自动化接管后，PPC机构将扮演这四个角色

今年早些时候，我写了关于人工智能（AI）和机器学习如何驱动PPC自动化的文章，然后再次谈到了Google的最新AdWords创新浪潮在很大程度上是由这些相同的技术驱动的。

随着向自动化迈进的步伐加快，代理商和PPC经理应如何更新其战略？ 他们需要什么流程来保持竞争力？ 他们对当今市场上的自动化工具有什么真正的期望？ 我将在一系列后续文章中介绍所有这些主题，所以我很想听听您的想法。 但是今天，让我们从人类和代理机构在PPC中扮演的角色开始。

1.代理商将教机器学习

现在机器可以学习了，它们肯定会超越人类，对吗？ 现实情况是，机器学习仍然非常依赖人类。 我们对算法进行编程，提供训练数据，甚至操纵训练数据以帮助机器正确处理。

机器学习通常需要学习结构化数据，并且需要解决非常明确的问题。 作为人类，我们将在一段时间内扮演角色，以定义问题并通过操纵机器如何“学习”来帮助塑造理想的结果。

目前，这些机器需要我们成为其老师。 AdWords质量得分之所以有效，是因为人群的智慧提供了有关机器可以用来学习的查询和点击的大量数据。

特斯拉的自动驾驶系统之所以起作用，是因为成千上万的驾驶员在棘手的情况下可以手动控制汽车。 由于它们都已联网，这将帮助下一个特斯拉更好地推动自己穿越同一地点。

在PPC中，我们从多年的手动管理活动中学到的知识可以成为教计算机如何在类似情况下做出响应的基础。

老师无法教所有内容，因此他们所做的很大一部分是帮助学生提出更好的问题。 作为计算机的老师，我们应该允许自己提出更多的问题，因为合成智力对于找到答案的速度没有相同的人为限制。

以质量得分为例，它是一种机器学习系统，可以分析数百种与搜索相关的因素，并找到对点击率产生有意义影响的事物模式。 因为它可以更快地分析数据，所以我们可以提供看似随机且未连接的数据，并告诉我们这是否有所作为。

这是我们曾经问过质量得分系统的一个疯狂问题：月球周期会影响点击率吗？ 尽管答案并不重要（不，没有相关性），但重要的是我们能够提出全新的问题并迅速获得有助于改善系统的答案。

但是，我们也应该根据人类的直觉来优先考虑我们提出的问题。 我们不想在已经很可能知道某些答案无法帮助我们改进的情况下询问一切，从而浪费机器的动力。 考虑以下示例：要求Google Maps计算从旧金山到纽约的最佳路线。 计算所有可能的后备道路都将花费很长时间，并且考虑到我们知道高速公路往往比本地道路快，因此该计算几乎肯定不会产生更好的结果-因此我们可以放心地忽略这个问题。

2.代理商将提供缺乏创造力的机器

代理商的最大价值将是其员工与自动化协作的能力。

国际象棋**傅加里·卡斯帕罗夫（Garry Kasparov）指出，在国际象棋方面，即使是最强大的计算机，在机器辅助下的人类团队也占主导地位。 在2005年的一次实验中，Playchess.com发起了一场国际象棋锦标赛，参与者可以与其他玩家和/或计算机组成团队。 据卡斯帕罗夫说：

象棋游戏机Hydra是象Deep Deep这样的象棋专用超级计算机，对于使用相对较弱的笔记本电脑的强大人类玩家而言，这是无法匹敌的。 人的战略指导与计算机的战术敏锐度相结合，势不可挡。

人类仍然擅长于创新策略-将旧观念以新方式整合在一起并测试结果。 我们之所以没有Google的计算机来为AdWords编写所有广告，是因为它们最终看起来都一样-然后它们将停止发展，因为该计算机将不再具有任何变体来进行测试。

进化算法是AI的一个子集，它是基于生物进化而来的，它们需要访问变体才能正常工作。 尽管他们可以创建自己的突变，但人们通常仍然知道正确的捷径以提出更好的想法。

Facebook上的广告客户曾经提交过一个静态图像的广告，该图像有些动摇。 与完全相同的广告相比，该广告的点击率要好得多。 这是产生更好的点击率的一种愚蠢的方法，但这是人类尝试机器可能不会想到的新事物的一个很好的例子，因为在进入它所访问的数据领域之前，没有人做过这件事。

