Le manager d'Hiroko se demande pourquoi elle doit passer du temps sur sa nouvelle campagne pour applications Google, étant donné que selon lui, le machine learning fait tout le travail.Quelles sont les trois actions qu'Hiroko peut effectuer pour orienter sa campagne basée sur le machine learning ?

Le manager d'Hiroko sous-estime le rôle humain essentiel dans les campagnes basées sur le machine learning. Bien que le ML automatise de nombreuses tâches, il a besoin d'une supervision et d'une orientation stratégique pour optimiser les performances.

Analyse de la bonne réponse

Voici pourquoi ces trois actions sont cruciales :

• Fournir beaucoup de données de qualité : Le machine learning s'appuie sur les données pour apprendre et s'optimiser. Plus Hiroko fournit des signaux de conversion pertinents et en quantité suffisante (ex. : première ouverture, achats in-app, inscriptions), plus l'algorithme sera capable d'identifier les utilisateurs à forte valeur et d'ajuster l'enchère pour maximiser les résultats. Sans données de qualité, le ML ne peut pas fonctionner efficacement.
• Faire évoluer la stratégie : Le machine learning excelle dans l'optimisation au sein d'une stratégie définie. Cependant, la stratégie globale de la campagne (objectifs commerciaux, public cible, messages créatifs) doit être définie, surveillée et ajustée par Hiroko en fonction des performances, des tendances du marché et des évolutions du produit. Le ML ne remplace pas la vision stratégique.
• Définir des limites : Hiroko doit établir des paramètres clairs pour guider l'algorithme. Cela inclut le budget quotidien, le CPA (coût par acquisition) cible, les zones géographiques ciblées, les langues et parfois des exclusions. Ces limites garantissent que le ML opère dans les contraintes budgétaires et stratégiques de l'entreprise, évitant les gaspillages et dirigeant l'optimisation vers les objectifs souhaités.

Analyse des mauvaises options

• Mettre à jour quotidiennement les paramètres de la campagne : Les campagnes basées sur le machine learning ont besoin de temps et de stabilité pour apprendre et s'optimiser. Des changements quotidiens et fréquents perturbent ce processus d'apprentissage, pouvant entraîner une instabilité des performances et empêcher l'algorithme d'atteindre son plein potentiel.
• Ajuster les enchères régulièrement : Avec les stratégies d'enchères intelligentes de Google Ads, le machine learning est conçu pour ajuster les enchères en temps réel pour chaque enchère. Des interventions manuelles fréquentes sur les enchères annulent l'efficacité de l'optimisation automatique et empêchent l'algorithme de performer de manière optimale.