5 schlaue Methoden zum Split-Testen Ihrer Google Shopping-Anzeigen

Eine der besten Möglichkeiten, Ihre Rentabilität zu steigern? A/B-Split-Tests. Google Ads verfügt über eine Funktion namens Experimente, mit der Sie benutzerdefinierte Experimente für Ihre Kampagnen erstellen und die Leistung Ihrer Testgruppe im Laufe der Zeit mit Ihren ursprünglichen Kampagnen (Kontrollgruppe) vergleichen können.

Das einzige Problem ist, dass dies nur für Such- und Display-Kampagnen verfügbar ist. Nicht zum Einkaufen. Glücklicherweise habe ich mir fünf Möglichkeiten ausgedacht, wie Sie mehrere Variationen Ihrer Shopping-Kampagnen testen können, worauf wir in diesem Beitrag eingehen werden.

Wie man Produktinformationen A/B testet

A/B-Tests von Produktinformationen wie Titeln, Bildern oder Erweiterungen können nützlich sein, um Ihren Produkt-Feed zu optimieren

Dies kann bei der Einrichtung Ihres Feeds erfolgen, entweder über ein Feed-Management-Tool oder manuell im Google Merchant Center. Sobald Sie sich entschieden haben, was Sie testen möchten, müssen Sie gleiche Produktgruppen erstellen. Dies kann auf verschiedene Arten erfolgen, ich verwende hauptsächlich die folgenden zwei Methoden:

1. Die Methode der Clusteranalyse

Bei einer Cluster-Analyse unterteilen Sie basierend auf der historischen Leistung (z. B. Unterteilen Ihrer Produkte in gleiche Gruppen basierend auf Metriken wie Klicks, Einnahmen, Kosten und Konversionswert). Sie können dies über eine Tabellenkalkulation für kleinere Datensätze oder in R (oder anderen Programmiersprachen) für größere Datensätze tun.

2. Die Random-Split-Methode

Eine zufällige Aufteilung kann basierend auf der ID Ihres Produkts erfolgen. Wenn Sie beispielsweise numerische Werte als Produkt-IDs verwenden, können Sie Gruppe A allen geraden Zahlen und B allen ungeraden Zahlen zuweisen.

Das Wichtigste beim Aufteilen Ihrer Produkte ist sicherzustellen, dass alle Gruppen Ihres Experiments die gleiche Anzahl von Produkten haben und dass Ihre Schlüsselmetriken ebenfalls sehr ähnlich sind.

Nachdem Sie die Aufteilung vorgenommen haben, nehmen Sie die Änderungen an den Produkt-IDs in Ihrer Testgruppe vor. Stellen Sie sicher, dass Sie Berichte zu all Ihren Produkt-IDs und entsprechenden Gruppen erstellen können. Auf diese Weise können Sie sie analysieren und Gewinner finden. Unten finden Sie ein Beispiel dafür, wie dies in Ihrem Feed aussehen würde.

So führen Sie A/B-Tests von Kampagneneinstellungen durch

Wenn Sie Testkampagneneinstellungen wie ROAS, Ausrichtung oder verschiedene Kampagnentypen aufteilen möchten, müssen Sie Aufteilungen auf der Grundlage von etwas anderem als Produkt-IDs vornehmen. Idealerweise sollten Sie sowohl in Ihrer Kontroll- als auch in Ihrer Testgruppe die gleichen Produkte anbieten, da die Leistung je nach Produkt variieren kann. Es gibt drei verschiedene Aufteilungen, die Sie vornehmen können, um Ihre Einstellungen zu testen. Genau wie beim Testaufbau zu Produktinhalten ist es wichtig, gleichberechtigte Gruppen zu bilden. Bei allen Methoden müssen Sie die Datenclusteranalyse selbst durchführen. Erstellen Sie zwei oder mehr gleiche Gruppen und analysieren Sie basierend auf den Unterschieden.

3. Die Aufteilungsmethode für den Kundenabgleich

Mit dem Kundenabgleich können Sie Erstanbieter-Zielgruppen in Google Ads ansprechen. Es funktioniert, indem Sie eine Liste von E-Mail-Adressen aus Ihrer vorhandenen Datenbank hochladen, auf die Sie abzielen möchten, und Google wird diese E-Mail-Adressen mit Google-Konten abgleichen.

Wie es geht

Wenn Sie Customer Match verwenden, sollten Sie in Ihrer CRM-Software einen Cookie-Split erstellen können. Dann können Sie zwei verschiedene Kampagnen mit zwei verschiedenen Google Customer Match Audiences erstellen. Ändern Sie die Einstellung, die Sie in Ihrer Testkampagne testen möchten, und lassen Sie alles andere in Ihrer Kontrollkampagne unverändert. Und das ist es.

Hinweis: Wenn Sie den Kundenabgleich verwenden, stellen Sie sicher, dass eine dritte Kampagne für alle potenziellen Kunden läuft, die nicht in Ihrer Datenbank enthalten sind. Auf diese Weise gehen Ihnen keine potenziellen Conversions verloren.

