Lembur SMX: Pengujian abadi, kunci kesuksesan Iklan Facebook

SMX Lembur adalah bagian dari seri pembicara SMX kami, di mana presenter SMX menjawab pertanyaan dari peserta tentang berbagai topik.

Awal bulan ini, saya dengan senang hati mempersembahkan SMX virtual musim gugur. Meskipun tidak ada yang menggantikan kemampuan untuk berjejaring secara langsung, SMX melakukan pekerjaan yang luar biasa dalam menciptakan pengalaman yang memfasilitasi diskusi dan jaringan yang selama ini kita lewatkan, selain konten yang luar biasa!

Dalam sesi saya, “Pengujian Abadi: Kunci Sukses Iklan Facebook,” ada beberapa pertanyaan bagus yang tidak dapat kami jawab, jadi kami memutuskan untuk menyusun postingan ini sebagai sarana untuk menjawab pertanyaan tersebut. Saya juga menyertakan pertanyaan yang dapat kami jawab karena semua pertanyaan sangat tepat sehingga saya pikir akan bermanfaat untuk membagikan jawaban sekaligus.

“Berapa lama waktu yang dibutuhkan untuk menghubungi lead yang mengisi instaform?”

Berapa lama menunggu sebelum menanggapi prospek tergantung pada beberapa hal:

• Seberapa panas prospeknya, dan apakah mereka meminta panggilan penjualan atau demo?
• Jika mereka meminta konten, apakah mereka harus menunggu untuk menerimanya sampai mereka mendapatkan email dari Anda yang berisi konten tersebut?

Jika jawaban untuk salah satu dari pertanyaan itu adalah ya, maka itu menunjukkan rasa urgensi dan saya akan merekomendasikan untuk menghubungi Anda secepat mungkin. Untuk seseorang yang meminta demo atau panggilan, peluang terbaik yang Anda miliki untuk mengubahnya menjadi penjualan adalah pada saat itu. Semakin lama Anda menunggu untuk menindaklanjuti, semakin banyak waktu yang mereka miliki untuk berkeliling atau bahkan menjadi terganggu atau berubah pikiran.

Jika prospeknya adalah prospek corong yang lebih tinggi dan mereka menjangkau konten, saya tidak menyarankan untuk mencoba mendorong penjualan segera, karena kemungkinan besar mereka tidak akan siap untuk jenis komitmen itu. Namun, saya merekomendasikan untuk membuat sentuhan pertama dengan cukup cepat saat mereka masih memiliki ingatan merek, sehingga mereka lebih cenderung terlibat dengan konten tindak lanjut Anda. Saya sarankan memasukkan orang-orang ini ke dalam kampanye pemeliharaan email sehingga mereka terlibat secara otomatis sampai perilaku mereka menunjukkan bahwa mereka siap untuk dihubungi oleh penjualan. Jika Anda dapat membuat konten yang mereka minta sebagai konten pertama, itu akan menciptakan cara yang sangat mulus untuk membuat tindak lanjut yang cepat tanpa terlihat sombong.

“Berapa lama kurva belajar Facebook? Jika kita menguji sesuatu, haruskah kita membiarkannya berjalan setidaknya selama 30 hari?”

Ini sulit untuk dijawab — saya tidak suka memberikan jawaban "itu tergantung" tetapi ini adalah skenario di mana respons itu berlaku. Kurva pembelajaran Facebook lebih baik ditentukan oleh waktu yang diperlukan untuk mencapai 50 peristiwa pengoptimalan, yang dapat bervariasi dari satu akun ke akun berikutnya — bahkan dari satu set iklan ke set iklan berikutnya dalam akun yang sama.

Perjuangan dengan Facebook adalah jika Anda melakukan tes terlalu lama, Anda dapat mengalami kelelahan kreatif, yang juga dapat berdampak negatif pada hasil Anda. Lamanya waktu sebelum Anda mencapai kelelahan kreatif tampaknya bervariasi di banyak faktor yang berbeda, yang juga bervariasi dari satu kampanye ke kampanye berikutnya. Ukuran dan frekuensi audiens berperan di sini. Jadi, set iklan dengan audiens yang besar dan frekuensi rendah biasanya akan mengalami kelelahan materi iklan lebih lambat daripada akun dengan audiens kecil.

