弗雷德里克·瓦莱（Frederick Vallaeys）探讨了数字营销人员为何仍能找到工作，以及它们在AI世界中的样子

众所周知，自动化正在极大地改变我们处理PPC的方式。 从设置到管理和优化活动，我们的角色正在不断发展。 前Googler和竞选优化平台Optmyzr的联合创始人Frederick Vallaeys在他的新书“ AI世界中的数字营销”中讨论了为什么现在比以往任何时候都更加了解PPC的基础，机器学习可以（以及不能）营销人员需要的技能和能力。

上周，我在西雅图SMX Advanced上与Vallaeys坐下聊天。 我们讨论了他作为AdWords早期团队成员和最大的广告客户之一的时间，以及他为什么对自动化时代我们作为数字营销人员的各种角色感到乐观。 听或阅读下面的采访。

对Optmyzr首席执行官Frederick Vallaeys的采访进行了轻松编辑和精简。

让我们在一个非常基本的层面上谈论它：当我们谈论人工智能，谈论机器学习，谈论自动化以及市场营销人员需要真正理解这些术语意味着什么的时候，我们正在谈论什么。非常。

在超高水平上，您必须了解技术的来源和发展速度。 从根本上来说，请了解这是一个非常实际的变化，它将产生很大的影响。 但这还没有很多人想象的那么全面。

因此，如果您看传统的媒体或电影，人工智能就像这些类人动物，基本上可以完成所有工作，而这并不是我们所要面对的。 在PPC中，主要是机器学习，针对非常具体的问题，例如：“嘿，如果我们有ROAS目标，我们如何设置正确的出价。” 因为我们必须设置每次点击费用出价，因为这就是Google拍卖的工作方式吗？

因此，自动化是非常特定的。 但是，我认为在某种程度上也要了解它的历史。 所以AI实际上在Google Ads中并不是那么新。 所以质量分数，我的意思是，这已经超过十年了。 那是原始的机器学习系统-找出特定关键字和特定查询的广告组合的预期点击率是多少。

您参与其中的建筑。

是的，我当时在那支队伍中。 因此，这也是本书中一个有趣的部分-借用这种见解或观点，并讲述一些故事，例如，与创始人打曲棍球并交叉检查Sergey [Bring，Google联合创始人]，然后仍然很幸运足以避免那天被解雇。

谈谈您在Google的历史以及您所拥有故事的一些重点。

首先，当我加入Google时，我列出了一些我想工作的公司，而Google的确在崛起，但是并没有什么大不了的，这就是为什么我可以和谢尔盖（Sergey）打曲棍球，我进行了盘问，因为我当时真的不知道他是谁。 然后他变得非常有名。

收购Urchin。 飞到圣地亚哥，并结识了那个小团队，最终成为了Google Analytics（分析）。 那是当今在线营销中最基础的事情之一，对吗？ 如果没有这些数字该怎么办？

其他一些亮点：因此，我在Google工作期间实际上就开始做广告，因为我看到了曙光。 我当时想，“天哪，人们每月要花费30,000美元，而那一天早已使您成为第一级广告客户，那是最大的广告客户。

您能够成为广告客户，从而告知产品的开发方式。

究竟。

因为开发这些工具的人员和使用这些工具的人员之间存在某种鸿沟，所以您帮助建立了这种联系。

是的，即使在这里，您也能看到。 我在SMX，有Google的主题演讲。 这是一个伟大的愿景，但愿景与您如何达成目标之间存在一定差距。 这就是我在Google中的角色。 我开始做广告，并成为一个相当大的广告客户和联属广告客户，但我不知道我的哪些关键字正在转化。 你猜怎么着？ 转化跟踪在过去并不存在。

我们都有这个概念，是的，PPC可以很好地工作，但是实际上，我们仍然不知道实际起作用的是什么。 我们只是在扔钱。 因此，我建立了自己的小型转化跟踪系统。 然后，团队注意到并说：“那太酷了。 也许所有广告客户都应该拥有。 您可以和产品小组谈谈吗？” 那是我早期的产品之一。

因此，您在书中说，考虑到我们需要具备的技能，我们中的许多人不需要了解某种技术细节，但是您是否需要了解“智能”系统的功能，而不是我认为这很重要。 不在技术方面杂草丛生的PPC营销人员需要了解哪些因素，需要了解这些工具和系统正在努力的因素和方式，以便能够做出更好的决策，并确保机器正在执行自己的工作实际应该做什么？

