คำถาม & คำตอบแบบปิด: การปรับเปลี่ยนในแบบของคุณ การเรียนรู้ของเครื่อง & วิธีเพิ่มผลลัพธ์แคมเปญโฆษณาให้สูงสุด

คุณอาจจำคำถาม & คำตอบกับ Elite SEM ได้ในเดือนมกราคม ซึ่งพวกเขาได้พูดคุยกันถึงกลยุทธ์โฆษณาของ Google และ Facebook Ads ที่ผู้ลงโฆษณาควรให้ความสนใจ และวิธีที่การปรับเปลี่ยนในแบบของคุณและการเรียนรู้ของเครื่องจะส่งผลต่อแคมเปญอย่างไร

ต่อไปในซีรีส์เอเจนซี่นี้คือ Amanda Evans หัวหน้าเจ้าหน้าที่โฆษณาที่ Closed Loop คุณจะสังเกตเห็นว่าคำตอบนั้นแตกต่างจาก Elite SEM เล็กน้อย เป็นไปตามที่คาดหวัง และนี่ก็แสดงให้เห็นว่าการโฆษณาดิจิทัลในปัจจุบันมีความซับซ้อนมาก และเอเจนซี่ควรประเมินกลยุทธ์ที่ต้องเสียค่าใช้จ่ายอย่างต่อเนื่อง

กลวิธีบางอย่างของ Google Ads ที่คุณคิดว่าใช้ได้ผลดีในอดีต แต่จะใช้งานไม่ได้ในอนาคตมีอะไรบ้าง

AE: มีสามสิ่งที่ฉันต้องการให้ความสนใจ:

1. Single Keyword Ad Groups (SKAGs) — โครงสร้างนี้ใช้งานไม่ได้อีกต่อไปและเพียงแค่ทำให้อัลกอริทึมการเรียนรู้ของเครื่อง หยุดชะงัก แต่กลุ่มโฆษณาที่มีธีมสอดคล้องกันซึ่งมีคำหลัก 10-15 คำมักจะทำงานได้ดีที่สุด เราจะใช้กลุ่มโฆษณาที่มีคำหลักเพียงกลุ่มเดียวสำหรับคำหลักที่มีปริมาณมากเท่านั้น แต่สิ่งนี้มีน้อยมาก
2. การทดสอบการแยก A/B ที่แท้จริง — แทบจะเป็นไปไม่ได้เลยที่จะทำการทดสอบแยก A/B กับโฆษณาอีกต่อไป และไม่จำเป็นต้องทำอีกต่อไป อัลกอริธึมของทั้ง Google และ Facebook ทำงานได้อย่างยอดเยี่ยมในการปรับให้เหมาะสมเพื่อประสิทธิภาพที่ดีที่สุด
3. ราคาเสนอสำหรับอุปกรณ์ 100% ติดลบ — ข้อนี้อาจเป็นข้อโต้แย้ง แต่ผู้ลงโฆษณาที่เลือกไม่ใช้อุปกรณ์เคลื่อนที่โดยสิ้นเชิงจะถูกทิ้งไว้เบื้องหลัง ผู้บริโภคในปัจจุบัน (รวมถึง B2B) สลับไปมาระหว่างอุปกรณ์ต่างๆ ได้เร็วกว่าที่เคย แนวคิดที่ว่าผู้คนค้นหาเฉพาะอุปกรณ์ที่จะแปลงเป็นสายตาสั้น

คำถามเดียวกับข้างบน แต่สำหรับโฆษณา Facebook…

AE: เช่นเดียวกับ Google Ads การทดสอบแยก A/B ที่แท้จริงแทบจะเป็นไปไม่ได้เลย จำนวนรูปแบบโฆษณา แพลตฟอร์ม และตำแหน่งบนเครือข่าย Facebook เพิ่มขึ้นอย่างทวีคูณ การทดสอบ A/B ในขณะนี้จะระงับประสิทธิภาพของบัญชีทั้งหมด และความจริงก็คืออัลกอริทึมทำงานได้ดีมากในการ 'เลือก' ผู้ชนะที่เหมาะสม ดังนั้นจึงไม่จำเป็นต้องทำการทดสอบ A/B