Semua itu untuk mengatakan, itu ideal untuk keluar dari fase pembelajaran, yang berarti mencapai setidaknya 50 peristiwa pengoptimalan. Tujuannya adalah untuk keluar dari fase pembelajaran (idealnya dalam waktu seminggu) dan juga untuk mengumpulkan data yang cukup ke tempat Anda dapat mencapai signifikansi statistik dalam hasil Anda. Ada banyak kalkulator signifikansi statistik gratis di luar sana — yang satu ini dari CXL memungkinkan Anda memperkirakan berapa hari lagi yang Anda perlukan dalam pengujian Anda untuk mencapai signifikansi statistik berdasarkan hasil saat ini dan jumlah hari pengujian telah berjalan.

“Mengapa pembelajaran dibatasi pada kampanye iklan yang memiliki anggaran lebih besar dan lebih banyak konversi daripada kampanye iklan lainnya? Audiensnya besar, dari daftar email klien, dengan audiens yang mirip.”

Fase pembelajaran Facebook membutuhkan 50 peristiwa pengoptimalan dan setiap perubahan yang dibuat dapat mengirimkannya kembali ke mode pembelajaran. Jadi, ada beberapa hal yang mungkin terjadi di sini:

1. Pemirsa mungkin lebih besar, tetapi mungkin belum mencapai ambang 50 peristiwa pengoptimalan.
2. Setiap set iklan masuk dan keluar dari fase pembelajaran satu per satu, jadi meskipun kampanye telah mencapai ambang 50 peristiwa pengoptimalan, bisa jadi belum semua set iklan mencapai ambang tersebut dan beberapa masih dalam fase pembelajaran.
3. Mungkin ada perubahan baru-baru ini yang dapat membuat sebagian kampanye ini kembali ke fase pembelajaran meskipun sebelumnya berada di luar mode pembelajaran, seperti iklan baru, perubahan anggaran, perubahan penawaran, atau perubahan penargetan. Anda dapat memeriksanya dengan melihat perubahan terbaru untuk melihat apakah ada pengeditan yang baru-baru ini dilakukan. Pada saat itu, 50 peristiwa pengoptimalan lainnya perlu terjadi setelah pengeditan signifikan terbaru untuk keluar dari fase pembelajaran lagi.

“Apa pendapat Anda tentang status fase belajar Iklan Facebook? Apakah itu akan mempengaruhi skenario pengujian?”

Fase pembelajaran pasti dapat memengaruhi pengujian. Sampai Anda keluar dari fase belajar, hasilnya bisa sangat bervariasi. Yang terbaik adalah keluar dari fase belajar sebelum memanggil pemenang. Namun, secara realistis, beberapa set iklan tidak pernah berhasil keluar dari mode pembelajaran dan, dalam kasus tersebut, Anda harus mencoba mendapatkan hasil yang signifikan secara statistik meskipun masih dalam mode pembelajaran.

Fase pembelajaran tidak hanya berdampak pada hasil pengujian yang Anda jalankan, tetapi juga pada akhirnya berdampak pada kinerja jangka panjang dari set iklan dan iklan. Untuk peningkatan kinerja, saya sarankan mencoba mengidentifikasi cara untuk keluar dari mode pembelajaran, meskipun itu berarti menemukan cara kreatif untuk memperluas penargetan sambil tetap relevan.

"Bagaimana Anda menemukan 'Pengoptimalan Anggaran' Facebook versus anggaran yang ditetapkan untuk set iklan?"

Saya ingin menyukai Pengoptimalan Anggaran Kampanye (CBO) Facebook karena, meski menyakitkan bagi saya untuk mengatakan ini sebagai orang gila semi-kontrol, algoritme penawaran Facebook cukup bagus. Dengan logika yang sama, Anda mengharapkan CBO bekerja lebih baik daripada intervensi manual, bukan? Sayangnya, saya belum benar-benar melihat itu terjadi.

Ada beberapa kali saya menggunakan CBO (mirip dengan contoh di mana masuk akal untuk menggunakan Anggaran Bersama di Google —karena setiap anggaran individu akan terlalu membatasi untuk mendapatkan hasil yang baik sendiri). Namun, saya biasanya menemukan bahwa itu tidak memprioritaskan dengan baik untuk tujuan kampanye dan tidak menghabiskan seefisien mungkin dengan menetapkan anggaran set iklan.