3.机构将成为避免灾难的领航者

自动驾驶汽车不是“无人驾驶”汽车，因为方向盘后面仍然有人来监控机器。 这是有道理的，因为在道路上不杀害其乘客或其他人的价值足以值得一些人力资源。

在PPC中，幸运的是我们没有处理生死攸关的情况。 但是我们仍然可以进行试点以监视自动化的最重要领域。 诀窍是弄清楚80/20规则，并以最大的潜在影响为自动化节省人力。

我曾经审核过一个帐户，该帐户已完全用尽，因为在启动效果非常糟糕的着陆页后，出价自动化已正确降低了出价。 但是，尽管登录页面很快就被人工修复了，但没人记得要重设出价，并且该帐户花了几个月的时间来达到低于标准的效果，因为其最佳关键字一直在搜索结果的第二页上徘徊。

当今构建的许多系统的问题在于，它们的目标狭窄，由于自我强化的反馈回路可能导致螺旋式下降，因此可能会失败：

效果不佳→降低出价→甚至降低性能→降低出价→毁灭！

我们还可以超越我们自己的自动化技术所做的工作，以发现可以利用竞争对手算法的弱点。 请记住，许多自动化都在执行定义明确的任务，这使它们可预测。 例如，我曾经不得不骑着自行车穿越四个车道，然后要等着汽车先驶过。 但是当我注意到这是一辆Google自动驾驶汽车时，无论如何我还是转弯，因为我知道这辆车视野开阔，并且被编程为不会撞到骑自行车的人。 而且由于我正在分享这个故事，因此在这种情况下，我的工作进展顺利。

有时，我们可以从机器的功能中学习。 Lee Sedol是世界冠军的Go玩家，受到DeepMind的AlphaGo计算机的殴打，从输给机器的经历中成为了更好的玩家。 他以及其他许多观看比赛的人，对计算机做出的动作37感到困惑。 这根本不是任何人都会采取的行动。 但是，正是这一举措使计算机赢得了胜利，现在人们将其添加到了自己的曲目中。

有时，您作为副驾驶员的工作是看到不存在但应该存在的东西。 乔丹·埃伦伯格（Jordan Ellenberg）所著的《如何避免错误》一书讲述了数学家艾布拉姆·沃尔德（Abram Wald）的故事，他发现飞机的哪一部分应做得更坚固，以抵抗第二次世界大战期间被敌机击落。 来自带有弹孔的飞机的数据表明，燃油系统中的弹孔比发动机多。 科学家得出结论，他们应该加强燃油系统。 但是沃尔德认为，被引擎击中的飞机可能坠毁了，再也没有返回过，这使数据产生了偏差。

让我们将其放入PPC示例中。 当您查看要促成更多转化的原因是因为您想做更多的事情时，也许您还应该问一下促成转化的原因而不是做那么少。 例如，高昂的运费可能会降低您的转化率，但是如果您输入错误的问题，您将找不到答案。

4.代理商将缺乏同情心机器

即使计算机将执行PPC管理的各个部分，它们仍然不会像您与客户那样拥有相同的人际关系。 了解客户业务的细微差别（这将帮助您提出新的想法进行测试），了解他们对PPC的担心，了解他们对上一位客户经理的不满等。 所有这些将帮助您与他们建立更富有成效的关系。

利用AI的一项令人惊讶的职业是医生。 他们根本无法阅读和Watson一样多的现有研究成果，因此IBM的超级计算机可以成为出色的诊断专家。 但是Watson可能无法向患者解释病情，并且在分享可能具有破坏性的新闻时，Watson当然不会具有人类的同理心。 即使医生拥有一台超级计算机来帮助他们，医生仍然有一个地方。

作为PPC专家，我们的主要职责是知道要在帐户中测试哪些专家自动化。 仅针对出价管理，就有大量选择，从Google的免费投资组合出价策略到新兴的出价管理公司，后者收取数千美元以保证取得更好的结果。 知道可用的东西，值得测试的东西以及如何计算权衡无疑是代理商提供的价值的很大一部分。

结论

自动化接管了人类历来在PPC中完成的许多任务。 但是随着这种转变的继续，PPC专家和代理商将有很多新的机会为他们的客户提供价值。

下次，我将介绍将有助于弥合人类与人工智能PPC机器之间差距的新策略和过程。

本文中表达的观点是来宾作者的观点，不一定是Search Engine Land。 工作人员作者在此处列出。