นอกจากนี้ เรายังเห็นว่าโครงสร้างแบบละเอียดไม่ทำงานเหมือนเดิมอีกต่อไป ความสำเร็จเกิดขึ้นเมื่อคุณ 'ป้อนเครื่องจักร' — ให้ข้อมูลมากที่สุดเท่าที่เป็นไปได้ เพื่อที่เครื่องจะหารูปแบบที่ดีที่สุดที่จะให้บริการ

อะไรใน Google Ads ที่คุณคิดว่ามองข้ามแต่จะยิ่งใหญ่ในปี 2019

AE: นึกถึงสองสิ่ง…

1. การกำหนดเป้าหมายตามกลุ่มเป้าหมาย / การกำหนดเป้าหมายแบบเลเยอร์ เราเริ่มเห็นพลังอันน่าทึ่งของการแบ่งชั้นผู้ชม ทั้งผู้ชมที่เป็นบุคคลที่หนึ่งและบุคคลที่สาม เข้าสู่แคมเปญในเครือข่ายการค้นหาเพื่อปรับปรุงราคาต่อหนึ่งการกระทำ นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับลูกค้าที่มีความหมายซ้ำกันของคำหลักที่คล้ายคลึงกัน เราเห็นปัญหานี้บ่อยมากในพื้นที่ B2B และการแบ่งชั้นผู้ชมช่วยให้เราฝ่าฟันความยุ่งเหยิงไปได้
2. การจัดโครงสร้างแคมเปญให้ทำงานร่วมกับอัลกอริธึม Smart Bidding แต่ยังช่วยให้ควบคุมงบประมาณได้อย่างเข้มงวดยิ่งขึ้น แนวทางปฏิบัติแบบเก่าบางอย่างในการจัดโครงสร้างแคมเปญ โดยเฉพาะ SKAG จะใช้กับอัลกอริธึมการเสนอราคา เราพบว่าโครงสร้างจำเป็นต้องเปลี่ยนแปลงเพื่อให้อัลกอริทึมทำงานได้อย่างดีที่สุด

คำถามเดียวกับข้างบน แต่สำหรับ Facebook Ads…

AE: สำหรับ Facebook ฉันคิดว่าสิ่งต่อไปนี้ถูกมองข้าม:

1. ความสามารถในการ เพิ่มกลุ่มเป้าหมายของ Facebook ด้วยการรวมข้อมูลของบุคคลที่สาม ในขณะที่จำนวนผู้ชมบน Facebook ลดลงในปีที่ผ่านมา ผู้ให้บริการข้อมูลบุคคลที่สามไม่เพียงเติมเต็มช่องว่างเท่านั้น แต่ยังขยายขีดความสามารถอีกด้วย เราสามารถปรับแต่งโฆษณาให้เหมาะสมกับผู้ชมได้ละเอียดกว่าที่เคย เป็นการเปิดโอกาสใหม่ให้กับผู้ลงโฆษณา
2. วิดีโอที่ปรับให้เหมาะกับมือถือ เมื่อปีที่แล้ว 95% ของผู้ใช้ Facebook เข้าถึง Facebook จากสมาร์ทโฟน แม้ว่านักการตลาดจะเข้าใจถึงการเติบโตของอุปกรณ์เคลื่อนที่ แต่ดูเหมือนว่ามีผู้ลงโฆษณาเพียงไม่กี่รายที่ใช้ประโยชน์จากมัน เราเห็นความสำเร็จที่น่าทึ่งจากแคมเปญวิดีโอที่ปรับให้เหมาะกับอุปกรณ์เคลื่อนที่โดยเพิ่มขึ้นอย่างมากทั้ง CTR และอัตรา Conversion

