Closed Loop Q&A: การปรับเปลี่ยนในแบบของคุณ การเรียนรู้ของเครื่อง และวิธีเพิ่มผลลัพธ์แคมเปญโฆษณาให้ได้สูงสุด

คุณอาจจำคำถาม & คำตอบกับ Elite SEM ย้อนกลับไปในเดือนมกราคมที่พวกเขาคุยกันถึงกลยุทธ์โฆษณาของ Google และ Facebook ที่ผู้ลงโฆษณาควรให้ความสนใจ และวิธีที่การปรับเปลี่ยนในแบบของคุณและการเรียนรู้ของเครื่องจะส่งผลต่อแคมเปญ

คนต่อไปในซีรีส์เอเจนซีนี้คือ Amanda Evans ประธานเจ้าหน้าที่ฝ่ายโฆษณาของ Closed Loop คุณจะสังเกตเห็นว่าการตอบสนองแตกต่างจาก Elite SEM เล็กน้อย เป็นไปตามที่คาดไว้ และนี่แสดงให้เห็นว่าการโฆษณาดิจิทัลในปัจจุบันมีความซับซ้อนมาก และเอเจนซีควรประเมินกลยุทธ์แบบชำระเงินของตนอย่างต่อเนื่อง

กลยุทธ์ Google Ads ใดบ้างที่คุณคิดว่าเคยใช้ได้ดีในอดีตแต่ใช้ไม่ได้ในอนาคต

AE: มีสามสิ่งที่ฉันต้องการให้ความสนใจ:

1. Single Keyword Ad Groups (SKAGs) — โครงสร้างนี้ใช้งานไม่ได้อีกต่อไปและทำให้อัลกอริทึมการเรียนรู้ของเครื่องหยุดทำงาน แต่กลุ่มโฆษณาที่มีธีมแน่นซึ่งมีคำหลัก 10-15 คำมักจะทำงานได้ดีที่สุด เราจะใช้กลุ่มโฆษณาคำหลักคำเดียวสำหรับคำหลักที่มีปริมาณมากเท่านั้น แต่สิ่งนี้เกิดขึ้นได้ยาก
2. การทดสอบแยก A/B จริง — แทบจะเป็นไปไม่ได้เลยที่จะทำการทดสอบแยก A/B จริงกับโฆษณาอีกต่อไป และไม่จำเป็นต้องทำเช่นนั้นด้วย อัลกอริทึมของทั้ง Google และ Facebook ทำงานได้อย่างน่าทึ่งในการปรับให้เหมาะสมสำหรับนักแสดงที่ดีที่สุด
3. การเสนอราคาสำหรับอุปกรณ์ติดลบ 100% — การเสนอราคา นี้อาจเป็นข้อโต้แย้ง แต่ผู้ลงโฆษณาที่เลือกไม่ใช้อุปกรณ์เคลื่อนที่โดยสิ้นเชิงจะถูกทิ้งไว้ข้างหลัง ผู้บริโภคในปัจจุบัน (รวมถึง B2B) กำลังสลับไปมาระหว่างอุปกรณ์ต่างๆ อย่างรวดเร็วกว่าที่เคยเป็นมา แนวคิดที่ว่าผู้คนจะค้นหาเฉพาะบนอุปกรณ์ที่พวกเขากำลังจะทำ Conversion นั้นมีสายตาสั้น

คำถามเดียวกับด้านบน แต่สำหรับโฆษณา Facebook…

AE: เช่นเดียวกับ Google Ads การทดสอบแยก A/B จริงแทบจะเป็นไปไม่ได้เลย จำนวนรูปแบบโฆษณา แพลตฟอร์ม และตำแหน่งบนเครือข่าย Facebook เพิ่มขึ้นอย่างทวีคูณ การทดสอบ A/B ในตอนนี้จะทำให้ประสิทธิภาพของบัญชีทั้งหมดกลับมาเหมือนเดิม และความจริงก็คืออัลกอริทึมทำหน้าที่ 'เลือก' ผู้ชนะที่เหมาะสมได้อย่างยอดเยี่ยม ดังนั้นจึงไม่จำเป็นต้องทำการทดสอบ A/B

