Умные торговые кампании Google: разбираемся в особенностях

В компании iConText мы видим, как с каждым месяцем растет доля бюджетов рекламодателей, в управлении которыми участвует машинное обучение. Все больше функций автоматизируется и переходит из рук специалистов к автоматизированным решениям рекламных площадок. Особенно это актуально для интернет-магазинов, где наиболее эффективными с точки зрения прямого отклика являются товарные кампании на основании прайс-листа.

Автоматизацию не стоит воспринимать как конкурента, который оставит без работы специалистов по контекстной рекламе. Алгоритмы оптимизации назначают ставки динамически для каждого товара и пользователя на всех аукционах, учитывая огромное количество факторов, которые не всегда может учесть специалист. Среди них — устройство пользователя, время суток, язык интерфейса и многое другое. Но все эти плюсы машинного обучения не повод для беспокойства, так как выполняя за человека эти важные задачи, оно освобождает время специалистов для решения стратегических задач.

В статье мы расскажем про наш опыт работы с умными торговыми кампаниями.

Особенности умных торговых кампаний

Умные торговые кампании объединяют в себе два формата объявлений: стандартные торговые кампании и динамический ремаркетинг в КМС. Бюджет в кампании автоматически распределяется и оптимизируется для всех сетей и форматов. Благодаря одному фиду вы получаете охват в поиске, КМС, YouTube и почте Gmail.

Об очевидных плюсах этого типа кампаний мы поговорили, давайте теперь рассмотрим особенности, а местами и минусы формата. Отдельно расскажем о ситуациях, где машинное обучение просто бессильно.

Ограниченная настройка геотаргетинга

Автоматизируя управление кампанией, специалисты Google исключили возможность выставить ряд настроек. Среди них наиболее важной, на наш взгляд, — целевое местоположение.

В настройках кампании вы можете определить лишь страну сбыта. Выбрать или исключить регион показов нельзя. Поэтому для локальных игроков это решение может стать ключевым в выборе между обычной и умной торговой кампанией.

Мы решили проверить, действительно ли умная торговая кампания настолько хорошо управляет ставками, что необходимость в настройке геотаргетинга отпадает. По одному из клиентов мы выбрали два региона из отчета о местоположениях пользователей без конверсий с более чем 1000 кликов за два месяца. Так мы хотели проверить, снижается ли бюджет на регион при его низкой эффективности. Результаты оказались неутешительными: расход по этим городам на второй месяц только вырос, хотя в них не произошло ни одной конверсии.

Аналогичную ситуацию выявили по другому магазину: картинку смотрели в динамике на протяжении 10 месяцев.

Обучение алгоритмов

Еще одна важная особенность при работе с умными торговыми кампаниями — необходимость ждать. Я имею в виду период обучения, которое обычно занимает около двух недель на самом старте кампании. В этот период нельзя вносить изменения в кампанию, иначе обучение начнется заново. Во время обучения эффективность размещения чаще всего ниже, чем у обычной торговой, из-за чего часто возникает желание вернуться к ней по итогам первой недели обучения. Но здесь не стоит торопиться, так как терпение может быть щедро вознаграждено. Так по одному из проектов по итогам третьей и четвертой недели после включения умной торговой кампании мы получили снижение ДРР почти в 2 раза при снижении дохода всего на 14%.

Исключение недействительных транзакций

Многие рекламодатели с настороженностью относятся к использованию кампаний с машинным обучением. Это происходит из-за непонимания алгоритма управления ставками. Иногда эти опасения могут быть оправданными. У нас были случаи, когда из-за многомиллионной недействительной транзакции значительно увеличивался расход на кампанию. Чтобы избежать неэффективного расходования средств из-за подобных случаев, необходимо постоянно контролировать кампании. При выявлении недействительных транзакций исключайте их. Тогда машинное обучение будет игнорировать их при управлении ставками.

Вот как можно исключить недействительную транзакцию:

1. На вкладке «Администратор» в Google Analytics нужно перейти в «Импорт данных» на уровне ресурса.
2. Создать набор данных для возврата средств, где необходимо выбрать «Данные о возврате средств».
3. Дать любое название и выбрать необходимые для исключения столбцы. Мы выбрали только ga:transactionRevenue.

   

4. Создать файл в Excel с двумя ячейками в следующем формате.

   

5. Зайти в управление загрузками в рамках созданного набора данных и загрузить итоговый файл. После проделанных действий данная транзакция будет исключена.

   

Теперь в отчете «Эффективность продаж» по этой транзакции сумма возврата будет равна доходу, и она не будет учитываться роботом при управлении ставками.

Управление бюджетом

Последним, но вовсе не по важности, будет пункт про инструменты управления кампанией. Так как ставками управляет машинное обучение, необходимо разобраться, каково же наше участие в этом процессе. Основные параметры, с помощью которых мы управляем эффективностью, — это значение целевой рентабельности инвестиций в рекламу и бюджет кампании.

В поле целевой рентабельности инвестиций в рекламу вы вписываете необходимое для достижения значение. При вводе вы можете увидеть рекомендуемое значение, которое следует использовать. Исключением являются случаи, когда оно не соответствует вашим целевым показателям. Значение целевой рентабельности рассчитывается по формуле — ценность конверсий/стоимость. То есть при расходе в 1000 рублей (стоимость) и ценности конверсий в 50 000 рублей мы получим рентабельность в 5000%.

Второй инструмент влияния на эффективность — дневной бюджет. При его расчете ориентируйтесь на сумму бюджетов стандартных торговых кампаний и динамического ремаркетинга в КМС. После окончания периода обучения и достижения целевых показателей мы рекомендуем постепенно увеличивать дневной бюджет. Максимальный шаг для увеличения бюджета — 10%, иначе робот снова начнет обучаться и собирать данные заново.

Зная все эти особенности работы с умными торговыми кампаниями, вы можете избежать множества ошибок. Даже если у вас ранее был негативный опыт работы с автоматизацией в Google Ads, мы рекомендуем протестировать обновленные инструменты, так как за последние годы алгоритмы машинного обучения сильно усовершенствовались.