Mengapa Anda Harus Menguji Bidding Target ROAS untuk Kampanye Shopping

Bagi banyak bisnis E-niaga, kampanye belanja AdWords dapat menghasilkan sebagian besar lalu lintas PPC, dan seringkali merupakan proporsi yang signifikan dari keseluruhan pendapatan. Pentingnya kampanye ini terkadang dapat memicu kelumpuhan di pihak manajer pemasaran digital; mudah untuk mengadopsi sikap "jika tidak rusak, jangan perbaiki" ketika prospek bahkan penurunan kecil dalam kinerja dapat membuat perbedaan besar di garis bawah. Meskipun proses pemikiran seperti itu tentu saja dapat dipahami, hal itu dapat menutup peluang pertumbuhan dan pengoptimalan. Ini sangat signifikan dalam lanskap PPC yang melihat semakin banyak pengeluaran E-niaga yang ditimbang untuk kampanye belanja. Dalam posting blog ini, saya akan membuat kasus untuk menguji penawaran Target ROAS untuk kampanye belanja AdWords, dan berbagi beberapa kiat tentang cara berhasil menyiapkan pengujian semacam itu.

Apa itu Bidding Target ROAS?

Pertama, mari kita tentukan apa itu bidding Target ROAS dan cara kerjanya. AdWords menjelaskan penawaran Target ROAS sebagai “menetapkan nilai konversi rata-rata yang ingin Anda dapatkan untuk setiap dolar yang Anda belanjakan untuk iklan Anda. Dengan bidding Target ROAS, AdWords secara otomatis menetapkan bid untuk membantu mendapatkan nilai konversi sebanyak mungkin sesuai target ROAS yang Anda tetapkan.” Dengan kata lain, jika Anda menetapkan tawaran Target ROAS sebesar 500% untuk kampanye belanja, AdWords akan bertujuan untuk menghasilkan pendapatan $5,00 untuk setiap $1,00 yang dibelanjakan, dan memaksimalkan konversi dalam parameter tersebut. Secara umum, setelan Target ROAS yang lebih tinggi akan menghasilkan volume yang lebih rendah, dan sasaran Target ROAS yang lebih rendah akan menghasilkan volume yang relatif lebih banyak.

Perhatikan bahwa ROAS dihitung hanya sebagai pendapatan/biaya – jika Anda melaporkan pendapatan sebagai (pendapatan – biaya) / biaya, Anda harus mengonversi sasaran ROAS ke rumus yang lebih sederhana untuk menetapkan target kampanye.

Studi Kasus Singkat

Salah satu klien Hanapin, sebuah bisnis E-niaga yang mengkhususkan diri dalam perlengkapan industri, telah melihat hasil yang memuaskan dari kampanye belanja mereka yang menggunakan strategi penawaran BPK Cerdik. Klien ingin meningkatkan volume dan meningkatkan pendapatan secara keseluruhan, dan setelah melihat keberhasilan dengan strategi otomatis dengan kampanye lain di akun mereka, setuju untuk menguji bidding Target ROAS untuk kampanye belanja. Mereka sebelumnya telah menggunakan BPK Cerdik, sebuah strategi yang telah menggunakan penawaran otomatis terbatas dalam rentang tawaran yang ditetapkan secara manual. Saya akan menjelaskan lebih mendalam bagaimana kami menyiapkan pengujian nanti di posting ini, tetapi ingin mengawali kasus untuk bidding Target ROAS dalam kampanye belanja dengan hasil di bawah ini:

Peralihan ke bidding Target ROAS memberikan hasil yang luar biasa bagi klien. Tidak hanya volume konversi dan pendapatan yang tumbuh hampir 50%, pertumbuhan terjadi tanpa mengurangi efisiensi. Faktanya, ROAS sebenarnya meningkat sebesar ~7%.