นอกจากนี้ เรายังเห็นว่าโครงสร้างแบบละเอียดไม่ทำงานอย่างที่เคยเป็นอีกต่อไป ความสำเร็จเกิดขึ้นเมื่อคุณ 'ป้อนเครื่อง' — ให้ข้อมูลมากที่สุดเท่าที่จะเป็นไปได้ เพื่อให้เครื่องสามารถหารูปแบบที่ดีที่สุดที่จะให้บริการ

มีอะไรใน Google Ads ที่คุณคิดว่าถูกมองข้ามแต่จะยิ่งใหญ่ในปี 2019

AE: สองสิ่งที่อยู่ในใจ…

1. การกำหนดเป้าหมายตามผู้ชม / การกำหนดเป้าหมายแบบชั้น เราเริ่มเห็นพลังอันน่าทึ่งของการแบ่งกลุ่มผู้ชม ทั้งผู้ชมที่เป็นบุคคลที่หนึ่งและบุคคลที่สาม เข้าสู่แคมเปญการค้นหาเพื่อปรับปรุงราคาต่อหนึ่งการกระทำ นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับลูกค้าที่มีความหมายซ้ำกันของคำหลักที่คล้ายกัน เราเห็นปัญหานี้มากในพื้นที่ B2B และการแบ่งกลุ่มผู้ชมช่วยให้เราก้าวข้ามความยุ่งเหยิง
2. การจัดโครงสร้างแคมเปญให้ทำงานร่วมกับอัลกอริทึม Smart Bidding และ ยังช่วยให้ควบคุมงบประมาณได้เข้มงวดขึ้นด้วย แนวทางปฏิบัติแบบเก่าในการจัดโครงสร้างแคมเปญ โดยเฉพาะ SKAG นั้นทำงานขัดกับอัลกอริทึมการเสนอราคา เราพบว่าโครงสร้างจำเป็นต้องเปลี่ยนแปลงเพื่อให้อัลกอริทึมทำงานได้ดีที่สุด

คำถามเดียวกับด้านบน แต่สำหรับ Facebook Ads…

AE: สำหรับ Facebook ฉันคิดว่าสิ่งต่อไปนี้ถูกมองข้าม:

1. ความสามารถในการ เพิ่มการกำหนดกลุ่มเป้าหมายของ Facebook ด้วยการรวมข้อมูลบุคคลที่สาม ในขณะที่จำนวนผู้ชม Facebook ลดลงในปีที่ผ่านมา ผู้ให้บริการข้อมูลบุคคลที่สามไม่เพียงเติมเต็มช่องว่าง แต่ยังขยายขีดความสามารถอีกด้วย เราสามารถปรับแต่งโฆษณาให้เหมาะกับผู้ชมด้วยความละเอียดที่มากกว่าที่เคย เปิดโอกาสใหม่ๆ ให้กับผู้ลงโฆษณา
2. วิดีโอที่ปรับให้เหมาะกับมือถือ ในปีที่แล้ว 95% ของผู้ใช้ Facebook เข้าถึง Facebook จากสมาร์ทโฟน แม้ว่านักการตลาดจะเข้าใจการเติบโตของมือถือ แต่ดูเหมือนว่ามีผู้ลงโฆษณาเพียงไม่กี่รายที่ใช้ประโยชน์จากมัน เราเห็นความสำเร็จที่น่าทึ่งจากแคมเปญวิดีโอที่ปรับให้เหมาะกับอุปกรณ์เคลื่อนที่ของเรา โดยมีทั้ง CTR และอัตรา Conversion เพิ่มขึ้นอย่างมาก

