Zajrzyj do środka Google Ads – strategie inteligentnego określania stawek i automatycznego określania stawek

Ciężko pracowałeś, aby stworzyć znakomitą witrynę. Udało Ci się stworzyć wysokiej jakości kampanie Google Ads i przeprowadzić eksperymenty, by znaleźć najlepsze strony docelowe po kliknięciu dla każdej grupy odbiorców. Wielokrotnie powtarzałeś testy tekstów reklam, jednocześnie wiernie zarządzając stawkami za słowa kluczowe i budżetami. Być może nawet spędziłeś trochę czasu ze zdarzeniami wyzwalanymi kliknięciami w GTM, aby mieć pewność, że wszystkie Twoje konwersje są śledzone prawidłowo. A jednak nadal masz trudności z osiągnięciem celów CPA lub rozwojem konta.

Nadszedł czas, aby roboty zaczęły pomagać.

Robisz wszystko, co należy, ale nie masz wystarczająco dużo czasu, aby doskonale nadzorować każdą stawkę za słowo kluczowe, budżet, odmianę reklamy i grupę docelową. Na szczęście jesteś doświadczonym marketingowcem technicznym i jesteś gotowy skorzystać z uczenia maszynowego, aby uzyskać jeszcze więcej ze swoich dolarów PPC. Jednym z najlepszych testów do przeprowadzenia podczas odkrywania świata automatyzacji i uczenia maszynowego są strategie ustalania stawek Google Ads.

Jak inteligentne określanie stawek Google Ads wykorzystuje systemy uczące się do skuteczniejszej automatyzacji stawek

Google Ads wprowadził strategie inteligentnego określania stawek w 2016 roku, opierając się na wcześniejszych opcjach automatycznego określania stawek, ogłoszonych już w połowie 2010 roku. W ciągu ostatnich dwóch lat inteligentne określanie stawek rozwijało się i stawało się coraz potężniejsze. Google dodał dwa nowe cele strategiczne, a wspierające algorytmy nadal ewoluują w miarę jak uczenie maszynowe staje się bardziej zaawansowane. Poniżej omówiono pełną listę dostępnych strategii, ale najpierw zastanówmy się, jak i dlaczego działa inteligentne określanie stawek.

Każdy użytkownik wyszukiwarki Google ma kilka cech identyfikacyjnych lub „sygnałów”. Należą do nich takie rzeczy jak:

• Urządzenie
• Lokalizacja
• Płeć
• Wiek
• Poziom przychodów
• Pora dnia
• Dzień tygodnia

Google pokazuje reklamodawcom agregacje skuteczności dowolnego z tych sygnałów, aw niektórych przypadkach nawet kombinacji dwóch lub więcej. Doświadczeni menedżerowie PPC wiedzą, że mądrze jest wprowadzać modyfikatory stawek dla sygnałów, których zagregowana skuteczność znacznie odbiega od normy. Jednocześnie jednak zdają sobie również sprawę, że nikt nigdy nie jest w stanie doskonale pokryć wszystkich odmian i kombinacji sygnałów, które mogą się pojawić.

Aby jeszcze bardziej skomplikować sprawę, istnieją inne sygnały, które wymagają decyzji „wszystko albo nic” w przypadku ręcznej konfrontacji:

• Ustawienia geograficzne można ustawić tak, aby obejmowały użytkowników zainteresowanych lokalizacjami docelowymi, oprócz tych fizycznie obecnych
• Reklamy tekstowe mogą kwalifikować się do wyświetlania we wszystkich partnerach sieci wyszukiwania lub nie mogą być wyświetlane wcale
• Ustawienia kampanii i grup reklam mogą wykorzystywać selektywną automatyzację „zoptymalizowanej” rotacji reklam, która uwzględnia różne cechy reklam

Niektóre sygnały są całkowicie niewidoczne w segmentach danych Google Ads, w tym między innymi przeglądarka i system operacyjny, wcześniejsze interakcje w witrynie, atrybuty produktu (zobacz pełną listę sygnałów automatycznego określania stawek). Co więcej, nawet gdyby dane były dostępne do analizy, obecnie nie ma możliwości ręcznej modyfikacji stawek na podstawie tych ukrytych sygnałów:

Włącz uczenie maszynowe.

