• SHOWCASE_AD_CATEGORY_LINK

• SHOWCASE_AD_LOCAL_PRODUCT_LINK

• SHOWCASE_AD_LOCAL_STOREFRONT_LINK

• SHOWCASE_AD_ONLINE_PRODUCT_LINK

• SITELINKS

• STORE_LOCATOR

• SWIPEABLE_GALLERY_AD_HEADLINE

• SWIPEABLE_GALLERY_AD_SEE_MORE

• SWIPEABLE_GALLERY_AD_SITELINK_FIVE

• SWIPEABLE_GALLERY_AD_SITELINK_FOUR

• SWIPEABLE_GALLERY_AD_SITELINK_ONE

• SWIPEABLE_GALLERY_AD_SITELINK_THREE

• SWIPEABLE_GALLERY_AD_SITELINK_TWO

• SWIPEABLE_GALLERY_AD_SWIPES

• UNKNOWN

• UNSPECIFIED

• URL_CLICKS

• VIDEO_APP_STORE_CLICKS

• VIDEO_CALL_TO_ACTION_CLICKS

• VIDEO_CARD_ACTION_HEADLINE_CLICKS

• VIDEO_END_CAP_CLICKS

• VIDEO_WEBSITE_CLICKS

• VISUAL_SITELINKS

• WIRELESS_PLAN

Continuano l’analisi del report troviano la dimensione AdNetwork Type che identifica su quale network insiste il click del utente.

• CONTENT

• MIXED

• SEARCH

• SEARCH_PARTNERS

• UNKNOWN

• UNSPECIFIED

• YOUTUBE_SEARCH

• YOUTUBE_WATCH

la dimensione slot invece indica quale sia il poizionamento all’iterno della pagina di ricerca, ma anche se in un search partner oppure sulla rete content:

• CONTENT

• MIXED

• SEARCH_OTHER

• SEARCH_PARTNER_OTHER

• SEARCH_PARTNER_TOP

• SEARCH_SIDE

• SEARCH_TOP

• UNKNOWN

• UNSPECIFIED

Attraverso la dimensione keywords possiamo risalire a tutte le informazioni relative alla singola parole chiave nel report dedicato come le impressions ricevute segmentate per display e search e la percentuale di visualizzazioni in top position sui risultati di ricerca.

Come addestrare un modello?

Il nostro modello dovrà calcolare la probabilità del click di guidare l’utente alla conversione. Al momento abbiamo elencato solo l’informazioni relative al singolo click. Google sicuramente può collegare quelle informazioni ad un utente mentre sta facendo una ricerca, noi no, ma possiamo usare un workaround: quando l’utente atterrà sul nostro sito (quindi dopo avere cliccato su un annuncio) il nostro strumento di Analytics riconosce l’utente e ci collega un identificativo univoco (ad esempio il cookie di Google Analytics).
Quando l’utente atterra sul sito da una campagna Google Ads negli url parameter possiamo trovare il gclid: l’identificativo univoco del click proveniente dalle campagne di advertising Google. Esso è la chiave per ottenere tutte le informazioni relative al click dal report di Google Ads API descritto precedentemente. Possiamo salvare il gclid come custom dimension a livello di evento in Google Analytics 4 rendendolo disponibile all’interno del export di BigQuery. Questi due dati ci permettono di fare un match tra il cookie utente e tutte le informazioni relative al click

Attraverso il cookie di GA4 possiamo raggruppare i diversi click dalle campagne di Google Ads, attraverso il gclid possiamo ottenere le informazioni relative ad essi: abbiamo tutto il necessario per creare un set di dati per addestrare il nostro modello, mostrandogli quali click hanno portato alla conversione e quali no con un set di informazioni molto dettagliato.
Divideremo il nostro set di dati in dati di training e dati di controllo per poter verificare l’accuratezza del modello e verificarne l’efficacia prima di metterlo in produzione

Conclusioni

Abbiamo portato a termine tre step di una Data Strategy:

1. esplicitato l’obiettivo di business

2. individuato da dove estrarre i dati

3. individuato come e quali dati raccogliere

Ci manca analizzare le necessità di attivazione di quel dato per capire come la nostra infrastruttura dovrà lavorare.

Lavorare su una Data Strategy non è difficile una volta chiari gli obiettivi: è un lavoro di investigazione per individuare quali potrebbero essere i dati utili e da dove recuperarli. Lungo la ricerca potremmo scoprire elementi di cui non eravamo a conoscenza. Grazie all’unione dei dati con GA4 potremmo arricchire il modello con altre informazioni, ma voglio essere chiaro: questo sicuramente non è la fonte dati di Google per lo Smart Bidding. L’unica informazione presa dal nostro sito probabilmente è la conversione. La grande G ha un’infinità di informazioni relative all’utente raccolte sui suoi portali: la sequenza di ricerche fatte, l’intento di ricerca, tutti gli annunci cliccati, i risultati organici scelti e per quali ricerche, ecc. ecc.
Il set di dati è molto ricco non è detto che ogni dato sia significativo, ma può essere testato da un bravo team di Data Scientist