深入了解 Google Ads 智能出价和自动出价策略

您努力创建了一个出色的网站。 您制作了优质的 Google Ads 广告系列并通过实验为每位受众找到了最佳的点击后着陆页。 您已经反复进行广告文案测试，同时忠实地管理您的关键字出价和预算。 也许您甚至花了一些时间处理 GTM 中的点击触发事件，以确保正确跟踪所有转化。 然而，您仍在努力实现每次转化费用目标或扩大您的帐户。

是时候让机器人开始帮忙了。

您正在做所有正确的事情，但没有足够的时间来完美地监督每个关键字出价、预算、广告变体和受众目标。 幸运的是，您是一位精明的技术营销人员，并准备好利用机器学习从您的 PPC 资金中获得更多收益。 在您探索自动化和机器学习世界时运行的最佳测试之一是使用 Google Ads 出价策略。

Google Ads 智能出价如何使用机器学习实现更强大的出价自动化

Google Ads 早在 2016 年就推出了智能出价策略，该策略建立在早于 2010 年年中宣布的先前自动出价选项的基础上。 在过去两年中，Smart Bidding 不断扩展并变得更加强大。 谷歌增加了两个新的战略目标，随着机器学习变得更加先进，支持算法也在不断发展。 下面回顾了可用策略的完整列表，但首先让我们考虑一下智能出价的工作原理和原因。

每个谷歌搜索用户都带有几个识别特征或“信号”。 这些包括：

• 设备
• 地点
• 性别
• 年龄
• 收入水平
• 一天中的时间
• 星期几

谷歌向广告商展示来自这些信号中的任何一个的性能聚合，或者在某些情况下，甚至是两个或更多的组合。 经验丰富的 PPC 经理知道，对总体表现与正常情况有显着差异的信号实施出价修正是明智的。 然而，与此同时，他们也认识到，没有人能够完美地涵盖可能出现的信号的每一种变化和组合。

使事情变得更加复杂的是，还有其他信号在手动面对时需要做出全有或全无的决定：

• 可以将地理设置设置为包括对您的目标位置感兴趣的用户，以及实际存在的用户
• 文字广告可能有资格在所有搜索网络合作伙伴上展示，或者选择不展示
• 广告活动和广告组设置可以利用选择性自动化进行考虑各种广告特征的“优化”广告轮换

一些信号在 Google Ads 数据细分中是完全不可见的，包括浏览器和操作系统、之前的网站交互、产品属性等（请参阅自动出价信号的完整列表）。 此外，即使数据可用于分析，目前也无法根据这些隐藏信号手动修改出价：

进入机器学习。

Google Ads 机器学习跟踪并分析来自每次搜索和每次点击的每一个可见和隐藏的信号。 机器学习可以找出用户行为中微小但显着的变化，这些变化源于人口统计、设备使用以及表达或推断的兴趣和偏好的差​​异。 然后将这些信号与性能数据（例如历史点击率和转化率）进行交叉引用，并提高或降低出价以满足您选择的目标。

最终，机器学习是一种极其动态和数据驱动的方法，这使其有可能成为您 PPC 武器库中的强大工具。

比较常见智能出价策略的优势

在测试任何智能出价之前，请确保您了解不使用自动 PPC 出价策略的原因。 如果您确定您的广告系列满足智能出价成功的要求（15 或 30 次转化/30 天，“转化”列中仅报告高质量的转化操作，没有即将到来的广告系列结束日期），下一个任务是确定哪种出价策略最适合您的需要。

Google Ads 智能出价目前支持四种自动出价策略：

• 智能点击付费
• 目标每次转化费用
• 目标广告支出回报率
• 最大化转化

虽然在技术上不是智能出价策略（因为它侧重于流量而不是转化），但在讨论智能出价选项时也通常会考虑最大化点击次数。

要获得智能出价的好处，您必须结合自己的策略来考虑每个策略的目标：

选择合适的智能出价策略进行测试

每个智能出价策略选项都有自己独特的方法来推动高质量的流量、参与度和转化率。 这些方法决定了用于操纵您的广告系列、广告组和关键字出价的基础算法。 因此，做出适当的选择对于成功应用至关重要。

要更轻松地浏览选项，您可以使用下表来确定您应该首先测试哪种智能出价策略以实现您的目标：

建议通过 Google Ads Experiments 测试新的出价策略，这样您就可以在检查的时间段内直接将效果与之前的出价策略进行比较。

确定智能出价是否适合您

实验启动后，要确定智能出价是否真的对您有利可能会很困难。 查看实验中的任何标签时，Google Ads 会显示与源广告系列相比的结果：

但是，通过命名良好的实验，您可以通过下载简单的广告系列报告并并排（或在本例中为逐行）检查源广告系列和实验的 KPI，从而更轻松地查看性能比较。

示例 1：最大化转化

最近代表潜在客户生成客户完成的一项实验表明，最大化转化策略如何能够显着提高预算有限的搜索活动的性能。

该测试是在两个活动中启动的，这两个活动以低于平均水平的 CPA 推动了稳定的潜在客户数量。 由于这些特定活动的潜在客户更难在内部关闭，因此目标是在不投入额外支出的情况下产生更多潜在客户。 最大化转化出价策略能够增加流量、参与度和转化指标，同时降低总成本和转化成本：

通过实验测试“最大化转化”的两个广告系列都以低于智能点击付费的同类广告系列获得了更多的转化次数。 因此，最大化转化策略得到了充分应用，并继续表现良好。

像这样的结果是每个人在检查他们的竞选实验时都希望看到的结果，但不幸的是，大多数都不是那么理想。

示例 2：目标每次转化费用

考虑另一个来自潜在客户生成帐户的实验，其中测试了目标每次转化费用以在指定的每次转化成本下增加潜在客户数量，但结果并不明确。

该测试是在两个活动中启动的，这两个活动在历史上产生了高质量的潜在客户，但随着时间的推移成本/转化率一直在攀升。 由于活动不受预算限制，目标是优化广告投放以减少不太可能转化的用户浪费的支出。 目标每次转化费用出价策略能够在提高转化率的同时降低成本，但以降低流量和转化量为代价：

两个活动的结果喜忧参半，最终的决定是根据实验的最初目标做出的。 众所周知，目标 CPA 有时会限制流量以防止超过 CPA 出价，但它确实通过减少浪费的支出和将广告投放集中在高质量的搜索者身上来有效降低每次转化成本。 展示次数、点击次数和转化次数的减少被忽略了，以支持更有效的出价以更低的成本产生高质量的潜在客户。

结语

智能出价旨在让更多最佳用户访问您的点击后着陆页。 然而，应该理解的是，这些算法可能会以不同的方式实现这一承诺。 有时，他们主要通过提供更多流量来实现这一目标。 其他时候，流量可能会减少，以吸引更高质量的用户访问您的网站或点击后登录页面。

如果您的实验结果喜忧参半，请记住在确定胜出者时反思您的初始目标，并考虑在需要时调整变量，以便为您的每个广告系列找到最有效的出价策略。