我认为，这是前提之一。 PPC营销人员必须继续进行的一项重要工作是通过向机器提供有关您的业务的更多数据来帮助机器学习。 有时这很可怕，对不对？ 您与许多企业交谈时说：“我们不想为Google提供更多数据，因为您将对其进行恶意处理。” 我曾在Google工作。 这不是一个邪恶的公司。 自从我离开这方面以来，我认为这没有改变。 最终，保障措施之一仍然是拍卖，对吗？ 因此，您知道，您提供了更多信息，而Google真正所做的就是在它认为有更高的转换可能性时尝试提高您的出价，反之亦然。

但是现在，我认为了解PPC的基础或基础仍然非常重要。 我与人们交谈，他们正在使用tROAS出价。 我问他们：“嗯，您如何根据转化率和价值从目标广告支出回报率转换为实际每次点击费用？” 而且他们不能做数学。 而且，如果您做不到……我不希望您当场做，但是您应该能够仔细考虑一下，并进行某种解释，然后说：“好吧，如果它使用的是每次转化的历史转化价值或每次点击，我们拥有什么样的数据可能会告知某些效果更好或更差的受众，我们该如何处理？ 我们是否应该通过吸引新的受众群体来了解Google的重要知识来补充Google的理解？”

因为这是机器学习的基础之一，所以它使用历史数据来对未来进行预测。 因此，这种大转变正在以一种新方式考虑您的数据。 您谈论的事情之一是向这些算法提供更多数据，并且Google存在差距。 因此，当团队互相讨论时，好吧，我们想使用智能出价-甚至可能不是Google的智能出价，它不是任何智能出价，它都是第三方工具-您会发现，好的，这就是数据我们有，这是我们的目标。 这可以帮助我们实现目标吗？

因此，在此过程中进行思考并思考“哪些差距？”的步骤是什么？ 有人怎么回到办公室说：“这是我们的挑战。 由于我现在无法访问此数据，我该如何独自执行或与团队合作？”

是的，这确实是PPC专家将要扮演的重要角色之一，我认为这不是一个简单的答案，但这就是为什么我们将继续开展工作。 由于这个新问题，我们的工作只是重新定义了。 它有几个问题。 其中之一是Google并没有真正告诉您它拥有哪些数据或使用了哪些数据。 所以我举的一个例子是质量得分。 我们曾说过：“嘿，我们应该看一下月球周期，弄清楚这是否会影响预期的点击率。” 而且我们发现在整个系统范围内都没有，因此我们决定不使用它作为一个因素。 现在，如果您是塔罗牌读卡器或通灵师，那也许很重要。

我知道，当我读到我以为也是产科病房时。 这么多…分娩都是基于满月发生的。 任何产科病房的护士都会说，满月就是我们吃饱的时候。 所以我当时在想，哦，这是一个很好的例子，总的来说，月球周期可能并不重要，但是有些事情是这样的。

有特定的行业和行业。 然后，如果这对您来说很重要，那就是您必须找出答案时，我们如何告知Google。 对？

另一个非常困难的问题是，产房必须说：“是的，我们吃饱了。” 但是真的，有多饱？ 您比正常人多25％吗？ 而且，如果您已经达到容量极限，那么这实际上意味着您想要提高出价还是降低出价？

这成为一项战略决策，这取决于您可能必须将数据插入自己的机器学习系统中，并且，如果您没有足够的数据，您仍然可以对此进行一些统计分析。 但是现在您有了数据点。 您可以说：“好了，我们准备将出价提高20％。” 因此，在过去，将出价提高通常意味着“将每次点击费用提高20％”，现在则意味着“将每次转化费用目标提高很多，或者将广告支出回报率降低另一个数字”，因为您知道后端的转化率将飙升。 即使您据说愿意为收购支付更高的价格，但增加的转化率仍将弥补这一不足。 再说一次，这可以追溯到基本面。 如果您不了解转化率和CPA目标之间的交互方式，那么您将无法做出正确的决定。

我在想，新生的摄影师……谁说，我知道我现在会很忙。 有哪些资源和最佳方法可以确保您了解自己在说什么并知道如何进行计划？

读了这本书。 [笑]这本书分为三个部分。 简介部分介绍了什么是这项技术。 而且，我认为了解推动其发展的技术不仅可以帮助您定位自己，而且还可以帮助您考虑一下，哦，我如何才能利用类似的技术来谋取自己的利益？

