Google廣告中的智能出價:最新指南

Google廣告中的智能出價:最新指南

搜尋聖經:

智能出價很好。 事實上,這真的很棒。

如果你還沒有使用它,你真的應該。

如果您正在使用它,您可能仍在努力弄清楚如何做到最好。 我當然是。

在我上一篇Google已發布了相關指南,但我想根據自己的客戶體驗添加更多細節。

以下是未在您的帳戶中設置智能出價策略的可能原因列表。 該清單不一定是詳盡無遺的,但應涵蓋大多數情況。

太新,沒有足夠的數據

這部分取決於您計劃使用的出價策略。 谷歌的建議是“目標每次轉化費用”在過去30天內為“30次轉換”,針對目標廣告系列提供“過去30天內的50次轉換”。

那麼“最大化點擊次數”和“智能點擊付費”呢?

好吧,儘管這些是四個智能競標策略中的兩個,但它們與目標CPA和目標ROAS並不是真正的聯盟。 所以我們暫時忽略它們。

谷歌的建議提供了一個有用的基準。 最重要的是,您對轉換跟踪的可靠性充滿信心。

一旦你有一個方法,你很滿意,並有一個相當大的轉換量,那麼我會說你準備好了。

轉化不是分段的

這涉及上述觀點。

如果您的帳戶包含不同類型的轉化,則在開始任何智能出價策略之前,您需要確保這些轉化已正確細分。

我希望其原因是顯而易見的。

Google廣告中缺少數據

例如,客戶的收入數據是否已正確合併到Google廣告中?

是否有任何其他關鍵數據,如果不存在,會誤導谷歌的機器學習?

品牌是主要焦點

一些客戶希望優化對其帳戶的控制。 很公平。

如果這是第一要務,那麼機會成本也許是值得的。 但這也許很重要 – 在許多情況下,它仍然值得探索。

以前的測試缺乏信任或不良結果

說到客戶,他們中的一些人可能只是不相信谷歌或新技術等。

如果您真的相信智能競標的價值(就像我一樣),那麼說服其他人嘗試它就是您工作的一部分。

有些人可能已經測試了它並得到了一些糟糕的結果。 繼續測試。

對我來說,智能出價應該是默認值。 在某些情況下需要進行大量改進,但這就是Google廣告的美妙之處 – 這麼多的測試和學習機會。

不穩定的市場

一些企業在高度不穩定的市場中運營,個別日子可能影響整個年份。 在某些情況下,由於需要控制,波動性將會阻止使用智能競標。

在其他情況下,等待事情更可預測,然後再試一試可能是明智之舉。

關鍵績效指標不與智能目標保持一致

智能投標涵蓋哪些撰寫了一篇關於智能投標的精彩文章,他發現客戶終生價值是一個難以影響智能投標的關鍵績效指標。 Google的機器學習並不區分新客戶和現有客戶。

有些廣告客戶可能會有超出當前智能出價範圍的具體目標。

第2步:選擇適當的智能出價策略

2層智能招標

雖然Google將它們組合在一起,但我認為最大化點擊次數,增強型每次點擊費用和目標展示次數份額出價與最大化轉化次數,目標廣告支出回報率和目標每次轉化費用屬於同一類別。

坦率地說,有兩層智能出價。

我的建議:盡快進入頂級。

第2層=最大化點擊次數,增強的每次點擊費用和目標展示次數份額出價

這些都提供了一個特定的自動功能,很酷但是:

  • 無法在投資組合層面申請
  • 它沒有考慮到一級智能競標策略所做的全部拍賣信號

第1層=最大化轉換次數,目標ROAS和目標每次轉化費用

這些是智能出價策略的黃金標準。 Google的機器學習功能將覆蓋整個帳戶,並利用其可訪問的獨家拍賣信號。

投資組合級優化是一個大問題。 運行一些測試,你會發現它幾乎每次都優於關鍵字級優化。

選擇策略和目標

將您或您的客戶的目標與智能出價策略之一聯繫起來應該相當容易。

谷歌有一個基本的表格 ,以防你對這一切都很新。

例如,如果您想“使用目標每次轉化費用獲得更多轉化次數”,那麼Google建議使用“目標每次轉化費用”。 等等。

更微妙的部分是在特定策略中設置參數。

作為PPC中最聰明的人之一,Frederick Vallaeys 最近寫道 ,“自動化無法神奇地修復您的業務。”

您需要設置與先前績效密切相關的目標,並以增加進度為目標。

您還需要選擇單個廣告系列或投資組合級別方法。 正如已經討論過的,組合級別提供了最佳的優化機會,所以如果可以的話,我們可以為此做好準備。

調整現有帳戶結構/功能

SKAG

這有點複雜,實際上取決於每個案例。

例如,在Brainlabs,我們的搜尋帳戶通常每個廣告組結構都有一個關鍵字。 這與智能出價兼容,我建議將兩者結合使用,以便優化廣告文案。

觀眾

您幾乎可以保持相同的受眾策略,但有幾點需要注意:

  • 如果您使用的是市場內觀眾,則需要再次添加。
  • 再營銷列表不需要是MECE(Mutually Exclusive,Collectively Exhaustive),實際上要容易得多!
  • 您不能再使用出價係數。

第3步:制定測試策略

基本上,測試應該有兩個問題可以幫助您回答:

  • 智能出價是否優於原始出價策略?
  • 您的智能出價策略如何改進?

