ChatGPT dla Marketera: SEM

0:02Pierwszy przykład, na którym się skupimy, dotyczy generowania różnych wersji tzw.

0:07wersji AP do naszej kampanii reklamowej.

0:10W tym przykładzie wykorzystamy kampanię RSA, czyli Responsive Save AS, które

0:15pozwala nam na dostosowywanie reklamy do naszego odbiorcy.

0:18W trakcie tworzenia kampanii Google wymaga od nas dostarczenia kilku nagłówków i

0:22opisów w taki sposób, aby na podstawie własnych algorytmów mógł dobierać wersję,

0:27która jego zdaniem najlepiej trafi do naszego odbiorcy.

0:30I o stworzenie właśnie tych tekstów poprosimy http.

0:34W ramach naszego projektu jedyne co musieliśmy uzupełnić to temat, którego

0:38dotyczy kampania, a czas PPT zrobił dokładnie to, o co go poprosiliśmy.

0:43Wygenerował dwie niezależne wersje reklamy

0:46oraz po trzy nagłówki i dwa opisy na samym końcu.

0:50Również zgodnie z naszą prośbą uzasadnił

0:52to, dlaczego sądzi, że dane reklamy sprawdzą się w naszym przypadku.

0:57Jak już zapewne się domyślasz, generowanie

1:00kodu Action czy też wsparcie w jego tworzeniu również jest możliwe z HTTP.

1:05Przy czym ważne jest tutaj o tym, abyśmy nie zapomnieli o intencji

1:09i często staramy się skrócić naszą pracę w taki sposób, że wklejamy treść i prosimy

1:13http o to, aby wygenerował pasujące call to action.

1:17Przy czym przy tak zdefiniowanym zadaniu istnieje spore ryzyko, że propozycja

1:21będzie nietrafiona i nawet dodanie bardzo krótkiej intencji w taki sposób, że chcemy

1:26nakłonić czytelnika do zamówienia preorder.

1:29Zapraszamy go do programu lojalnościowego

1:32czy też skłaniamy do odnowienia subskrypcji.

1:34Takie podejście już znacząco zwiększa szansę, że otrzymane propozycje będą

1:39znacznie bliżej tego, co faktycznie będziemy w stanie wykorzystać, czy to w

1:42ramach naszego artykułu, czy też tworzonej kampanii.

1:45A jeśli Twoim zadaniem jest wygenerowanie dłuższego call to action, to możesz

1:49skorzystać z jednego ze sprawdzonych modeli, np.

1:52Pass. Sam sposób pracy jest tutaj bardzo podobny

1:54do tego, co mieliśmy przy generowaniu dłuższych treści.

1:58I to co było też tutaj istotne jest to, że nie chcemy, aby

2:03odpowiedzi, czyli konkretne propozycje call to action zawierały nawiązania.

2:07W którym miejscu jest mowa o problemie,

2:10gdzie jest nawiązanie do pobudzenia, a gdzie znajduje się rozwiązanie.

2:14Chcemy otrzymać już gotowe gotową treść.

2:18Stąd też ostatni element naszego projektu.

2:21W analogiczny sposób możemy przygotować

2:23treść do naszych reklam w ramach linki do nas.

2:26Zróbmy krótkie przypomnienie, jak wygląda proces pracy nad takim zadaniem.

2:31Od razu prosimy o przygotowanie kilku wariantów.

2:34Wskazujemy, co dokładnie chcemy promować.

2:38Nie zostawiamy przypadkowi tego, czy P.T.

2:41trafi w cechy, które chcemy podkreślić i np.

2:45od razu pokazujemy nasze USP.

2:48Dodatkowo określamy długość oczekiwanej odpowiedzi.

2:51Chociaż mamy świadomość tego, że może ona wymagać korekty.

2:55Jak już wiesz, czat pt.

2:56nie do końca jest w stanie przewidzieć jak

2:58długą treść generuje, co jest zwłaszcza uciążliwe, jeśli mamy krótki limit znaków.

3:11Wygenerowana odpowiedź raczej nie będzie

3:13finalną wersją i warto jest tutaj udzielić feedbacku.

3:28W poprzedniej lekcji zobaczyłeś w jaki

3:29sposób HTTP może pomóc generować słowa kluczowe.

3:33A teraz pójdziemy o krok dalej.

3:37Wykorzystamy go po to, aby przygotowane wcześniej propozycje

3:41pogrupować przez intencje osoby, która wpisała dane słowo kluczowe.

3:46Przeanalizujmy przykład, który mamy na ekranie.

3:51Wygenerowali śmy wcześniej 17 słów kluczowych i wszystkie tak naprawdę

3:55dotyczą jednej głównej kategorii, jaką jest kawa.

3:59Ale tym razem chcemy tak jak przed chwilą o tym wspominałem, pogrupować je po

4:05intencji, która stoi za poszczególnymi słowami kluczowymi.

