深入了解 Google Ads 智能出價和自動出價策略

您努力創建了一個出色的網站。 您製作了優質的 Google Ads 廣告系列並通過實驗為每位受眾找到了最佳的點擊後著陸頁。 您已經反復進行廣告文案測試，同時忠實地管理您的關鍵字出價和預算。 也許您甚至花了一些時間處理 GTM 中的點擊觸發事件，以確保正確跟踪所有轉化。 然而，您仍在努力實現每次轉化費用目標或擴大您的帳戶。

是時候讓機器人開始幫忙了。

您正在做所有正確的事情，但沒有足夠的時間來完美地監督每個關鍵字出價、預算、廣告變體和受眾目標。 幸運的是，您是一位精明的技術營銷人員，並準備好利用機器學習從您的 PPC 資金中獲得更多收益。 在您探索自動化和機器學習世界時運行的最佳測試之一是使用 Google Ads 出價策略。

Google Ads 智能出價如何使用機器學習實現更強大的出價自動化

Google Ads 早在 2016 年就推出了智能出價策略，該策略建立在早於 2010 年年中宣布的先前自動出價選項的基礎上。 在過去兩年中，Smart Bidding 不斷擴展並變得更加強大。 谷歌增加了兩個新的戰略目標，隨著機器學習變得更加先進，支持算法也在不斷發展。 下面回顧了可用策略的完整列表，但首先讓我們考慮一下智能出價的工作原理和原因。

每個谷歌搜索用戶都帶有幾個識別特徵或“信號”。 這些包括：

• 設備
• 地點
• 性別
• 年齡
• 收入水平
• 一天中的時間
• 星期幾

谷歌向廣告商展示來自這些信號中的任何一個的性能聚合，或者在某些情況下，甚至是兩個或更多的組合。 經驗豐富的 PPC 經理知道，對總體表現與正常情況有顯著差異的信號實施出價修正是明智的。 然而，與此同時，他們也認識到，沒有人能夠完美地涵蓋可能出現的信號的每一種變化和組合。

使事情變得更加複雜的是，還有其他信號在手動面對時需要做出全有或全無的決定：

• 可以將地理設置設置為包括對您的目標位置感興趣的用戶，以及實際存在的用戶
• 文字廣告可能有資格在所有搜索網絡合作夥伴上展示，或者選擇不展示
• 廣告活動和廣告組設置可以利用選擇性自動化進行考慮各種廣告特徵的“優化”廣告輪換

一些信號在 Google Ads 數據細分中是完全不可見的，包括瀏覽器和操作系統、之前的網站交互、產品屬性等（請參閱自動出價信號的完整列表）。 此外，即使數據可用於分析，目前也無法根據這些隱藏信號手動修改出價：

進入機器學習。

Google Ads 機器學習跟踪並分析來自每次搜索和每次點擊的每一個可見和隱藏的信號。 機器學習可以找出用戶行為中微小但顯著的變化，這些變化源於人口統計、設備使用以及表達或推斷的興趣和偏好的差​​異。 然後將這些信號與性能數據（例如歷史點擊率和轉化率）進行交叉引用，並提高或降低出價以滿足您選擇的目標。

最終，機器學習是一種極其動態和數據驅動的方法，這使其有可能成為您 PPC 武器庫中的強大工具。

比較常見智能出價策略的優勢

在測試任何智能出價之前，請確保您了解不使用自動 PPC 出價策略的原因。 如果您確定您的廣告系列滿足智能出價成功的要求（15 或 30 次轉化/30 天，“轉化”列中僅報告高質量的轉化操作，沒有即將到來的廣告系列結束日期），下一個任務是確定哪種出價策略最適合您的需要。

Google Ads 智能出價目前支持四種自動出價策略：

• 智能點擊付費
• 目標每次轉化費用
• 目標廣告支出回報率
• 最大化轉化

雖然在技術上不是智能出價策略（因為它側重於流量而不是轉化），但在討論智能出價選項時也通常會考慮最大化點擊次數。

要獲得智能出價的好處，您必須結合自己的策略來考慮每個策略的目標：

選擇合適的智能出價策略進行測試

每個智能出價策略選項都有自己獨特的方法來推動高質量的流量、參與度和轉化率。 這些方法決定了用於操縱您的廣告系列、廣告組和關鍵字出價的基礎算法。 因此，做出適當的選擇對於成功應用至關重要。

要更輕鬆地瀏覽選項，您可以使用下表來確定您應該首先測試哪種智能出價策略以實現您的目標：

建議通過 Google Ads Experiments 測試新的出價策略，這樣您就可以在檢查的時間段內直接將效果與之前的出價策略進行比較。

確定智能出價是否適合您

實驗啟動後，要確定智能出價是否真的對您有利可能會很困難。 查看實驗中的任何標籤時，Google Ads 會顯示與源廣告系列相比的結果：

但是，通過命名良好的實驗，您可以通過下載簡單的廣告系列報告並並排（或在本例中為逐行）檢查源廣告系列和實驗的 KPI，從而更輕鬆地查看性能比較。

示例 1：最大化轉化

最近代表潛在客戶生成客戶完成的一項實驗表明，最大化轉化策略如何能夠顯著提高預算有限的搜索活動的性能。

該測試是在兩個活動中啟動的，這兩個活動以低於平均水平的 CPA 推動了穩定的潛在客戶數量。 由於這些特定活動的潛在客戶更難在內部關閉，因此目標是在不投入額外支出的情況下產生更多潛在客戶。 最大化轉化出價策略能夠增加流量、參與度和轉化指標，同時降低總成本和轉化成本：

通過實驗測試“最大化轉化”的兩個廣告系列都以低於智能點擊付費的同類廣告系列獲得了更多的轉化次數。 因此，最大化轉化策略得到了充分應用，並繼續表現良好。

像這樣的結果是每個人在檢查他們的競選實驗時都希望看到的結果，但不幸的是，大多數都不是那麼理想。

示例 2：目標每次轉化費用

考慮另一個來自潛在客戶生成帳戶的實驗，其中測試了目標每次轉化費用以在指定的每次轉化成本下增加潛在客戶數量，但結果並不明確。

該測試是在兩個活動中啟動的，這兩個活動在歷史上產生了高質量的潛在客戶，但隨著時間的推移成本/轉化率一直在攀升。 由於活動不受預算限制，目標是優化廣告投放以減少不太可能轉化的用戶浪費的支出。 目標每次轉化費用出價策略能夠在提高轉化率的同時降低成本，但以降低流量和轉化量為代價：

兩個活動的結果喜憂參半，最終的決定是根據實驗的最初目標做出的。 眾所周知，目標 CPA 有時會限制流量以防止超過 CPA 出價，但它確實通過減少浪費的支出和將廣告投放集中在高質量的搜索者身上來有效降低每次轉化成本。 展示次數、點擊次數和轉化次數的減少被忽略了，以支持更有效的出價以更低的成本產生高質量的潛在客戶。

結語

智能出價旨在讓更多最佳用戶訪問您的點擊後著陸頁。 然而，應該理解的是，這些算法可能會以不同的方式實現這一承諾。 有時，他們主要通過提供更多流量來實現這一目標。 其他時候，流量可能會減少，以吸引更高質量的用戶訪問您的網站或點擊後登錄頁面。

如果您的實驗結果喜憂參半，請記住在確定勝出者時反思您的初始目標，並考慮在需要時調整變量，以便為您的每個廣告系列找到最有效的出價策略。