使用草稿和實驗(現在)

草稿和實驗(D&E)是最原始的現場測試方式,它具有跨廣告系列應用的優勢。

如果你一般都在瀏覽這篇文章,請注意下一點:

***出價策略必須適用於控制廣告系列***

這樣可以控制來自控制活動的數據(如果獲勝)。

D&E是我們目前最好的測試軟件。

在適當的時候,理論上,谷歌將推出“多運動實驗”,看起來它會更好地測試智能出價。 你們中的一些人甚至可能會在Beta模式下嘗試一下嗎?

選擇一種隔離成功的方法

對於最佳測試,您希望每月轉換80次以上。 這將使您可以快速進行控件和測試組之間的比較。 不到這一點,建立統計上顯著的結果需要更長的時間。

理想情況下,您需要大約3-5個具有完整遷移和類似預算的廣告系列。

其他一些目標:

  • 投資組合出價+小型廣告系列的共享預算。
  • 大型,穩定的廣告系列(例如避免季節性較高的廣告系列)。
  • 避免智能和靜態廣告系列之間重疊。

並不總是可以進行這樣的理想測試,但這絕對是你應該瞄準的目標。

在購物廣告系列上測試智能出價

購物草案和實驗仍處於測試階段。 因此,目前,您需要找到測試購物帳戶智能出價的替代方法。

對於活動相當穩定的帳戶,一種選擇是進行簡單的前後測試。 它不是最科學的,但它總比沒有好。

另一種選擇是複制現有的手動結構購物廣告系列,然後按位置拆分,並同時運行。 通過隨機分割可以在很大程度上控制位置。

我們為一些嘗試Target ROAS的客戶做了這個,並取得了一些令人印象深刻的結果。

第4步:優化性能

這與測試的第3步非常相關,但實際上是根據這些測試的結果做了一些事情。

優化您的測試

找到最有效的測試策略本身就是一項重要工作。 如此重要。 繼續測試您的測試。

更多數據,更好

Smart Bidding從谷歌的機器學習中獲取智能,這依賴於數據。 您可以提供的數據越多,這些數據的質量越高越好。

繼續完善轉化跟踪,不斷更新轉化數據。 盡可能使用投資組合出價策略來使用更多數據

耐心點

智能出價基於學習過程。 學習需要時間。

績效可能也會有很大波動,特別是對於更加雄心勃勃的目標變化。 也要勇敢。

適當時改變你的目標

讓它運行和進行太多更改之間存在平衡。

持續調整目標的問題在於,基於Google需要重新調整/學習的算法,性能可能會出現短期下降。

但有時候,會有外部因素需要改變目標。 例如,在銷售旺季期間。

有些企業在一年或多年內波動很大。 你的目標應該對此敏感。

一般經驗法則:如果您對錶現不滿意,請更改目標。

利用您的時間收益專注於其他搜尋活動

出價曾經是運行PPC帳戶最耗時的部分之一。 智能出價改變了這一點。

很棒,現在你可以專注於其他東西了。 像:

  • 關鍵字添加
  • 戰略工作
  • 廣告文案

它不像PPC客戶經理那樣缺乏事情要做。 也許在50年內,自動化將取代人類可以完成的每項任務。

就目前而言,自動化的每一次突破都是人類客戶經理的福音。

最後的想法

智能出價是Google廣告的重大變化,但它並沒有真正改變PPC的性質。 同樣的挑戰一如既往:找到一種比其他方式做得更好的方法。

正如本文所討論的,自然搜尋會找到測試智能出價的最佳方法,或者是隨著時間的推移優化不同策略的最佳方法。

智能競標最終是PPC專家大量工具包中的一個額外工具 – 比之前的許多工具更複雜,但最終依賴於用戶的專業知識。

谷歌總是在改變遊戲。 這就是這個行業如此具有挑戰性和樂趣的原因。

如果您是PPC專家,谷歌不會為您的工作而來。 但是,您需要適應。

更多資源:


圖片來源

特色圖片:作者建立,2019年5月

Close Menu