Memang, ini hanyalah salah satu contoh peningkatan kinerja, dan orang dapat dengan mudah menyatakan bahwa hasilnya bisa jadi tidak wajar untuk kampanye belanja. Namun, saya berharap hal itu menggambarkan bahwa ada kemungkinan keuntungan signifikan saat mengalihkan strategi bidding ke Target ROAS. Setidaknya, saya berharap ini mendukung kasus bahwa alih-alih mengasumsikan Target ROAS akan membahayakan kinerja salah satu kampanye belanja, pengujian sakelar manajemen tawaran mungkin diperlukan. Di bawah ini, saya akan berbicara secara lebih umum tentang mengapa mereka yang mengelola kampanye belanja harus mencoba strategi ini.

Kasus Untuk Bidding Target ROAS

Ada banyak faktor yang dapat memengaruhi prediksi pendapatan yang dihasilkan dari klik pada iklan belanja, di antaranya adalah:

• Produk yang diiklankan.
• Lokasi pengguna.
• Audiens tempat pengguna berada.
• Perangkat yang dicari pengguna.
• Waktu dan/atau hari pencarian dilakukan.

Pemasar digital yang baik yang secara manual menyesuaikan tawaran akan mengevaluasi setiap variabel ini, dan menetapkan tawaran dan penyesuaian tawaran yang sesuai. Kebenaran dari masalah ini adalah, meskipun pengiklan dapat secara manual memperhitungkan banyak variabel ini, dengan data historis yang cukup, algoritme pembelajaran mesin kemungkinan lebih siap untuk mengevaluasinya dalam kompleksitas penuhnya. Hal ini terutama berlaku untuk perusahaan dengan feed belanja besar. Misalnya, penawaran manual mungkin merupakan investasi waktu yang wajar untuk perusahaan dengan 250 SKU, tetapi investasi waktu tersebut dapat menjadi jauh lebih memberatkan untuk feed yang memiliki 250.000 SKU.

Mungkin Anda pernah memiliki pengalaman buruk dengan otomatisasi di masa lalu, atau skeptis terhadap strategi pembelajaran mesin dalam pemasaran digital. Jika Anda termasuk dalam kubu itu, pertimbangkan hal berikut:

• Algoritme pembelajaran mesin Google berubah dan meningkat dari waktu ke waktu, yang menunjukkan bahwa meskipun Anda pernah melihat kinerja yang buruk di masa lalu, mungkin ada baiknya memberi mesin kesempatan lagi.
• Meskipun peningkatan kinerjanya kecil atau tidak ada, penawaran Target ROAS membebaskan pemasar digital untuk menghabiskan lebih banyak waktu pada aspek lain dari kampanye untuk meningkatkan kinerja, seperti pengelolaan umpan, pengoptimalan kueri penelusuran, dan memaksimalkan keuntungan melalui restrukturisasi.
• Saat Anda memikirkan kembali pengujian yang gagal, pertimbangkan apakah Anda memberikan cukup waktu untuk eksperimen tersebut agar berhasil. Pengujian membutuhkan waktu, terutama saat menguji strategi otomatis. Lebih sering daripada tidak, algoritme tidak dapat langsung membuat keputusan karena tidak ada data untuk mendukungnya.
• Jika pengujian yang sebelumnya Anda jalankan dibatasi oleh anggaran (dan hal itu tidak lagi terjadi), mungkin ada baiknya untuk meninjau kembali – anggaran yang terbatas berarti data yang terbatas, dan pengujian mungkin tidak memiliki volume yang cukup untuk mencapai hasil yang benar-benar signifikan secara statistik .

Yang mengatakan: Strategi bidding Target ROAS tidak pernah dijamin lebih efektif daripada strategi manual, dan pemasar digital harus selalu melihat perubahan strategi bidding sebagai pengujian sementara, bukan perubahan set-it-and-forget-it. Selain itu, pengujian seperti ini memerlukan beberapa toleransi terhadap risiko, dan tidak harus dicoba untuk kampanye yang secara konsisten melebihi sasaran jika bisnis tidak dapat mengalami penurunan kinerja yang kecil sekalipun. Satu perangkap khusus yang perlu diingat: jika target ditetapkan lebih tinggi dari kinerja historis, pertumbuhan mungkin terbatas. Seringkali dalam situasi ini pemasar awalnya akan melihat kinerja yang menjanjikan, tetapi mengalami kesulitan untuk mengembangkan kampanye.