4:09Co więcej, dokładnie też narzucamy format,

4:11w jakim chcemy, aby została zwrócona odpowiedź, czyli chcemy mieć numer grupy.

4:15Listę słów kluczowych, które pasują do tej grupy i jedno, dwa zdania opisu.

4:19Intencję, która stoi za poszczególnymi słowami kluczowymi.

4:23Tak jak widzisz, czat zrobił dokładnie to, o co go poprosiliśmy.

4:28Słowa kluczowe, które użyliśmy w formacie zostały pogrupowane.

4:32W efekcie mamy 6 grup.

4:34Każda z nich zawiera informacje na temat

4:36słów kluczowych i jaka stoi za nimi intencja.

4:39Innym mniej popularnym, ale równie

4:41przydatnym zastosowaniem jest znalezienie semantycznie powiązanych słów kluczowych i

4:46fraz, czyli keywords, które koncepcyjnie nawiązują do głównego słowa kluczowego.

4:52Sprawdźmy to na prostym.

5:05Muszę przyznać, że ten przykład, który teraz będziemy omawiali jest jednym z

5:09moich ulubionych i na mnie osobiście robi największe wrażenie.

5:14Mam tutaj na myśli wykorzystanie 4 pt do

5:16pracy na naszych danych z wykorzystaniem modułu Advanced Data

5:22Analysis, który w chwili obecnej jest co prawda dostępny tylko i wyłącznie dla

5:26użytkowników 40+, ale zdecydowanie warto go poznać.

5:31Przykład, który rozważymy będzie polegał

5:33na przeanalizowaniu razem z PT wyników naszej kampanii, które mamy

5:38zapisane w ramach pliku CSV i eksport tej kampanii wygląda dokładnie w

5:44taki sposób, jak widzisz to teraz na ekranie.

5:47W pierwszej kolumnie mamy informacje na temat kampanii.

5:50Następnie kolejnych kolumnach mamy

5:52informację o tym, w jakim okresie ona była prowadzona, jaki mieliśmy budżet, jaki to

5:57był typ kampanii, do kogo ją kierowaliśmy i plik, który wrzuciliśmy.

6:02PT miał około tysiąca wierszy.

6:06Zobacz, jak w prosty sposób byliśmy w

6:07stanie podsumować budżet per poszczególny typ kampanii.

6:11Wystarczy, że wygraliśmy nasz plik CSV.

6:13Przypominam, że musimy tutaj aktywować

6:15moduł Advanced Data Analysis i jedyne co to wprost powiedzieliśmy czego oczekujemy.

6:21Czerwiec pt przeprowadził nas krok po kroku przez cały proces i to, że pokazał

6:25nam to, w jaki sposób dochodził do finalnego rezultatu.

6:28Pozwala nam na prześledzenie i wyłapanie ewentualnych błędów.

6:32Proces zaczyna się od wczytania naszego pliku z danymi na temat kampanii i

6:38opisania przez PT w jaki sposób rozumie otrzymany plik.

6:43To co jest tutaj ciekawe to że jedynie na

6:44podstawie samej informacji zawartej w pierwszym wierszu

6:48był w stanie odpowiednio zinterpretować czego dotyczą poszczególne dane.

6:52Następnie pokazuje nam w jaki sposób dojdzie do celu, czyli że zacznie od

6:56pogrupowanie danych w zależności od zawartości kolumny type, bo właśnie tam

6:59znajduje się typ kampanii, a następnie sumuje wartości w kolumnie Budget.

7:05Oznacza to, że bezbłędnie odczytał nasze

7:08intencje, a w efekcie wygenerował poprawny plik.

7:12Ważne jest tutaj, abyś pamiętał o tym, że

7:14modele językowe same w sobie nie są w stanie wykonywać nawet prostych operacji

7:18matematycznych, więc gdybyśmy poprosili sam czat BT

7:22bez tego modułu o wykonanie tego typu operacji np.

7:25ręcznie wklejając dane, to ryzyko halucynacji, a zarazem

7:29otrzymania błędnego wyniku byłoby bardzo wysokie.

7:32Ten moduł sprawdza się niejako właśnie

7:34dlatego, że pod spodem są wykorzystywane dodatkowe mechanizmy, które piszą dla nas

7:39kod, który przetwarza dane w taki sposób, jak tego oczekujemy.

7:43Z naszej perspektywy jest to o tyle super,

7:45że my tylko i wyłącznie podajemy jaki efekt chcemy osiągnąć, a nie musimy się

7:49zastanawiać, co tak naprawdę po drodze należy wykonać.

7:52A z drugiej strony, skoro czat wypity pokazał nam sposób dojścia do tego

7:56rezultatu, to jeśli po drodze wydarzyło się coś nieoczekiwanego, możemy na to

8:00zwrócić uwagę i odpowiednio skorygować czat.

8:02Możliwości tego modułu nie ograniczają się

8:05jedynie do poprawnego liczenia, ale również wizualizowanie danych i widzimy to

8:10w naszym drugim projekcie w ramach kontynuowania tej rozmowy.

