Ostatnie 2-3 lata to okres, kiedy temat trafił w centrum zainteresowania wielu marketerów. Natomiast wciąż smart bidding budzi niechęć u specjalistów, oczekujących maksymalnej kontroli nad przebiegiem kampanii czy nieufność wśród osób, które nie widzą, jak działa ten mechanizm i jakich efektów można się spodziewać.
Artykuł ten ma na celu przybliżenie możliwości, jakie oferuje inteligentne ustalanie stawek wraz z przykładami ich wykorzystania. Niemniej jednak należy pamiętać, że narzędzie to, podobnie jak każde inne z ekosystemu Google, wymaga dostosowania do konkretnego reklamodawcy, a sukces czy porażka wynikający z jego stosowania zależy między innymi od jakości danych, którymi dysponujemy, a które w tym przypadku są kluczowe.
Zobacz również
Inteligentne ustalenia stawek ma zastosowanie nie tylko w kampaniach searchowych, chociaż z tym mogą być najsilniej kojarzone, lecz także w kampaniach shoppingowych czy displayowych. Samo działanie można opisać krótko – jako automatyzacja ustalania stawek w poszczególnych kampaniach, pozwalająca na ich odpowiednie dopasowanie przez algorytm bez konieczności każdorazowej ingerencji specjalisty. A więc rozwiązanie to ma umożliwić regularną i automatyczną aktualizację stawek tak, aby zrealizować cele kampanii.
Jak dopasować automatyczne strategie do celów kampanii?
Już na początku, jednym z istotnych czynników wpływających na satysfakcję z efektów końcowych będzie miało samo dopasowanie strategii ustalania stawek do celów kampanii. Jak wiadomo, inne cele będzie miała kampania wizerunkowa, inne sprzedażowa.
W tym pierwszym przypadku, wybierając za cel widoczność, strategią, która się sprawdzi, będzie docelowy udział w wyświetleniach (target impression share). Dzięki niej jesteśmy w stanie zdefiniować poziom IS, jaki chcemy osiągnąć dla danej kampanii, a system będzie dążył do jego realizacji. Ma to uzasadnione użycie na przykład w kampaniach brandowych, gdzie szczególnie może zależeć nam na wysokich wskaźnikach udziału w wyświetleniach.
#NMPoleca: Jak piękny design zwiększa konwersję w e-commerce? Tips & Tricks od IdoSell
Podążając za przykładem kampanii wizerunkowych, jeśli celem jest ruch na stronie, możemy skorzystać ze strategii maksymalizacji kliknięć, która to będzie dążyła do wygenerowania jak największej liczby kliknięć w ramach określonego budżetu. Przykładem użycia może być chęć generowania jak największego ruchu na promocyjnym LP wśród użytkowników, szukających określonej frazy kluczowej.
Słuchaj podcastu NowyMarketing
Pełen wachlarz możliwości wynikających z uczenia maszynowego możemy natomiast wypróbować w kampaniach performance’owych, nastawionych na maksymalizację konwersji. W tym przypadku rekomendowaną strategią jest docelowe CPA (target cost per aquisition), gdzie określa się oczekiwany koszt konwersji lub docelowy ROAS (target ROAS), gdzie definiowany jest założony docelowy zwrot z inwestycji czy też strategia maksymalizacji wartości konwersji. Tutaj tak naprawdę zaczyna się prawdziwa zabawa, ponieważ algorytmy, ustalając określone stawki, biorą pod uwagę miliony sygnałów, wpływających na prawdopodobieństwo realizacji konwersji, których to nie jesteśmy w stanie wziąć po uwagę w manualnym ustawianiu stawek.
Jak zdefiniować i kiedy używać target CPA?
Strategia CPA sprawdzi się w przypadku, kiedy wszystkie konwersje traktujemy równo i nie różnicujemy ich wartości. Przykładem tego typu kampanii może być promocja strony kina z repertuarem, gdzie możliwe jest zamówienie biletu online. W tym przypadku marża dla reklamodawcy jest taka sama, niezależnie od filmu, na który użytkownik zdecyduje się kupić bilet.
Określając docelowe CPA bierzemy pod uwagę, na jakim poziomie kosztu konwersji aktywność reklamowa będzie dla nas opłacalna. Warto tu również zastanowić się nad średnią retencją użytkowników, jeśli nasi klienci powracają do oferowanych produktów lub usług. Wtedy jeden lead czy sprzedaż może przyjąć inną wartość niż przy założeniu, że retencja nie występuje. Pamiętajmy przy tym, że zbyt niska wartość CPA może w istotnym stopniu ograniczać ruch, ponieważ system będzie starał się obciąć koszty, z drugiej strony wartość zbyt wysoka po prostu się nam nie opłaci. Jeśli mamy do czynienia z e-commercem i klasyczną sprzedażą przez internet, ustalenie poziomu CPA nie powinno sprawiać problemu – bierzemy pod uwagę marżowość produktów oraz koszty kampanii. Jeśli natomiast prowadzimy kampanię leadową, warto znać współczynnik konwersji leadów na sprzedaż, na podstawie czego możemy dokonać potrzebnych kalkulacji. Zazwyczaj w większości biznesów nie istnieje 100 proc. przełożenie liczby leadów na sprzedaż, ponieważ części z nich po prostu się wykrusza na różnych etapach domykania transakcji.
Jak wybrać pomiędzy target ROAS a maksymalizacją wartości konwersji?
