Janelle diffuse une campagne pour applications Google. Elle sait que même si la campagne est alimentée par le machine learning, sa contribution en tant que responsable marketing reste très importante. Par quels moyens Janelle peut-elle guider le machine learning pour obtenir des résultats optimaux ? (Choisissez trois réponses.)

Analyse de la bonne réponse

• Janelle peut faire évoluer la stratégie de campagne au fil du temps. Le machine learning est dynamique, mais il a besoin d'être guidé par l'évolution des objectifs commerciaux, des offres ou des conditions du marché. Ajuster la stratégie (par exemple, les créatifs, les signaux d'audience, les cibles d'optimisation) permet de diriger l'algorithme vers de nouvelles opportunités ou une meilleure performance.
• Janelle peut fournir au système une grande quantité de données et lui laisser du temps. Les algorithmes de machine learning excellent lorsqu'ils disposent de données suffisantes. Plus le système reçoit de conversions et de signaux utilisateur, et plus on lui laisse de temps pour apprendre et s'optimiser, plus il devient efficace pour identifier les utilisateurs pertinents et ajuster les enchères.
• Janelle peut définir ses enchères et ses budgets de façon stratégique. Les enchères cibles (ex: CPA cible, ROAS cible) et le budget sont les principaux leviers stratégiques par lesquels Janelle communique ses objectifs au système. Une définition pertinente de ces paramètres est cruciale car elle indique clairement au machine learning ce qu'il doit prioriser et combien il peut dépenser.

Analyse des mauvaises options

• Janelle peut définir le ciblage géographique au niveau du groupe d'annonces. Les campagnes pour applications Google sont hautement automatisées. Le ciblage géographique est généralement défini au niveau de la campagne, et le machine learning gère la diffusion au sein de ces zones sans nécessiter de micro-gestion au niveau du groupe d'annonces (qui n'existe pas dans la même acception que pour les campagnes de recherche ou display traditionnelles).
• Janelle peut ajuster ses enchères quotidiennement afin de s'assurer que la campagne ne dévie pas de son objectif. Les ajustements quotidiens des enchères sont contre-productifs pour les campagnes basées sur le machine learning. Le système a besoin de stabilité et de temps pour traverser sa phase d'apprentissage et trouver des schémas optimaux. Des changements fréquents perturbent l'algorithme et peuvent prolonger la période d'apprentissage, voire nuire à la performance.