“Opsi minat dan penargetan Facebook cukup terbatas, terutama di B2B. Apakah Anda memiliki saran tentang bagaimana kami dapat mengoptimalkan penargetan audiens?”

Saya suka pertanyaan tentang B2B untuk Facebook karena begitu banyak orang yang menolak gagasan menggunakan Facebook untuk B2B, jadi saya selalu bersemangat ketika bukan itu masalahnya! Pemirsa terbatas tetapi saya telah melihat Facebook bekerja sangat baik untuk B2B.

Pemirsa favorit saya dari semua pemirsa, untuk B2B dan B2C, mirip. Saya biasanya menemukan bahwa mereka mengungguli salah satu kepentingan Facebook. Jika Anda memiliki data pihak pertama melalui piksel atau daftar email, di situlah saya akan mulai. Semakin banyak audiens berkualitas yang dapat Anda buat (MQL bukan hanya prospek, peluang menang tertutup lebih baik, kemampuan untuk mengelompokkan klien perusahaan, dll., semakin tinggi daftar nilai yang dapat Anda buat, semakin baik). Saya akan mulai dengan itu sebagai sarana pengujian. Saya juga akan melihat wawasan audiens Facebook Anda dan melihat apa yang muncul di sana sejauh minat pengikut halaman Anda. Terkadang Facebook memiliki minat seputar asosiasi, selain beberapa data seputar industri dan jabatan yang longgar, yang juga bisa menjadi pilihan yang baik.

“Masalah besar yang kami miliki di sisi B2B dengan iklan FB adalah prospek mengisi info kontak palsu pada formulir gen prospek dan formulir gen prospek di situs.”

Saya telah melihat ini sampai batas tertentu, juga, sayangnya. Kami memiliki beberapa minat yang mendorong banyak volume tetapi juga sedikit sampah, dan kemudian mencemari pemirsa berbasis piksel tempat kami membangun kemiripan dan mereka menjadi sedikit sampah juga — karena tidak ada yang lebih baik kata. Jika audiens Anda cukup besar, ini adalah kasus yang baik untuk memastikan hal-hal tersegmentasi sehingga Anda dapat memantau kinerja di tingkat penargetan — apakah itu melalui prospek di Facebook atau melalui integrasi dengan CRM Anda. HubSpot, misalnya, memungkinkan kami memantau kualitas prospek di tingkat set iklan, yang memungkinkan kami membuat keputusan dari sana.

Terkadang keputusan yang harus kita buat adalah apakah kita setuju dengan sedikit kebisingan untuk mendapatkan lebih banyak volume prospek dengan biaya yang dapat diterima atau jika kita perlu memastikan tidak ada kebisingan, yang mungkin berarti beralih ke audiens yang lebih kecil dan lebih sempit , tetapi itu mungkin juga berarti biaya per prospek yang lebih tinggi karena memiliki volume yang lebih rendah/data yang lebih sedikit yang mendukung algoritme penawaran.

Sayangnya, dengan data yang buruk, kemiripan hanya memperburuk masalah — jadi, kami biasanya akan beralih ke model yang mirip dari hanya audiens kustom dari daftar prospek berkualitas yang diunggah, atau mencari cara lain untuk membangun berbasis piksel yang lebih baik. audiens daripada semua prospek, jika memungkinkan, seperti login jika ada portal, atau mengambil langkah berikutnya untuk menjadwalkan demo di kalender dari email tindak lanjut.

“Bagaimana Anda memperbarui strategi pengujian Anda untuk kampanye iklan yang cenderung ditolak secara otomatis setiap kali diperbarui? Iklan mengikuti kebijakan dan biasanya diaktifkan kembali setelah peninjauan manual.”

Ini adalah situasi yang membuat frustrasi dan saya merasakannya di tulang saya karena kami, di Cultivative, memiliki klien yang iklannya secara otomatis (dan mungkin salah, saya tambahkan) tidak disetujui segera setelah kami meluncurkannya atau melakukan pengeditan apa pun. Bergantung pada berapa banyak yang ada, saya biasanya menghubungi dukungan dengan ID kampanye karena mengirimkannya satu per satu untuk ditinjau membutuhkan waktu sangat lama.