8:13W tym przykładzie poprosiliśmy o pokazanie liczby aktywnych kampanii w lutym tego

8:17roku i ponownie zostaliśmy przeprowadzenie przez cały proces dochodzenia do wyniku, a

8:23na samym końcu otrzymaliśmy wizualizację wyniku, o którą poprosiliśmy,

8:27zanim mieliśmy do dyspozycji moduł Advanced Data Analytics.

8:30Jedyną możliwością sensownej pracy z danymi było wykorzystanie pluginu Wolfram,

8:35co oczywiście nadal ma praktyczne zastosowanie.

8:38I sprawdzimy to teraz na nieco późniejszym przykładzie, w którym trochę się

8:43uzewnętrznienie dla tego, że sprawdzimy moje BMI.

8:47Zaczynamy od aktywowania pluginu.

8:52A następnie wpisujemy prosty prompt.

9:05Tak jak widzisz, otrzymaliśmy nie tylko

9:07samą wartość, ale również wizualizację wyniku.

9:11Dobrze, w takim razie zastanówmy się co musiałoby się stać, aby moje BM wynosiło

9:1720 i w jaki sposób mógłbym dojść do takiego wyniku.

9:50To co bardzo mi się podoba w wygenerowanej

9:53odpowiedzi jest to, że zostaliśmy prze prowadzeni przez cały proces, dzięki czemu

9:58możemy łatwo zweryfikować w oparciu o jakie dane otrzymaliśmy odpowiedź.

10:02Mamy tutaj też więcej kontekstu i dopiero na samym końcu

10:08pada finalna wartość jak i zostaje wygenerowany dla nas wykres

10:14pokazujący w jaki sposób będzie zmieniała się nasza waga i to z uwzględnieniem

10:19utraty wagi na poziomie pół jak i jednego kilograma.

10:23Zachęcam Cię do własnych eksperymentów w

10:25pracy z danymi zarówno w ramach pluginu Wolfram jak i Advanced Data Analysis.

10:31Powiem to ponownie, ale bardzo mi zależy,

10:34abyś wykorzystywał czas GPT również w tym celu.

10:36Ma on się wyręczyć w takich monotonnych,

10:39powtarzalnych zadaniach, tak abyś Ty mógł skupić się na większych wyzwaniach.

10:45I przykładowo możemy mieć tekst, który zawiera listę różnych adresów i

10:51potrzebujemy wyciągnąć z niego, podobnie jak robiliśmy to w przypadku mapy strony

10:56same adresy i upewnić się, że one wszystkie będą odpowiednio zapisane.

11:00I zobaczmy to na konkretnym przykładzie.

11:02To co aktualnie widzisz na ekranie to 10

11:04najpopularniejszych adresów stron internetowych.

11:08I tak jak widzisz wkleiłem je bardzo niechlujnie.

11:11Czas GPT był w stanie nie tylko wyciągnąć

11:14same adresy i tutaj jak zobaczysz na adres Yahoo, ale również był w stanie dodać

11:19odpowiedni prefix zgodnie z moim poleceniem w ramach projektu.

11:24I to co jest tutaj naprawdę ciekawe, to że

11:26nawet jeżeli któryś z tych adresów zawierał już taki prefix wcześniej tak jak

11:29było, a czy też Twitter to czarodziej PT nie zrobił tego na ślepo?

11:35Czyli nie doklejone wskazanej przeze mnie frazy na samym początku tylko zweryfikował

11:40najpierw czy ta fraza się tutaj znajduje, a jeśli nie dopiero ją uzupełnił.

11:43Co więcej, czas GPT potwierdził nam

11:45jeszcze sposób dojścia do tego rezultatu, co niejako dla nas jest dodatkowym

11:49potwierdzeniem, że nasza intencja została dobrze zrozumiana.

11:52Standardowo, w ramach zadania domowego

11:54zachęcam do spróbowania tego, czego nauczyliśmy się w tej lekcji w praktyce,

11:59zwłaszcza tych zastosowań, których wcześniej nie stosowałeś.

12:03I może to być np.

12:04kwestia grupowania słów kluczowych czy

12:07wydobywania konkretnych informacji z tekstu.

12:10Do tej pory robiliśmy to na podstawie adresów stron internetowych,

12:14ale możesz też wkleić tekst, który będzie zawierał np.

12:17numery telefonów czy też adresy e-mail i

12:19poprosić, czy Pete aby wyciągnął te informacje dla Ciebie.

12:23A jeśli masz dostęp do czat G+, to gorąco zachęcam Cię do skorzystania z Advanced

12:29Data Analysis i opracowania na swoich danych.

12:32Przy czym oczywiście pamiętaj o tym, o

12:34czym mówiliśmy w poprzedniej module, aby nie wklejać tam żadnych wrażliwych danych.

12:38To wszystko w tej lekcji i do zobaczenia w następnej.