คุณมองว่า AI และการเรียนรู้ของเครื่องมีบทบาทอย่างไรกับโฆษณาแบบชำระเงินในอนาคต

AE: บทบาทของ AI และแมชชีนเลิร์นนิงในโฆษณาแบบชำระเงินยังคงพัฒนา แต่เราคาดว่า Mindshare จะเติบโตอย่างมากในปีหน้า

ในส่วนของการประมูล อัลกอริธึมของ Google และ Facebook นั้นกำลังแสดงสัญญา แต่มีช่องว่างที่สำคัญอยู่บ้าง เพื่อให้ AI และแมชชีนเลิร์นนิงตระหนักถึงศักยภาพของตน Facebook และ Google จะต้องให้การควบคุมและความยืดหยุ่นแก่ผู้ที่จัดการแคมเปญ

มีสองประเด็นสำคัญที่เราคาดหวัง (หวัง?) จะได้รับการแก้ไขในปีนี้:

1. ข้อมูลที่อัลกอริทึมใช้อาจไม่ใช่ข้อมูลเดียวกับ ที่ผู้โฆษณาสนใจ ตัวอย่างเช่น ในพื้นที่ B2B Google และ Facebook สามารถเข้าถึงลูกค้าเป้าหมายได้ แต่มีผู้ลงโฆษณาเพียงไม่กี่รายที่อนุญาตให้พวกเขาเข้าถึง MQL แมชชีนเลิร์นนิงสามารถเพิ่มประสิทธิภาพได้เฉพาะสิ่งที่เข้าถึงได้เท่านั้น มีแนวโน้มว่าเราจะเห็นบุคคลที่สามสร้างการผสานรวมเพื่อส่งข้อมูลภายในของผู้โฆษณาลงในแพลตฟอร์ม Facebook และ Google
2. อัลกอริทึมมักจะตอบสนองต่อการเปลี่ยนแปลงขนาดใหญ่หรือ 'อาการสะอึก' ของแคมเปญได้ช้า เรามักพบว่างบประมาณจำนวนมากหรือการเปลี่ยนแปลงเป้าหมายมีผลกระทบอย่างมากต่อประสิทธิภาพด้วยแมชชีนเลิร์นนิง ตัวอย่างเช่น หากการติดตามหยุดลงเป็นเวลาสองสามวัน จะทำให้เกิดความหายนะต่อประสิทธิภาพในอีกสองสามสัปดาห์ข้างหน้า ฉันคาดว่า Google และ Facebook จะมีความยืดหยุ่นในการแยกช่วงเวลาบางช่วงออกจากอัลกอริทึม

ในแง่ของการใช้แมชชีนเลิร์นนิงเพื่อสร้างโฆษณา ฉันคิดว่าวิธีนี้ใช้ไม่ได้ผลอีกต่อไป เราเห็น Facebook และ Google พยายามที่จะไปในทิศทางนั้น แต่สำหรับผู้โฆษณารายใหญ่ ประสิทธิภาพของโฆษณาในเครือข่ายการค้นหาที่ปรับเปลี่ยนตามบริบทและการแสดงผลที่ปรับเปลี่ยนตามอุปกรณ์ผสมผสานกันอย่างดีที่สุด ผู้โฆษณามีความกังวลเกี่ยวกับการปฏิบัติตามแบรนด์และการส่งข้อความ ดังนั้น ในขณะที่เราคาดว่าเครื่องยนต์จะเดินหน้าต่อไปในเส้นทางนั้น เราเห็นความลังเลจากผู้โฆษณามากพอที่จะคิดว่าสิ่งนี้จะใช้เวลานานขึ้นเล็กน้อยในการเติบโต

คุณเห็นว่าการปรับเปลี่ยนในแบบของคุณมีบทบาทอย่างไรกับโฆษณาแบบชำระเงินในปี 2019 และปีต่อๆ ไป