Semua yang dikatakan, biasanya prosesnya terlihat seperti ini:

1. Luncurkan iklan (dengan mengetahui bahwa iklan tersebut akan ditolak secara otomatis).
2. Kirim ID kampanye ke dukungan dalam obrolan segera setelah penolakan datang (yang biasanya hampir seketika).
3. Terima email tindak lanjut dari dukungan yang mengonfirmasi bahwa iklan tidak disetujui secara tidak benar, dan sekarang iklan tersebut ditayangkan, biasanya dalam waktu 24 jam setelah mengirim ID kampanye.
4. Mulailah periode pengujian sekarang karena semuanya hidup; hari yang sama jika masih pagi hari ketika mereka disetujui. Jika tengah hari atau sore hari, maka hari berikutnya akan dianggap sebagai awal periode ujian.

“Menurut pendapat Anda, apa cara terbaik agar pencarian Facebook dan PPC bekerja bersama?”

Ah, saya suka pertanyaan ini. Ada banyak cara agar Facebook dan PPC dapat bekerja bahu-membahu. Dalam banyak hal sehingga ini bahkan dapat menjamin artikelnya sendiri!

Bergantung pada berapa lama Anda menjalankan setiap saluran, dan apa yang Anda jalankan di setiap saluran, Anda sering akan melihat peningkatan lalu lintas pencarian bermerek saat Anda mengaktifkan kampanye saluran yang lebih tinggi — seperti kampanye pencarian calon pelanggan Facebook untuk pemirsa baru, jadi lihat keluar untuk itu! Memantau tayangan Facebook dan tren lalu lintas terhadap tren pencarian bermerek adalah salah satu cara untuk mencari dampak di luar pemantauan konversi langsung yang berasal dari Facebook, jika Anda tertarik untuk memahami dampak di luar tanggapan langsung langsung.

Salah satu cara termudah untuk mengoordinasikan kampanye lintas saluran adalah dengan menyiapkan pemirsa yang dibangun di atas UTM untuk memantau kinerja masing-masing. Anda dapat mengatur audiens dari lalu lintas dari kampanye Facebook dan melapisinya sebagai pengamatan hanya pada kampanye pencarian Anda. Anda juga dapat menyiapkan pemirsa di luar UTM untuk memasarkan ulang orang-orang yang berkunjung dari kampanye penelusuran Anda dengan pemasaran ulang Facebook. Dan Anda dapat menyiapkan kedua pemirsa di Google Analytics untuk mendapatkan visibilitas yang lebih baik tentang bagaimana orang-orang di setiap pemirsa datang melalui saluran lain.

Hal yang menyenangkan tentang pemirsa adalah mereka memberi tahu Anda sesuatu tentang lalu lintas yang mungkin belum Anda ketahui, seperti siapa mereka (target dan demografi) dan tindakan apa yang telah mereka lakukan di situs Anda. Misalnya, di Facebook, Anda memiliki banyak opsi penargetan yang tidak Anda miliki di Google Ads dan sebaliknya. Jika Anda tahu bahwa mereka berasal dari set iklan tertentu di Facebook, kemungkinan itu memberi tahu Anda sesuatu tentang demografi atau minat mereka yang mungkin tidak Anda ketahui sebelumnya. Dalam kedua kasus tersebut, Anda dapat menyesuaikan iklan untuk pemirsa untuk memastikan Anda memanfaatkan sepenuhnya. Anda juga dapat menambahkan pemirsa negatif untuk menghindari berbagi konten yang sama yang telah mereka unduh untuk mengarahkan mereka ke CTA corong bawah yang berbeda.

Ada juga banyak cara agar Iklan PPC & Facebook dapat saling belajar — misalnya, pembelajaran bersama dari pengujian pengiriman pesan.

“Bagaimana dengan kategori iklan yang dibatasi, seperti perumahan? Apakah Anda memiliki rekomendasi untuk mengelompokkan audiens karena opsi terbatas?”

Pertanyaan bagus, dengan kategori khusus seperti perumahan, kredit, dan pekerjaan, Anda memiliki pilihan segmentasi penargetan yang lebih sedikit, tetapi masih ada beberapa cara untuk menyegmentasikan data — jika Anda memiliki ukuran audiens. Salah satu perjuangan besar yang saya temukan dengan perumahan dan real estat adalah, jika Anda hanya menargetkan satu kota (terutama yang kecil pada saat itu), akan sulit untuk mendapatkan kumpulan audiens yang cukup besar dengan beberapa minat individu bahkan tanpa mencoba mengelompokkan berdasarkan usia atau jenis kelamin (yang tentu saja tidak diizinkan).