คุณเห็นว่า AI และแมชชีนเลิร์นนิงมีบทบาทอย่างไรกับโฆษณาแบบชำระเงินในอนาคต

AE: บทบาทของ AI และแมชชีนเลิร์นนิงในโฆษณาแบบชำระเงินยังคงพัฒนาต่อไป แต่เราคาดว่าการแบ่งปันความคิดจะเติบโตอย่างมากในปีหน้า

ในหน้าการเสนอราคา อัลกอริทึมของ Google และ Facebook กำลังแสดงสัญญา แต่มีช่องว่างที่สำคัญบางประการ เพื่อให้ AI และแมชชีนเลิร์นนิงตระหนักถึงศักยภาพ Facebook และ Google จะต้องให้การควบคุมและความยืดหยุ่นแก่ผู้ที่จัดการแคมเปญ

มีสองประเด็นสำคัญที่เราคาดว่าจะได้รับการแก้ไขในปีนี้:

1. ข้อมูลที่อัลกอริทึมใช้อาจไม่ใช่ข้อมูลเดียวกับ ที่ผู้ลงโฆษณาสนใจ ตัวอย่างเช่น ในพื้นที่ B2B Google และ Facebook สามารถเข้าถึงลูกค้าเป้าหมายได้ แต่มีผู้ลงโฆษณาเพียงไม่กี่รายที่ให้พวกเขาเข้าถึง MQL แมชชีนเลิร์นนิงสามารถเพิ่มประสิทธิภาพเฉพาะสิ่งที่เข้าถึงได้เท่านั้น มีแนวโน้มว่าเราจะเห็นบุคคลที่สามสร้างการผสานรวมเพื่อส่งข้อมูลภายในของผู้ลงโฆษณาไปยังแพลตฟอร์ม Facebook และ Google
2. อัลกอริทึมมักจะตอบสนองช้าต่อการเปลี่ยนแปลงขนาดใหญ่หรือ 'การสะดุด' ของแคมเปญ เรามักพบว่างบประมาณจำนวนมากหรือการเปลี่ยนแปลงเป้าหมายมีผลกระทบอย่างมากต่อประสิทธิภาพด้วยแมชชีนเลิร์นนิง ตัวอย่างเช่น หากการติดตามหยุดทำงานเป็นเวลา 2-3 วัน ประสิทธิภาพการทำงานจะลดลงในอีก 2-3 สัปดาห์ข้างหน้า ฉันคาดหวังให้ Google และ Facebook ให้ความยืดหยุ่นในการยกเว้นบางช่วงเวลาจากอัลกอริทึม

ในแง่ของการใช้แมชชีนเลิร์นนิงเพื่อสร้างโฆษณา ฉันคิดว่าวิธีนี้ใช้ได้นานกว่า เราเห็นว่า Facebook และ Google พยายามที่จะไปในทิศทางนั้น แต่สำหรับผู้ลงโฆษณารายใหญ่ การดำเนินการนี้ค่อนข้างยุ่งยากอย่างรวดเร็ว ประสิทธิภาพของโฆษณาบนการค้นหาที่ปรับเปลี่ยนตามอุปกรณ์และการแสดงผลที่ปรับเปลี่ยนตามอุปกรณ์ได้ผสมผสานกันอย่างดีที่สุด ผู้โฆษณามีความกังวลเกี่ยวกับการปฏิบัติตามตราสินค้าและการส่งข้อความ ดังนั้นในขณะที่เราคาดหวังว่าเครื่องยนต์จะดำเนินต่อไปในเส้นทางนั้น เราก็เห็นความลังเลใจจากผู้ลงโฆษณาที่คิดว่าจะใช้เวลานานกว่านี้อีกเล็กน้อยในการเติบโต

คุณเห็นว่าการปรับเปลี่ยนในแบบของคุณมีบทบาทอย่างไรกับโฆษณาแบบชำระเงินในปี 2019 และปีต่อๆ ไป