我在SMX Advanced上的演讲中介绍的一个概念是关于自动化分层的，它非常重要。 因此，您拥有诸如智能出价之类的引擎内自动化功能，它们在某些方面确实做得很好，但是却做得并不完美。 因此，当您发现有一些外部因素影响目标系统时，如何在此基础上分层自己的系统以改变目标或采取行动呢？ 而且我认为，仅通过了解核心技术，核心机器学习，您将可以更好地为其构建自己的解决方案。

我喜欢您对医生，飞行员和老师角色的类比。 您知道，这是我们谈论的话题之一–我们的角色将是什么样子，我们会找到工作吗？ 您能否谈谈医生，飞行员和老师的角色，以及这些角色如何适用？

我真的只是想简化它，并提供一个人们可以轻松理解的类比。 因此，当您考虑去看医生时，您会带着疾病去看医生，医生知道有17种不同的药物可能适用于此，其中一些更具有侵略性的药物具有更严重的潜在副作用。 因此，他们会看病人，然后说：“这个问题有多严重？” 然后他们开出他们认为合适的药物处方。 他们知道互动。 他们知道您还有其他条件。 那是什么相互作用？ 再把它带回PPC，就像，如果我们要使出价自动化，那不只是您要按的按钮。 就像现在您必须在两者之间进行选择，我现在不知道，就像Google提供的9种自动出价一样。 而且，如果您选择一种特定的出价（例如目标广告支出回报率），则现在他们正在引入季节性出价调整并引入转化价值规则，并且有跟踪它的方法。 了解所有这些相互作用以及什么是正确的解决方案，就像医生一样。

并把次要医生当作床头方式。 您并不会总是达到目标，您会遇到一个糟糕的季度，并了解发生这种情况的原因以及您将如何处理，并与您的老板讨论。 这很重要，因为机器学习系统不会解释为什么错过了目标。

飞行员实际上分为两种飞行员。 您知道，有一名商业飞行员的工作是让每个人安全地到达那里，通常不会沿途带走飞机。 因此，这是一个监督角色。 确保正在监视飞机的系统正常工作，并且自动驾驶仪正确地做出了这些决定。 普通飞行员每次飞行要像飞行7分钟一样飞过飞机-那里有一个疯狂的小数据。 然后是一名战斗机飞行员。 因此，如您所见，竞争对手可能使用自动化，并且弄清缺点是什么，因此，心理病房或产科病房没有关注登月周期，而您确实这样做了，这就是竞争优势。 因此弄清楚，“哦，他们正在使用该技术平台，而这个平台没有考虑到它们。” 那么，我们如何选择更好的工具或投入更多信息来实现这一目标？

因此，我认为这是两个最常见的角色：今天的PPC人员将开始扮演的医生和飞行员。 我想，对于大多数人来说，第三个是更加有抱负的人，但这就是你教机器的方式。 因为机器学习系统不只是神奇地存在。 有人必须建造它。 这是非常有价值的工作。 如果您知道如何构建该系统，那就更好了。 当我在Google上时，质量得分会不时地提高1％。 那是百分之一，谁在乎，对吗？ 但是，如果您看一下他们正在赚取的数十亿美元，那么在此基础上再增加百分之一，是的，这是一笔不小的数目。 因此，如果您能弄清楚机器学习系统还能赚到更多的钱，那么在这个领域有很多钱。 没关系

因此，其中之一是，我们在过去的一天中谈论过这一点，因此在SMX Advanced上，机器学习并不是一开始就很棒。 从事过多年的PPC营销人员已经接受了真正的除草，控制，控制和控制方面的培训。 自动化和控制之间总是存在这种张力。

因此，您的人员已接受过真正动手的培训，而您的人员却看到了差劲的结果。 他们被烧死了。 他们觉得这是豚鼠综合症，他们首当其冲地帮助Google和Microsoft Advertising算法学习。 同时，您的书说得很清楚，我完全同意这一点，没有回头路可走了。 只会有更多的自动化。 抵抗是徒劳的。 那么，如何使人们相信事情从根本上发生了变化，以及如果他们不改变每天的工作方式又会被抛在后面，该如何说服人们呢？ 您如何提出这一论点？

好吧，我的意思是说，这个问题有很多层次，但是我认为其中的核心是关于机器学习的加速。 那是其中的一部分。 因此，摩尔定律说，大约每18个月，计算能力就会增加一倍，而人工智能已经存在了50多年。 那么，为什么今天的PPC相对于PPC何时开始大不了？ 这是因为我们现在实际上处于该阶段，该技术翻了一番约27倍，每次翻一番，就好像它比上一个周期大大提高了。

