Jan Suda na workshopu AKA ukázal, jak správně zapojit AI do analýzy kampaní

Účastníci workshopu si během dopoledne vyzkoušeli práci s daty fiktivního e-shopu a postupně si vytvářeli základy vlastního AI analytického systému, který mohou využívat při vyhodnocování skutečných kampaní.

Jan Suda, který se dlouhodobě věnuje mediálnímu plánování a vývoji nástrojů využívajících AI, patří k těm, kdo k možnostem umělé inteligence přistupují s určitou skepsí. Na workshopu proto ukazoval nejen to, co AI dokáže, ale také kde chybuje a jak její výstupy kontrolovat.

Přestože všichni účastníci pracovali se stejnými daty, jejich výstupy se v několika případech lišily. Hned první úkol tak ukázal, proč samotné použití AI ještě nezaručuje správný výsledek.

Účastníkům Jan Duda rozdal připravené datové soubory a zadal na úvod jednoduchý úkol: aby nahráli do svého AI nástroje tabulku s výsledky kampaně a nechali ho spočítat celkové náklady na reklamu na platformách Meta. Kdo neměl k dispozici placenou verzi nějakého nástroje umožňující analýzu dat, získal přístup do Elloia.ai, nástroje vyvinutého právě Janem Sudou.

Přestože všichni účastníci pracovali se stejnými daty, jejich výstupy se v několika případech lišily. Hned první úkol tak ukázal, proč samotné použití AI ještě nezaručuje správný výsledek. Model totiž potřebuje vědět, jak má s daty pracovat. Pro jejich následnou správnou interpretaci musí znát navíc také cíle kampaně, jednotlivé role médií, definice metrik nebo benchmarky. Bez těchto informací může snadno dojít k nesprávným závěrům, i když jsou vstupní data v pořádku.

Nejdřív ty správné otázky, odpovědi potom

Účastníci pracovali s daty z osmitýdenní kampaně fiktivního e-shopu. Porovnávali výsledky z reklamních platforem s údaji o návštěvnosti webu a skutečných prodejích. Jejich úkolem bylo data zpracovat, odhalit nesrovnalosti a zjistit, co se v kampani skutečně stalo.

Jan Suda při workshopu připomněl rozdíl mezi reportingem, analýzou a doporučením. Zatímco report popisuje výsledky – co se stalo, analýza hledá příčiny a souvislosti – tedy proč se věci takto udály a co na ně mělo vliv. Teprve na základě těchto informací lze klientovi doporučit další postup.

Pokud dostane nástroj obecnou otázku typu „Jak kampaň dopadla?“, pravděpodobně pouze shrne čísla, která už v reportu máme.

Jedním z praktických doporučení bylo například, aby účastníci změnili způsob, jakým se AI na výsledky ptají. Pokud dostane nástroj obecnou otázku typu „Jak kampaň dopadla?“, pravděpodobně pouze shrne čísla, která už v reportu máme. Užitečnější je požádat ho o porovnání výsledků z různých zdrojů a hledání případných nesrovnalostí.

Například: proč e-shop nezaznamenal objednávky v odpovídajícím počtu vůči konverzím? Taková otázka vede k ověřování, zda reklamní platforma a e-shop měří stejné události, zda nedochází k duplicitnímu započítávání konverzí nebo zda některý kanál nepřipisuje sám sobě výsledky, které by nastaly i bez něj.

Když čísla vypadají dobře, ale něco nesedí

Právě hledání anomálií patřilo k nejzajímavějším částem workshopu. Suda do dat fiktivní kampaně záměrně ukryl několik problémů, které měli účastníci s pomocí AI odhalit.

Jedním z nich byla například programatická reklama s mimořádně vysokým CTR. Na první pohled výborný výsledek, ve skutečnosti však šlo o podezřelou návštěvnost: 27 tisíc kliknutí nepřineslo jediný nákup.

Dalším příkladem byla výkonnostní kampaň, která vykazovala vysoký počet konverzí, zatímco skutečné prodeje e-shopu nerostly odpovídajícím tempem. Problém souvisel s tím, jak si reklamní systém připisoval konverze z vyhledávání značky.

Účastníci také hledali chyby v měření, nesprávně interpretované náklady v různých měnách nebo postupné opotřebení reklamní kreativy.

Nestačí jen pomocí AI hledat anomálie. Je také potřeba ke každému podezřelému výsledku navrhnout možné příčiny a ověřit je proti dostupným datům.

AI dokáže podobné nesrovnalosti v datech poměrně rychle identifikovat. K jejich vysvětlení ale potřebuje další informace. Například pokles objednávek nemusí znamenat problém s kampaní. Příčinou mohou být potíže s doručováním zboží, které reklamní platforma vůbec nezaznamená.

Co si z toho vzít pro praxi? Nestačí jen pomocí AI hledat anomálie. Je také potřeba ke každému podezřelému výsledku navrhnout možné příčiny a ověřit je proti dostupným datům. Co nelze doložit, musí zůstat hypotézou, a ne součástí závěrečného doporučení.

Co skutečně potřebuje vědět klient

Další část workshopu se věnovala převodu analytických zjištění do srozumitelného komentáře pro klienta.

Jan Suda ukazoval, že stejná data je potřeba interpretovat různě podle toho, komu je report určen. Marketingový specialista může potřebovat podrobný rozbor jednotlivých kanálů, zatímco vedení společnosti zajímá především splnění obchodních cílů, důvody případných odchylek a návrh dalšího postupu.

Účastníci proto pracovali také s formulací insightů. Nestačilo například konstatovat, že určité kreativě pokleslo CTR, bylo potřeba zjistit proč, vyčíslit dopad a navrhnout konkrétní opatření.

Vlastní AI analytik pro další kampaně

Cílem workshopu bylo také ukázat, jak si vytvořit opakovatelný postup pro vyhodnocování kampaní. Účastníci si postupně sestavovali vlastní sadu instrukcí, znalostí a pracovních postupů, ze kterých mohou vytvořit AI agenta.

Suda přitom zdůrazňoval význam kontroly výstupů a bezpečné práce s klientskými daty. Při jejich zpracování doporučuje využívat odpovídajícím způsobem zabezpečené firemní účty, anonymizovat citlivé informace a při napojování AI na další systémy používat pouze přístupy s nezbytnými oprávněními.

Podle sesbírané zpětné vazby získal workshop vysoké hodnocení. Účastníci pozitivně hodnotili zejména odbornou úroveň a praktické zaměření s možností vyzkoušet si práci s AI nástroji na konkrétních datech. Právě důraz na využitelnost získaných znalostí v každodenní agenturní praxi chce AKA zachovat i u dalších vzdělávacích akcí.

Nabídku workshopů do konce letošního roku najdete na aka.cz/vzdelavani.