Menyiapkan Tes

Pertama, beberapa berita buruk: AdWords tidak mengizinkan pembuatan kampanye belanja eksperimental. Tidak dapat disangkal bahwa ini sangat mengecewakan, karena ini berarti Anda tidak dapat membagi lalu lintas secara merata antara eksperimen kampanye belanja Target ROAS dan strategi penawaran status quo. Sebagai gantinya, Anda harus menjalankan pengujian secara berurutan, bukan secara bersamaan. Dengan mengingat hal itu, berikut adalah beberapa kiat untuk menyiapkan eksperimen Anda dengan sukses:

• Tetapkan tawaran Target ROAS yang wajar : Aturan praktis untuk kampanye yang tidak memiliki sasaran ROAS yang ketat adalah menetapkan tawaran Target ROAS Anda pada atau tepat di atas ROAS historis kampanye. Namun, jika Anda ingin meningkatkan volume dan bisnis memiliki toleransi untuk efisiensi yang lebih rendah, Anda harus menetapkan ROAS lebih rendah. Dalam kasus sebaliknya, tetapkan target ROAS lebih tinggi.
• Jalankan pengujian selama periode musiman rendah : Karena pengujian harus berurutan, tidak dapat dihindari bahwa musiman akan mencemari hasil sampai tingkat tertentu. Namun, Anda dapat meminimalkan masalah ini dengan memilih periode di mana musim relatif rendah. Misalnya, jika kampanye belanja Anda melihat kinerjanya yang paling statis selama bulan-bulan musim panas, ini mungkin waktu yang ideal untuk bereksperimen dengan beralih jenis tawaran. Juga, perlu diingat bahwa apa yang berhasil di luar musim mungkin tidak ideal untuk musim sibuk. Misalnya, Target-ROAS mungkin bagus untuk di luar musim/anggaran/efisiensi yang lebih rendah, tetapi selama masa puncaknya mungkin tentang lalu lintas situs dan menjadi agresif, dalam hal ini pengoptimalan untuk klik atau konversi mungkin lebih ideal.
• Tentukan parameter dan metrik pengujian sebelumnya : Seperti halnya jenis eksperimen apa pun, penting untuk mengetahui seperti apa kemenangan dan kekalahan sebelumnya. Putuskan berapa lama Anda akan menjalankan tes dan apa yang merupakan hasil kemenangan yang signifikan secara statistik sebelum memulai tes. Jika tidak, Anda bisa mendapatkan hasil yang ambigu.
• Pahami bahwa periode "pembelajaran" mungkin tidak mewakili kinerja jangka panjang : Saat kampanye dialihkan ke strategi pengelolaan tawaran Target ROAS, kampanye akan menjalani periode "pembelajaran" saat mengumpulkan data dan menetapkan tawaran. Menurut pengalaman saya, periode ini cenderung berlangsung ~1 minggu, meskipun durasi periode ini akan bervariasi menurut volume. Anda mungkin ingin mengecualikan periode pembelajaran dari hasil eksperimen saat mengevaluasi kinerja. Catatan: Anda dapat melihat apakah kampanye dalam status “belajar” atau tidak di tab setelan.

Kesimpulan

Jika Anda secara manual menyesuaikan tawaran untuk kampanye belanja, saya harap posting ini setidaknya membuat Anda mempertimbangkan apakah strategi penawaran Target ROAS layak untuk diuji atau tidak. Tidak meyakinkan? Atau pernahkah Anda melihat kinerja yang buruk dari penerapan strategi Target ROAS ke kampanye belanja Anda di masa lalu? Bergabunglah di Twitter @ppchero!