Wymienione w nagłówku strategie będą miały najlepsze zastosowanie w przypadku, kiedy poszczególne konwersje mają dla nas różne wartości ze względu na wyższą/niższą marżę dla różnego rodzaju oferowanych produktów. Typowy e-commerce ze zróżnicowanymi cenami idealnie wpisuje się w powyższą definicję. Wiemy zatem, w jakich kontekstach umawiane strategie sprawdzą się najlepiej, natomiast co je pomiędzy sobą różni? Jak zadecydować, która z nich może być w naszym przypadku trafniejsza?
Strategia ROAS mówi o średniej wartości konwersji, wygenerowanej na każdą złotówkę wydaną na reklamy. W skrócie mówi o tym, ile reklamodawca chce zarobić na każdej złotówce przeznaczonej na kampanie. Strategia maksymalizacji wartości konwersji pozwala natomiast zmaksymalizować łączną wartość konwersji w ramach założonego budżetu. Obie strategie działają zatem na podstawie tego samego algorytmu, natomiast różni je nieco perspektywa postrzegania głównego celu. W target ROAS mniej skupiamy się na samym budżecie, może on być tutaj otwarty, ponieważ głównym zadaniem jest wygenerowanie określonego zwrotu z inwestycji. W strategii maksymalizacji konwersji natomiast większy nacisk położony jest na wykorzystanie określonego budżetu i wygenerowanie na jego podstawie najwyższej jak to tylko możliwe wartości konwersji.
O ustawieniach słów kilka. Parę wskazówek na początek
Wybierając poziom ROAS w ustawieniach strategii, warto opierać swoje wyliczenia o istniejące już dane. W celu sprawdzenia historycznych danych należy wyciągnąć dodatkową kolumnę Wartość konw./koszt oraz przemnożyć ją przez 100 – wynik przyjmuje wartość procentową. Na początku można również zasugerować się wartością rekomendowaną przez w Google, która pojawia się podczas wybierania ustawień strategii stawek. Zbyt wysoki ROAS będzie sprawiał, że algorytmy w celu zwiększenia zwrotu z reklam będą redukować wyświetlenia, a więc w konsekwencji możemy ograniczyć liczbę generowanych konwersji.
Ponadto warto przeanalizować swoje dotychczasowe działania reklamowe i na ich podstawie wyciągnąć wnioski: jaki ROAS dla mojego biznesu ma sens? Ile warty jest dla mnie każdy nowy klient? Jakie korzyści czerpię długofalowo z każdego nowego klienta? Jaki procent klientów do mnie wraca, zwielokratniające mój przychód? To bardzo ważne, aby spojrzeć szerzej na całokształt działań sprzedażowych oraz zwrotu z poniesionych inwestycji tak, aby mieć klarowną wizję nie tylko ustawień samych kampanii, ale też jej krótko i długofalowych celów oraz możliwych do wygenerowania wartości dla biznesu.
Bardzo istotnym kryterium, mającym wpływ na skuteczność działania algorytmów jest liczba generowanych konwersji. Minimum to 20 konwersji w ciągu 25 dni, natomiast w sieci wyszukiwania jest to 15 konwersji w ciągu ostatnich 30 dni. Niemniej jednak machine learning danymi stoi, więc tak naprawdę im więcej danych dostarczymy, tym lepszych wyników możemy się spodziewać. Optymalnie byłoby generować co najmniej 50 konwersji w ciągu 30 dni.
Głodne algorytmy. Co mogę zrobić, żeby działały jeszcze lepiej?
Nakarmić je danymi! Dzięki dodatkowym danym system będzie z większą skutecznością potrafił przewidzieć prawdopodobieństwo konwersji. Do tego typu informacji należą 1st party data, czyli najczęściej dane pochodzące z systemów CRM. To właśnie te informacje pozwalają dodać do kampanii unikatowe informacje, które dotyczącą ściśle biznesu danego reklamodawcy. Na ich podstawie mogą wyłonić się segmenty klientów, które konwertują lepiej niż pozostałe i taka informacja jest dla algorytmów niezwykle cenna.
Kolejnym pomysłem może być dodanie do kampanii, domyślnych list odbiorców, takich jak affinity, in-market, demografia, listy z YT i inne. Same algorytmy biorą je pod uwagę niezależnie od tego, czy będą przez nas dodane czy nie, niemniej jednak mogą one stanowić dla marketera bardzo bogate źródło informacji o zachowaniach użytkowników z poszczególnych grup, co można wykorzystać na przykład do targetowania przyszłych działań promocyjnych.
Odbiorcy z 1st party data oraz z dostępnych list pozwalają algorytmom śledzić zachowania użytkowników i rozpoznawać wzorce zachowań oraz tworzyć predykcje, na podstawie których możliwe jest skuteczne dopasowanie stawek.
W ramach podsumowania warto zaznaczyć, że sam ekosystem Google Ads dysponuje całym wachlarzem możliwości automatycznego ustalania stawek i marketerzy mają szerokie pole do testowania. Aby odpowiednio je wykorzystać, należy znać nie tylko samą specyfikę ich działania, ale także charakterystykę danego biznesu, ponieważ żadne rozwiązanie nie jest uniwersalne i należy umieć je odpowiednio dostosować do konkretnego reklamodawcy. Jeśli proces ten przebiegnie prawidłowo, a my dostarczymy systemowi dane, które wzbogacą jego działanie, możemy liczyć na zaskakująco dobre wyniki, a nasze uwolnione dzięki temu zasoby będą mogły być przekierowane na inne aspekty optymalizacji działań reklamowych niż manualne ustalanie stawek.
Nowy Marketing jest patronem medialnym DIMAQ – międzynarodowego standardu kwalifikacji e-marketingowych. Artykuł został przygotowany przez ekspertkę – posiadaczkę certyfikatu DIMAQ Professional.