How a package strategy of Google Ads helps to train algorithms and make advertising cheaper - the case of Volkswagen and iProspect

Кліент і задача

Автомобільна компанія Volkswagen на початку року випустила нові моделі Touareg, Tiguan і T-Cross. Під кожну модель створили спеціальний Лендінгем з описом переваг автомобіля і контактною формою заявки на покупку.

Нам потрібно було отримати максимальну кількість заявок на покупку автомобілів в рамках заданої CPA (cost per action, – ред.)

Які інструменти використовували

Ми запустили окремі пошукові кампанії по брендовим ключовими словами, а також розумні кампанії в медійній мережі для кожної з моделей. Розберемося в можливостях і перевагах кожного інструменту.

Пошукова реклама

Це тип реклами, при якому оголошення у видачі Google бачать ті, хто сам шукає ваші товари або послуги в даний момент. Тому така реклама – одна з найбільш релевантних і ефективних.

Оплата пошукової реклами діє на основі ppc-моделі (pay per click), тобто тільки за кліки користувачів по оголошенню. При цьому ми самі можемо визначити ціну за кожен клік.

Для досягнення цілей ми вирішили використовувати брендові ключові слова – фрази, що містять назву бренду або моделі). Наприклад, «volkswagen touareg». Вони приносять найбільше відгуків і дешевий трафік.

Приклад оголошення пошукової кампанії

Розумна кампанія в контекстно-медійній мережі

Паралельно ми запустили розумні кампанії в контекстно-медійній мережі Google. У неї входять понад 2 млн партнерських сайтів, відеороликів і додатків, а також власні майданчики Google – YouTube, Gmail і Google Play Market. За даними Google, контекстно-медійна мережа охоплює понад 90% користувачів інтернету.

Розумні кампанії в контекстно-медійній мережі об’єднують в собі ремаркетинг і таргетинг на потенційних клієнтів, які знаходяться на початку процесу покупки.

Ми не можемо самі підібрати аудиторію, інтереси, місця розміщення реклами – їх визначає система. Завдяки автоматичному таргетингу алгоритм сам знаходить користувачів, які найімовірніше здійснять цільову дію.

У цьому типі рекламної кампанії використовуються адаптивні медійні оголошення. За рахунок машинного навчання алгоритм сам створює релевантні оголошення з зображень, відео, заголовків і описів, які ми йому задали. Чим більше елементів, тим більше оголошень алгоритм зможе створити для кожного окремого аукціону.

Приклади адаптивно-медійних оголошень

У контекстно-медійній мережі ми можемо платити не за кліки, а за отримані конверсії. Для цього в акаунті за останні 30 днів має бути мінімум 100 конверсій. При цьому 90% конверсій повинні відбуватися протягом семи днів після кліка по оголошенню.

Дана модель оплати доступна тільки при використанні стратегії «Цільова ціна за конверсію». Сума, яку ми будемо платити за кожну конверсію, дорівнює заданій цільовій ціні за конверсію. При цьому, якщо задати дуже низьку СРА, то кількість показів знизиться або взагалі впаде до нуля.

Для оптимальної роботи рекламної кампанії денний бюджет повинен бути не нижче, ніж цільова ціна за конверсію.

Перші результати

За підсумками місяця пошукові кампанії по брендовим ключовими словами принесли небагато лідів, а CPA перевищила план на 125,55%. Обсяг отриманих даних про переходи був занадто малий. Це ускладнювало навчання алгоритму інтелектуального призначення ставок, який повинен був приносити ліди по заданій цільовій CPA.

У той же час розумні кампанії в контекстно-медійній мережі, навпаки, перевиконали план. CPA виявилася майже вдвічі нижче плану, а заявок на покупку надійшло на 55% більше бажаного.

Завдяки машинному навчанню система сама підбирала релевантний банер. Його бачила та аудиторія, яка найбільш схильна вчинити дію, в тому числі аудиторія ремаркетингу. Саме тому вдалося досягти таких результатів.

Результатами «розумних» кампаній в КММ ми були дуже задоволені, а пошукових – зовсім не було. Нам потрібен був спосіб їх поліпшити.

Наше рішення

Оскільки стратегії інтелектуального призначення ставок не вистачало даних для навчання, готова до цільових дій аудиторія рідко бачила оголошення. В результаті вартість конверсії була дуже нестабільною.

Щоб виправити цю проблему, ми вирішили використовувати пакетну стратегію визначення ставок для всіх пошукових кампаній.

Ця автоматизована стратегія оптимізує ставки одночасно для кількох кампаній, яким задається загальна мета. У нашому випадку – це цільова ціна за конверсію. Таким чином стратегія буде навчатися на основі всіх даних, а не на окремих кампаніях.

Так як у кожної з моделей була своя планова CPA, в пакетній стратегії ми використовували середнє значення для цільової ціни за конверсію.

Результати

У алгоритму призначення ставок з’явилося в кілька разів більше даних. Процес навчання закінчився, і вже через тиждень ми побачили позитивну динаміку в результатах кампаній.

Через півтора місяці після змін ми перевиконали план по кількості конверсій. Вдалося знизити CPA на 30%, і тепер вона нижче планового показника більш ніж на 15%.

Результати пошукових кампаній з використанням пакетної стратегії

Підсумок

Якщо ви працюєте з кількома кампаніями, спрямованими на просування схожих товарів / послуг, але обсяг даних по окремості занадто малий для навчання алгоритму, використовуйте пакетну стратегію визначення ставок. Таким чином ви зможете об’єднати кампанії однією метою і отримати більше даних.

Важливо, що просування товари чи послуги повинні бути в одному ціновому діапазоні. Наприклад, не варто використовувати пакетну стратегію для об’єднання кампаній, націлених на покупку автомобіля і чохла для сидіння в ньому.

Також не обмежуйтеся тільки пошуковими кампаніями – тестуйте і інші інструменти, наприклад, розумні кампанії в КММ. Цей інструмент максимально розширить охоплення потенційних клієнтів і принесе додаткову недорогу конверсію.