Uczenie maszynowe Google Ads śledzi i analizuje każdy widoczny i ukryty sygnał z każdego wyszukiwania i każdego kliknięcia. Uczenie maszynowe może wykryć drobne, ale znaczące różnice w zachowaniu użytkowników, które wynikają z różnic w danych demograficznych, korzystaniu z urządzeń oraz wyrażonych lub wywnioskowanych zainteresowaniach i preferencjach. Sygnały te są następnie porównywane z danymi dotyczącymi skuteczności, takimi jak historyczne współczynniki kliknięć i konwersji, a stawki są zwiększane lub zmniejszane, aby osiągnąć wybrany cel.

Ostatecznie uczenie maszynowe jest podejściem niezwykle dynamicznym i opartym na danych, co daje mu potencjał, by stać się potężnym narzędziem w twoim arsenale PPC.

Porównanie korzyści typowych strategii inteligentnego określania stawek

Przed przetestowaniem jakiegokolwiek inteligentnego określania stawek upewnij się, że rozumiesz powody, dla których NIE należy używać automatycznej strategii ustalania stawek PPC. Jeśli masz pewność, że Twoje kampanie spełniają wymagania dotyczące sukcesu inteligentnego określania stawek (15 lub 30 konwersji/30 dni, tylko wysokiej jakości działania powodujące konwersje w kolumnie „Konwersje”, brak zbliżających się dat zakończenia kampanii), następnym zadaniem jest określenie, która strategia ustalania stawek najlepiej pasuje do Twoich potrzeb.

Inteligentne określanie stawek Google Ads obsługuje obecnie cztery strategie automatycznego określania stawek:

• Ulepszony CPC
• Docelowy CPA
• Docelowy ROAS
• Maksymalizuj konwersje

Chociaż z technicznego punktu widzenia nie jest to strategia inteligentnego określania stawek (ponieważ koncentruje się ona bardziej na ruchu niż na konwersjach), podczas omawiania opcji inteligentnego określania stawek często bierze się pod uwagę maksymalizację liczby kliknięć.

Aby czerpać korzyści z inteligentnego określania stawek, musisz rozważyć cele każdej strategii w koordynacji z własnymi:

Wybór odpowiedniej strategii inteligentnego określania stawek do przetestowania

Każda opcja strategii inteligentnego określania stawek ma swoje własne unikalne podejście do zwiększania ruchu, zaangażowania i konwersji wysokiej jakości. Podejścia te określają podstawowy algorytm używany do manipulowania stawkami w kampanii, grupie reklam i słowach kluczowych. Dlatego dokonanie odpowiedniego wyboru ma kluczowe znaczenie dla powodzenia aplikacji.

Aby łatwiej poruszać się po opcjach, możesz skorzystać z poniższego wykresu, aby określić, którą strategię inteligentnego określania stawek należy najpierw przetestować, aby osiągnąć swoje cele:

Zalecamy przetestowanie nowych strategii ustalania stawek za pomocą Eksperymentów Google Ads, które umożliwiają bezpośrednie porównanie skuteczności z poprzednią strategią ustalania stawek w badanym okresie.

Określanie, czy inteligentne określanie stawek działa w Twoim przypadku

Po rozpoczęciu eksperymentu ustalenie, czy inteligentne określanie stawek faktycznie działa na Twoją korzyść, może być trudne. Google Ads pokazuje wyniki w porównaniu z kampanią źródłową podczas przeglądania dowolnej karty w ramach eksperymentu:

Dobrze nazwany eksperyment pozwala jednak łatwiej porównywać skuteczność, pobierając prosty raport z kampanii i analizując wskaźniki KPI kampanii źródłowej i eksperymentu obok siebie (lub w tym przypadku wiersz po rzędzie).