AE: เราคาดว่าการปรับให้เหมาะกับแต่ละบุคคลจะดีขึ้นอย่างต่อเนื่องตลอดปี 2019 และต่อๆ ไป เครือข่ายโฆษณาโซเชียล โดยเฉพาะ Facebook มีข้อมูลที่จำเป็นสำหรับนักการตลาดในการนำเสนอเนื้อหาทางการตลาดที่ปรับให้เหมาะกับแต่ละบุคคล แต่แน่นอนว่า คำนึงถึงผลที่ตามมาเป็นอย่างมาก ความสมดุลระหว่างการปรับการตลาดให้เหมาะกับแต่ละบุคคลและการเคารพความเป็นส่วนตัวของผู้ใช้จะเป็นเรื่องยาก โดยเฉพาะอย่างยิ่งเมื่อพิจารณาจากปัญหาล่าสุดของ Facebook

ที่กล่าวว่านักการตลาดเพื่อสังคมมีอำนาจในการสร้างเนื้อหาที่ปรับแต่งโดยใช้กลยุทธ์ เช่น ผู้ชมที่กำหนดเองและการตลาดตามบัญชี การใช้ข้อมูลจากบุคคลที่หนึ่งและบุคคลที่สามและการส่งข้อความที่ปรับแต่งให้สมดุลระหว่างการเคารพความเป็นส่วนตัวของผู้ใช้ในขณะที่ยังคงแสดงโฆษณาที่ปรับให้เหมาะกับแต่ละบุคคล ข้อมูลและการแบ่งส่วนข้อมูลที่ดีเป็นกุญแจสำคัญในการใช้ประโยชน์จากการปรับเปลี่ยนในแบบของคุณ และฉันคาดว่านักการตลาดจะยังคงลงทุนในวิทยาศาสตร์ข้อมูลต่อไปในอีกหลายปีข้างหน้า

1-2 วิธีที่นักการตลาดดิจิทัลสามารถแทรกการปรับเปลี่ยนในแบบของคุณลงในโฆษณาแบบชำระเงินและหน้า Landing Page หลังการคลิกคืออะไร

AE: ฉันคิดว่าเราจะเห็นการปรับเปลี่ยนในแบบของคุณตามวงจรชีวิตของลูกค้าหรือกระบวนการขาย ผู้ลงโฆษณาที่ชาญฉลาดจะใช้การปรับเปลี่ยนในแบบของคุณ ไม่เพียงแต่เพื่อจับคู่แคมเปญโฆษณากับแต่ละขั้นตอนในช่องทางการขายเท่านั้น แต่ที่สำคัญกว่านั้นคือข้อมูลเชิงลึกที่ผู้ลงโฆษณามีเกี่ยวกับผู้ใช้แต่ละราย

ปัจจุบันเทคโนโลยีช่วยให้ผู้ลงโฆษณาสามารถใช้ข้อมูลที่มีเพื่อสร้างโปรไฟล์ที่สมบูรณ์สำหรับผู้ใช้แต่ละราย และใช้โปรไฟล์นั้นเพื่อกำหนดเป้าหมายและปรับแต่งโฆษณาได้ดียิ่งขึ้น นั่นคือความแตกต่างที่ชัดเจนจากผู้ชมที่ "ไม่ระบุตัวตน" ในอดีต

ตอนนี้เรามีข้อมูลบางอย่างเกี่ยวกับผู้ใช้ที่สามารถใช้ประโยชน์เพื่อกำหนดเป้าหมายโฆษณาได้ดีขึ้นและส่งข้อความถึงผู้ใช้เหล่านั้นได้ดียิ่งขึ้น ในขณะที่เรายังไม่ถึง Holy Grail ของการปรับให้เหมาะกับแต่ละบุคคลอย่างแท้จริงสำหรับทุกคนที่เรากำลังกำหนดเป้าหมาย แต่อย่างน้อยที่สุด เราจะสามารถจัดกลุ่มผู้ใช้เป็นผู้ชมที่แตกต่างกัน และอาจปรับใช้เมทริกซ์ของวิธีการกำหนดเป้าหมายที่แตกต่างกัน เพื่อให้เราเข้าใกล้การตลาดที่ปรับให้เหมาะกับแต่ละบุคคลได้