Jika Anda memiliki data, masih ada beberapa cara untuk mengelompokkan data, mengingat semua segmentasi harus tetap memperhitungkan apakah daftar individual masih dapat mencapai 50 peristiwa pengoptimalan sendiri (jika tidak, mungkin tidak masuk akal untuk melakukan segmentasi karena kinerja mungkin lebih baik jika tetap menjadi bagian dari audiens yang lebih besar). Peluang segmentasi tersebut dapat mencakup:

• Platform atau penempatan: Saya hanya akan melakukan ini jika ada outlier kinerja yang menunjukkan bahwa kinerja Anda akan lebih baik jika Anda dapat mengalokasikan anggaran untuk satu penempatan individu, atau mendorong lebih keras pada platform. Jika satu penempatan tampaknya akan berkinerja lebih baik dengan materi iklan yang disesuaikan, sebaiknya lakukan itu dalam unit iklan yang ada, tanpa mengelompokkannya untuk melihat apakah kinerjanya lebih baik.
• Menyegmentasikan daftar audiens pihak pertama yang berbeda untuk membangun kemiripan berdasarkan kualitas. Jadi, misalnya, jika Anda berada di real estat, mengunggah daftar orang-orang yang telah membeli rumah dari Anda sebagai daftar terpisah dari semua prospek, dan membuat kemiripan dari keduanya untuk melihat kinerjanya.
• Kekinian daftar pemasaran ulang: Menargetkan seseorang dalam tiga hingga tujuh hari terakhir yang terpisah dari daftar yang lebih panjang, karena ini biasanya merupakan prospek yang lebih hangat.
• Daftar pemasaran ulang yang berbeda untuk tindakan di tempat yang berbeda.
• Daftar audiens khusus yang berbeda untuk orang-orang yang mungkin masih berada di pasar untuk sebuah rumah.

“Untuk pengujian penargetan, apakah Anda akan merekomendasikan fitur pengujian A/B di Facebook? Juga, berapa 'anggaran ideal' yang harus ditetapkan untuk pengujian?”

Alat Eksperimen Kampanye di Facebook adalah alat lain yang ingin saya sukai tetapi belum memiliki pengalaman terbaik. Saya menemukan bahwa sering kali pengujian A/B yang saya jalankan melalui alat ini dimiringkan dengan cara yang sama seperti tanpa menggunakan alat tersebut. Karena alasan itu, saya sering menemukan bahwa menggunakan alat ini tidak serta merta mengurangi batasan pengujian apa pun di dalam Facebook. Saya ingin melihat perubahan ini dan masih berharap itu akan terjadi, karena mereka telah berinvestasi dalam alat ini. Manfaat utama yang saya temukan, selain bagus, adalah memberikan pembacaan versus menggunakan alat analisis statistik Anda sendiri.

Meskipun demikian, ada beberapa hal yang dapat Anda lakukan melalui alat eksperimen kampanye yang lebih baru yang tidak dapat Anda lakukan sendiri tanpa alat tersebut, seperti uji ketidaksepakatan dan survei merek. Secara teknis, Anda dapat menyiapkan pengujian holdout sendiri, tetapi alat mereka membuatnya lebih mudah dan memberikan pembacaan yang lebih bersih daripada yang dapat dilakukan sendiri oleh banyak pengiklan, tanpa akses ke alat atau mitra data lain.

Sejauh anggaran berjalan, ini bervariasi dari pengiklan ke pengiklan. Karena dibutuhkan 50 peristiwa pengoptimalan untuk keluar dari fase pembelajaran, Anda harus realistis tentang penganggaran yang cukup untuk memenuhi ambang tersebut dan kemudian masih memiliki anggaran yang tersedia untuk pengujian di luar fase pembelajaran. Itu akan bervariasi dari pengiklan ke pengiklan, tergantung pada biaya akuisisi mereka. Fase pembelajaran bisa sedikit berubah-ubah, jadi saya sarankan untuk memperhitungkan beberapa anggaran tambahan karena efisiensi biaya Anda mungkin tidak seoptimal saat itu.

Pendapat yang diungkapkan dalam artikel ini adalah dari penulis tamu dan belum tentu Search Engine Land. Penulis staf tercantum di sini.