AE: เราคาดว่าการปรับเปลี่ยนในแบบของคุณจะยังคงพัฒนาต่อไปตลอดปี 2019 และปีต่อๆ ไป เครือข่ายโฆษณาบนโซเชียล โดยเฉพาะ Facebook มีข้อมูลที่นักการตลาดต้องการเพื่อนำเสนอเนื้อหาการตลาดที่ปรับให้เหมาะกับแต่ละบุคคล แต่แน่นอนว่า คำนึงถึงผลกระทบเป็นอย่างมาก ความสมดุลระหว่างการปรับเปลี่ยนการตลาดในแบบของคุณและการเคารพในความเป็นส่วนตัวของผู้ใช้จะเป็นเรื่องยาก โดยเฉพาะอย่างยิ่งเมื่อพิจารณาจากปัญหาล่าสุดของ Facebook

ที่กล่าวว่านักการตลาดเพื่อสังคมมีอำนาจในการสร้างเนื้อหาที่ปรับแต่งโดยใช้กลวิธีเช่นกลุ่มเป้าหมายที่กำหนดเองและการตลาดตามบัญชี การใช้ข้อมูลของบุคคลที่หนึ่งและบุคคลที่สามและข้อความที่ปรับแต่งให้สมดุลที่ดีระหว่างการเคารพความเป็นส่วนตัวของผู้ใช้ในขณะที่ยังคงแสดงโฆษณาที่ปรับให้เหมาะกับแต่ละบุคคล ข้อมูลและการแบ่งส่วนที่ดีเป็นปัจจัยสำคัญและจะยังคงเป็นกุญแจสำคัญในการใช้ประโยชน์จากการปรับเปลี่ยนในแบบของคุณ และฉันคาดว่านักการตลาดจะลงทุนในวิทยาศาสตร์ข้อมูลต่อไปในปีต่อๆ ไป

นักการตลาดดิจิทัล 1-2 วิธีสามารถแทรกการปรับเปลี่ยนในแบบของคุณลงในโฆษณาแบบชำระเงินและหน้า Landing Page หลังคลิกได้อย่างไร

AE: ฉันคิดว่าเราจะเห็นว่าการปรับเปลี่ยนในแบบของคุณเป็นไปตามวงจรชีวิตของลูกค้าหรือช่องทางการขาย ผู้โฆษณาที่ชาญฉลาดจะใช้การปรับเปลี่ยนในแบบของคุณไม่เพียงแต่เพื่อจับคู่แคมเปญโฆษณากับแต่ละขั้นตอนในช่องทางการขาย แต่ที่สำคัญกว่านั้นคือข้อมูลเชิงลึกที่ผู้ลงโฆษณามีเกี่ยวกับผู้ใช้แต่ละราย

ปัจจุบันเทคโนโลยีช่วยให้ผู้โฆษณาสามารถใช้ข้อมูลที่ตนมีเพื่อสร้างโปรไฟล์ที่สมบูรณ์สำหรับผู้ใช้แต่ละราย และใช้โปรไฟล์นั้นเพื่อกำหนดเป้าหมายและปรับแต่งโฆษณาได้ดียิ่งขึ้น นั่นคือความแตกต่างที่ชัดเจนจากผู้ชมที่ "ไม่ระบุชื่อ" ในอดีต

ตอนนี้เรามีข้อมูลบางอย่างเกี่ยวกับผู้ใช้ที่สามารถนำไปใช้เพื่อกำหนดเป้าหมายโฆษณาได้ดีขึ้นและสร้างข้อความไปยังผู้ใช้เหล่านั้นได้ดีขึ้น ในขณะที่เรายังไม่ถึงจอกศักดิ์สิทธิ์ของการปรับเปลี่ยนในแบบของคุณอย่างแท้จริงสำหรับทุกคนที่เรากำหนดเป้าหมาย อย่างน้อยที่สุด เราจะสามารถจัดกลุ่มผู้ใช้เป็นผู้ชมที่แตกต่างกัน และอาจปรับใช้เมทริกซ์ของวิธีการกำหนดเป้าหมายที่แตกต่างกัน เพื่อให้เราสามารถเข้าใกล้การตลาดส่วนบุคคลได้

