机器学习会让效果营销岗位过时吗？

在开始前先交代下背景，这样你更容易理解我为什么会问这个问题。

我职业里有很长时间都在做 performance marketing。刚入行时，Google AdWords 和今天完全不是一个世界。比如以前有条规则：关键词 CTR 低于 0.5% 会直接变成“inactive”，而 inactive 后要恢复几乎不可能。

那时 Facebook 才刚成立，还没有 Facebook Ads :D

快进到 2022 年，机器学习已经是 Google 与 Meta 广告系统（以及 Amazon 等平台）的核心。两家公司都在强调：

• 简化账户结构（让机器获得更多数据）
• 创意多样化（格式与概念都要多样）
• 完整 tagging / Conversion API（把广告主关心的 outcome signal 回传给机器）

过去那种精细拆分搜索/展示结构、并为每个受众段单独配创意的时代，正在快速退场。现在很多场景下，平台建议你只建一个 campaign（比如 Google 的 Performance Max），机器会自动匹配最合适的库存（Search、YouTube、Gmail 等），并通过响应式广告自动挑选最优素材。出价可以直接用平台内置策略自动优化，campaign 间预算也能半自动分配。

那我们每天还做什么？:D 做 Excel 报表吗？:P

机器学习只是工具

是的，它是非常强的工具，但终究是工具。也就是说，机器并不知道什么对你的业务真正有利。（这里先暂停 1 秒）

机器非常擅长在你设定的目标与效率约束下，优化到你想要的结果（如 conversion 或 ROI）。

但它不知道“这个目标本身”是否适合你的业务。

它不知道你到底该投 Google、Meta，还是干脆不投广告。

机器不知道的东西还很多

• 它不了解你的品牌与潜在客户。
• 它不知道潜在客户为什么会选你而不是对手。
  • 若缺少高质量训练数据，它无法自己产出真正有效的沟通信息与落地页体验。
• 它不知道投放是否给你带来了增量收入。
  • 增量收入是指“如果不投广告，本来不会出现”的那部分收入。
  • 机器也许能在单一渠道内估计增量，但很难在企业整体层面给出完整答案。

Walled gardens 限制了机器能力边界

机器可以在 Google 生态、Meta 生态、Amazon 或 TikTok 生态内做得非常好；但很难跨生态统一最优。考虑到隐私法规趋势，这种情况短期内不太会改变。

所以，“在哪个生态投、各投多少预算”，仍是人来做决策。

未来 3-5 年

至少目前我不担心自己在未来 3-5 年内被机器完全替代。但我确实该持续思考：如何给业务创造更高价值。例如继续打磨这些能力：

• 深入理解品牌与潜在客户

• 理解企业拥有（或缺失）的竞争power

• 判断“是否真的应该投广告”

• 如果要投，如何评估广告对业务的增量影响（关键词：incremental）

  • 增量影响可能是短期（3 个月内）也可能是长期（按年），所以需要不同衡量方案

• 如何把机器学习系统“设置为成功状态”

  • 在全球不同隐私法规下，如何建立框架：既守法、又尊重用户、还能回传机器所需信号？
    • 过去“能收集的数据尽量都收集再回传平台”的做法已经不可持续。
    • 现在必须明确：哪些数据为何重要、是否允许采集、应该如何合规回传。
  • 创意与整体体验：格式、概念、视觉表达、人物代表性等维度都要持续拉开多样性。

• 如何让机器在“非广告活动”中同样发挥价值

你怎么看？你在日常效果营销工作里是否已经明显感受到机器学习带来的岗位变化？你正在重点补哪类能力？

致敬，

Chandler