Przykład 1: Maksymalizacja liczby konwersji

Jeden z niedawnych eksperymentów przeprowadzonych w imieniu klienta generującego leady pokazuje, w jaki sposób strategia Maksymalizacji konwersji była w stanie radykalnie poprawić skuteczność kampanii w sieci wyszukiwania o ograniczonym budżecie.

Test został uruchomiony w dwóch kampaniach, które zapewniały stałą liczbę potencjalnych klientów przy niższym niż przeciętny CPA. Ponieważ leady z tych konkretnych kampanii były trudniejsze do zamknięcia wewnętrznie, celem było wygenerowanie większej liczby leadów bez inwestowania dodatkowych wydatków. Strategia ustalania stawek Maksymalizacja liczby konwersji była w stanie zwiększyć ruch, zaangażowanie i wskaźniki konwersji przy niższym całkowitym koszcie i zmniejszonym koszcie/konwersji:

Obie kampanie testujące eksperymenty Maksymalizacja liczby konwersji odnotowały więcej konwersji przy niższym CPA niż ich odpowiedniki z Ulepszonym CPC. Dlatego i tak strategia Maksymalizuj liczbę konwersji została w pełni zastosowana i nadal dobrze się sprawdza.

Taki wynik każdy chciałby zobaczyć, analizując eksperymenty z kampanią, ale niestety większość z nich nie jest aż tak idealna.

Przykład 2: Docelowy CPA

Rozważmy inny eksperyment z konta generowania leadów, w którym testowano docelowy CPA w celu zwiększenia liczby leadów przy określonym koszcie konwersji, a wyniki wcale nie były jednoznaczne.

Ten test został uruchomiony w dwóch kampaniach, które w przeszłości generowały wysokiej jakości leady, ale w których stosunek kosztu do konwersji rósł z czasem. Ponieważ kampanie nie były ograniczone budżetem, celem była optymalizacja wyświetlania reklam w celu zmniejszenia zmarnowanych wydatków dla użytkowników, którzy prawdopodobnie nie dokonają konwersji. Strategia ustalania docelowej stawki CPA była w stanie obniżyć koszty przy jednoczesnym zwiększeniu współczynnika konwersji, ale kosztem mniejszego ruchu i liczby konwersji:

Obie kampanie przyniosły mieszane wyniki, a ostateczne ustalenie zostało dokonane na podstawie pierwotnych celów eksperymentu. Wiadomo, że docelowy CPA czasami ogranicza ruch, aby zapobiec przekroczeniu stawki CPA, ale skutecznie obniżył koszt konwersji, zmniejszając zmarnowane wydatki i koncentrując wyświetlanie reklam na wyszukiwarkach wysokiej jakości. Spadek liczby wyświetleń, kliknięć i konwersji został przeoczony na korzyść skuteczniejszego określania stawek w celu generowania wysokiej jakości potencjalnych klientów przy niższych kosztach.

Końcowe myśli

Inteligentne określanie stawek ma na celu przyciągnięcie większej liczby najlepszych użytkowników do stron docelowych po kliknięciu. Należy jednak rozumieć, że algorytmy mogą spełnić tę obietnicę w inny sposób. Czasami osiągają to głównie poprzez dostarczanie większej ilości ruchu. W innych przypadkach ruch może się zmniejszyć na korzyść przyciągania użytkowników o wyższej jakości do Twojej witryny lub strony docelowej po kliknięciu.

Jeśli wyniki eksperymentu są mieszane, pamiętaj, aby zastanowić się nad początkowymi celami podczas określania zwycięzcy i rozważyć dostosowanie zmiennych tam, gdzie to konieczne, aby znaleźć najskuteczniejszą strategię ustalania stawek dla każdej kampanii.