ตอนนี้เราสามารถกำหนดเป้าหมายและปรับแต่งครีเอทีฟโฆษณาบนหน้า Landing Page หลังการคลิกให้กับผู้ใช้ตามสิ่งที่เรารู้เกี่ยวกับพวกเขา การรวมความสามารถนี้เข้ากับข้อมูลของบุคคลที่หนึ่งและบุคคลที่สาม ความเป็นไปได้นั้นแทบจะไม่มีที่สิ้นสุด

ที่ Closed Loop เรารู้สึกตื่นเต้นกับเรื่องนี้เพราะมีผู้ลงโฆษณาเพียงไม่กี่รายที่ใช้ประโยชน์จากมัน ดังนั้นมันจึงให้ความรู้สึกเหมือนเป็นโอกาสสีเขียว และนั่นก็น่าตื่นเต้นเสมอเมื่อคุณมีโอกาสที่จะเป็นหนึ่งในคนกลุ่มแรกๆ ที่ดำดิ่งสู่ดินแดนที่ยังไม่ได้สำรวจ การเข้ามาแต่เนิ่นๆ จะสร้างแหล่งที่มาของความได้เปรียบในการแข่งขัน เนื่องจากคุณสามารถนำหน้าผู้ลงโฆษณารายอื่นๆ ในอุตสาหกรรมนั้นไปได้เล็กน้อย โดยพื้นฐานแล้วมันให้ประโยชน์กับคุณและนั่นคือสิ่งที่เราพยายามทำเพื่อลูกค้าของเรา

ลูกค้าของคุณเห็นผลลัพธ์อะไรหลังจากปรับแต่งโฆษณาและหน้า Landing Page หลังการคลิก

AE: ผลลัพธ์ที่น่าทึ่ง! ไม่ใช่การปรับปรุงที่เพิ่มขึ้น 10 ถึง 15% เช่นกัน

เราเห็นการปรับปรุงแบบทวีคูณ 200% ถึง 500% เมื่อเราสามารถกำหนดเป้าหมายข้อเสนอในโฆษณาและหน้า Landing Page หลังคลิกได้อย่างแท้จริง นั่นเป็นส่วนหนึ่งของเหตุผลที่ทำให้เราตื่นเต้นมาก

ความท้าทายคือการทำให้ผู้โฆษณาเห็นและเชื่อในโฆษณาที่ปรับให้เหมาะกับแต่ละบุคคลและหน้า Landing Page หลังการคลิกจริงๆ ฟังดูเกือบจะดีเกินกว่าจะเป็นจริงในตอนแรก (และเราเองก็สงสัยในตัวเอง) แต่ข้อมูลนั้นชัดเจนและพูดเสียงดังมากจนเราอาจจะละเลยได้หากเราไม่สนับสนุนให้ลูกค้าทั้งหมดของเราดำเนินการตามความเป็นส่วนตัวด้วยทุกสิ่งที่พวกเขามี .

การโฆษณาดิจิทัลและการเพิ่มประสิทธิภาพหลังการคลิก

ไม่ว่าแบรนด์ของคุณจะใช้ Google, Facebook (หรือทั้งสองอย่าง) สำหรับโฆษณาแบบชำระเงิน คุณเป็นหนี้ตัวคุณเองและลูกค้าของคุณในการเพิ่มผลลัพธ์สูงสุดจากทุกแคมเปญ การเพิ่มประสิทธิภาพหลังการคลิกมักจะเป็นองค์ประกอบที่ขาดหายไปสำหรับผู้โฆษณาดิจิทัลจำนวนมากในปัจจุบัน แต่เป็นส่วนสำคัญเพราะเป็นสิ่งที่เกิดขึ้น หลังจากการคลิก ที่ทำให้เกิด Conversion

รับข้อมูลเพิ่มเติมโดยร่วมมือกับ Instapage และดูว่าแคมเปญของคุณขาดอะไร