ขณะนี้เราสามารถกำหนดเป้าหมายและปรับแต่งโฆษณาบนหน้า Landing Page หลังการคลิกไปยังผู้ใช้ตามข้อมูลที่เราทราบเกี่ยวกับพวกเขา เมื่อรวมความสามารถนี้เข้ากับข้อมูลจากบุคคลที่หนึ่งและบุคคลที่สาม ความเป็นไปได้นั้นแทบจะไม่มีที่สิ้นสุด

ที่ Closed Loop เรารู้สึกตื่นเต้นเกี่ยวกับเรื่องนี้เนื่องจากมีผู้ลงโฆษณาเพียงไม่กี่รายที่ใช้ประโยชน์จากมัน มันจึงให้ความรู้สึกเหมือนเป็นโอกาสของทุ่งหญ้าเขียวขจี และนั่นก็น่าตื่นเต้นเสมอเมื่อคุณมีโอกาสเป็นคนกลุ่มแรกๆ ที่ดำดิ่งสู่ดินแดนที่ยังไม่มีใครสำรวจ การเริ่มก่อนสร้างแหล่งที่มาของความได้เปรียบในการแข่งขัน เนื่องจากคุณสามารถนำหน้าผู้ลงโฆษณารายอื่นๆ ในอุตสาหกรรมนั้นได้อย่างต่อเนื่อง โดยพื้นฐานแล้ว มันทำให้คุณได้เปรียบ และนั่นคือสิ่งที่เราพยายามทำเพื่อลูกค้าของเรา

ลูกค้าของคุณเห็นผลลัพธ์อะไรบ้างหลังจากปรับแต่งโฆษณาและหน้า Landing Page หลังการคลิก

AE: ผลลัพธ์ที่น่าทึ่ง! ไม่ใช่การปรับปรุงที่เพิ่มขึ้น 10 ถึง 15% เช่นกัน

เราเห็นการ ปรับปรุงแบบทวีคูณ 200% ถึง 500% เมื่อเราสามารถกำหนดเป้าหมายข้อเสนอในโฆษณาและหน้า Landing Page หลังการคลิกได้อย่างแท้จริง นั่นเป็นส่วนหนึ่งของเหตุผลที่ทำให้เราตื่นเต้นมาก

ความท้าทายคือการทำให้ผู้ลงโฆษณาเห็นและเชื่อในโฆษณาส่วนบุคคลและหน้า Landing Page หลังการคลิก ฟังดูเกือบจะดีเกินกว่าจะเป็นจริงในตอนแรก (และเราก็สงสัยในตัวเอง) แต่ข้อมูลนั้นชัดเจนและพูดเสียงดังมากจนเราอาจพลาดได้หากเราไม่สนับสนุนให้ลูกค้าทุกรายดำเนินการปรับเปลี่ยนในแบบของคุณด้วยทุกสิ่งที่พวกเขามี .

การโฆษณาดิจิทัลและการเพิ่มประสิทธิภาพหลังคลิก

ไม่ว่าแบรนด์ของคุณจะใช้ Google, Facebook (หรือทั้งสองอย่าง) สำหรับโฆษณาแบบชำระเงิน คุณเป็นหนี้ตัวเองและลูกค้าของคุณในการเพิ่มผลลัพธ์สูงสุดจากแคมเปญทั้งหมด การเพิ่มประสิทธิภาพหลังการคลิกมักเป็นองค์ประกอบที่ขาดหายไปสำหรับผู้ลงโฆษณาดิจิทัลจำนวนมากในปัจจุบัน แต่เป็นส่วนสำคัญเนื่องจากเป็นสิ่งที่เกิดขึ้น หลังจากการคลิก ที่สร้าง Conversion

รับข้อมูลเพิ่มเติมโดยร่วมมือกับ Instapage และดูว่าแคมเปญของคุณขาดอะไร