因此，如果今天的表现还不够好，那么您敢打赌，这很快会变得更好。 它总是会比人类更好吗？ 不，这是本书中的一个论据，是人类确实可以提供某些帮助。

因此，尤其是，如果您在一家机构中工作并且从事特定行业，则可能会对应该考虑哪些因素（机器学习系统不应该尝试的事物）有深刻的见解，因此响应式搜索广告就是一个很好的例子。 这是一个机器学习系统，可以弄清楚如何将每个查询的广告组件组合在一起。 但是，仍然要由我们人类来说这些是您要测试的标题。 机器没有写那些。 因此，您确实必须确保为机器提供了良好的信息，这是学习的好机会。 我认为您最近举了一个例子，说明如何带着小孩一起飞行，这是一开始的可怕经历，并且再也不想再飞行了。 但是，然后您意识到了，嘿，如​​果我教小孩子如何成为一名优秀的飞行者，那将会很棒，也许他们实际上会背着我的书包并有所帮助。 机器学习是一回事。 学习是学期的一部分。 因此，第一天并不是完美的。 但这肯定不会变得愚蠢。

对。 虽然，但要谈论人们犯的一些错误。 培训和学习的整个思路-登录时，您会看到“学习”消息，或者看到不起作用的内容。 在PPC世界的上一个迭代中，您会认为，我需要进行调整然后再进行，而您将进行两次或三次调整。 那行了吗？

是的，我的意思是您只需要退后一步。 该书中的要点是，自动化研究人员发现，当人们看到机器没有按照预期的方式运行时，他们很快就会说：“好的，它不起作用。 我们将不再使用它。” 鉴于如果您雇用了一名新员工进入您的代理机构，而该员工犯了一个错误，那么您可能会让他们坐下来并解释为什么这是一个错误，并试图更好地教他们，并给他们更多的见解，更多的投入，并相信他们下次会好起来的。 因此，我认为我们必须对机器执行相同的操作。 如果发现机器学习速度不够快，我们必须退后一步说：“我们是否有足够的转化要跟踪？ 我们是否正确评估了转化？” 垃圾基本上是垃圾出来的。 如果您没有提供正确的数据来做出决策，那么机器学习系统就无法做好。

归因模型也可以发挥作用。 如果您使用的是最终点击归因，那么在过去，您会查看关键字列表，然后您会看到，哦，此关键字在最终点击上的转化很少。 一个自动化的系统会说，杀死该关键字，降低它的价格，摆脱它。 而您会说一个人，哦，这实际上是一个非常相关的关键字。 也许这确实很重要。 您会保留它，但是机器学习系统没有该上下文。 因此，如果您最后没有建立更好的归因模型，那么是的，您的自动化出价非常恐怖，实际上会扼杀您的广告系列。 但这不是因为机器学习不好，而是因为您给它提供了错误的信息。

好吧，非常感谢您。 给那些担心自己的角色，职业，业务前景的PPC营销人员的分词？

我认为这是一个令人兴奋的时刻。 如果您加入PPC，我的意思是它从来不是一个发展缓慢的领域，这里的变化是不断的，这只是其中的另一个。 我认为这真的很好，因为现在没有人喜欢做乏味，重复的工作，而这正是这些自动化正在处理的事情。

而且，我们可以更多地考虑战略。 我们实际上可以再次成为营销人员。 考虑观众。 考虑消息传递。 考虑一下营销的有趣之处。 而且很多人认为数字缩算实际上也很有趣，但是更多的事情将由机器来完成。

分析是我们可以关注的重点。

确切地说，绘制见解以及如何将这些见解应用于下一个广告系列。

但是我认为Google有时在构建机器学习时会错过的另一点是，他们倾向于认为千美元的实验会带来巨大的成果，但是那是一千美元。 对Google而言，那没什么。 对于一个像一千美元这样的小企业，他们在这期间处于困境：这台机器是要学习它还是无**常工作？ 对他们来说这是真钱。 因此，如果您更多地是这个领域的专家，并且知道策略，您就会知道为您提供最大成功机会的正确地点和正确起点，这是值得的。 那是您可以出售的有价值的东西。 因此，我认为这对PPC充满了机遇，但它将与我们过去十年来所做的不同。

我认为就是这样。 这是真正的根本性转变和思维定势，对先行者有很大的上升空间和机会。

我认同。