Bildquelle

Vorteile

• Zufällige Aufteilung: Durch das Aufteilen von Cookies haben Sie tatsächlich eine zufällige Aufteilung, die häufig in anderen A/B-Tests verwendet wird.
• Zuverlässige Daten: Aufgrund der zufälligen Aufteilung sind die Ergebnisse zuverlässig und reproduzierbar.

Nachteile

• Schwer zu implementieren: Nicht jeder Werbetreibende verfügt über die Ressourcen, um den Kundenabgleich zu implementieren oder die zufällige Aufteilung in seinem CRM vorzunehmen.
• Nicht zu 100 % abgeschlossen: Dieser Test gilt nur für bestehende Kunden in Ihrer Datenbank. Das bedeutet, dass die Ergebnisse nicht für neue potenzielle Kunden gültig sind.

4. Die Geo-Split-Testmethode

Geosplits werden häufig verwendet, um inkrementelle Steigerungen in Kampagnen zu finden. Dies könnte Fragen beantworten wie: Gibt es einen zusätzlichen Wert in der Werbung mit Marken-Keywords?

Wie es geht

Bei einem Geo-Test wird ein Markt in kleinere geografische Regionen, sogenannte Geos, unterteilt. Jedem Geo wird entweder eine Kontroll- oder eine Testgruppe zugewiesen. Benutzer in den Test-Geos werden den geänderten Kampagnen ausgesetzt, während Benutzern in den Kontroll-Geos die Kontrollkampagnen bereitgestellt werden. Die Aufteilung kann nach Land oder Region erfolgen, solange beide regionalen Gruppen stark korrelieren. Sie müssen die Clusteranalyse verwenden, um Ihre Gruppen zu bestimmen.

Vorteile

• Einfach einzurichten: Jeder mit ein wenig Google Ads-Erfahrung kann dies einrichten.
• Zuverlässig: Da wir dieselben Kampagnen aufteilen, kann Saisonalität keinen Einfluss haben.

Nachteile

• Das Verhalten kann je nach Region stark variieren. Es ist wichtig, zwei stark korrelierte Gruppen zu haben. Außerdem kann die Saisonabhängigkeit je nach Standort unterschiedlich sein. Es ist nicht ideal, Alaska mit Texas zu vergleichen, wenn Sie Outdoor-Ausrüstung verkaufen.
• Etwas schwierig vorzubereiten: Die Cluster-Analyse zum Standort-Targeting kann schwierig sein, wenn es um kleinere Geo-Standorte geht.

5. Die Kampagnen-Split-Methode

Bei einer Kampagnenaufteilung teilen Sie Ihre Kampagnen oder Konten einfach in zwei stark korrelierte Gruppen auf. Beide Gruppen müssen über die gleiche Anzahl wichtiger Messwerte wie Klicks, Conversions und Kosten verfügen.

Wie es geht

In einer Gruppe von Kampagnen (Testgruppe) nehmen Sie die Änderungen vor, während in der Kontrollgruppe Ihre aktuellen Best Practices dienen. Wenn Sie die verschiedenen Gruppen von Kampagnen beschriften und verfolgen, können Sie etwas über die Unterschiede in der Leistung aussagen.

Budget und Gebotsstrategie sind zwei Einstellungen, die Sie testen könnten.

Vorteile

• Sehr einfach einzurichten: Sie müssen nur in der Hälfte Ihrer Kampagnen Einstellungen ändern und das war's.

Nachteile

• Am wenigsten zuverlässig: Saisonalität kann in verschiedenen Kampagnen eine Rolle spielen, insbesondere wenn Ihre Kampagnen nach Produktkategorien unterteilt sind (haben Sie die Kampagnenstruktur mit Prioritätsgebot ausprobiert?).
• Die Vorbereitung kann schwierig sein: Die Clusteranalyse von Kampagnengruppen kann schwierig sein, wenn es um kleinere Kampagnen- und Datenmengen geht.

Abschließende Gedanken

Das ist es! Fünf verschiedene Möglichkeiten, A/B-Tests für Ihre Google Shopping-Anzeigen durchzuführen:

1. Testen Sie Produkt-Feed-Attribute und erstellen Sie Gruppen mit einer Cluster-Analyse.
2. Testen Sie Produkt-Feed-Attribute, indem Sie Gruppen mit zufälliger Aufteilung erstellen.
3. Testen Sie Kampagneneinstellungen mit Kundenabgleichsgruppen.
4. Testen Sie Kampagneneinstellungen mit Geodaten.
5. Testen Sie Kampagneneinstellungen mit Kampagnengruppen

Die Qualität des Ergebnisses hängt von der Qualität Ihrer vorläufigen (Cluster-)Analyse und Einrichtung ab. Was Sie herausbekommen, ist, was Sie hineinstecken. Hoffentlich hilft Ihnen das bei der Optimierung Ihrer Google Shopping-Kampagnen. Wenn Sie eine dieser Methoden ausprobieren, teilen Sie die Ergebnisse in den Kommentaren! Habt vorerst einen wunderschönen Tag und optimiert weiter!