Автор: Фредерик Валлейс (Frederick Vallaeys) – один из 500 первых сотрудников Google, бывший евангелист AdWords, сооснователь и глава компании Optmyzr.
Знакомо ли вам ощущение разочарования от отсутствия результатов при попытке применить новую автоматизацию – будь то Smart Bidding от Google или что-то, что вы создали сами, используя скрипт или макрос в таблице?
Вы в этом не одиноки.
Когда рекламные сервисы делятся кейсами с прекрасными результатами от использования систем автоматического управления аккаунтами, то за кулисами остаётся вся та работа, которая была проделана для того, чтобы автоматизация могла принести плоды.
Чтобы автоматизация была эффективна, должны быть соблюдены определённые условия.
Есть простой способ показать, что эффективность автоматизации зависит от внешних факторов. Я взял эту концепцию из презентации Рассела Сэвиджа (Russell Savage), основателя FreeAdWordsScripts.com.
По словам Сэвиджа, как и в случае автономного автомобиля, чтобы автоматизация работала должным образом, "дорога" должна быть чётко размечена.
![](/d/20/44/2019-07-25_16h09_41.png)
Это кажется довольно очевидным, не так ли?
Но что, если у нас имеется эта идеальная дорога, но наш GPS-навигатор вышел из строя, и мы едем не в ту сторону?
Нам нужны ясные цели, а также правильные метрики и сенсоры, чтобы попасть в нужное место. Если вернуться в мир PPC-рекламы, то нам необходимы:
- Хорошо структурированный аккаунт;
- Точные данные по конверсиям;
- Правильная модель атрибуции (подсказка: и это не атрибуция по последнему клику).
Машинное обучение зависит от правильных данных
Модели машинного обучения – это системы, которые обучаются, как чего-то достичь.
Существуют разные подходы к достижению этой способности к обучению. Как правило, это зависит от улучшения процесса принятия машиной решения, если это решение или прогноз не соответствуют ожидаемому или желаемому результату.
Ниже мы рассмотрим простой пример с тех времён, когда я работал в команде Quality Score в Google.
Модель машинного обучения анализировала исторические данные о рекламных аукционах. Она учитывала все условия поиска и атрибуты тех объявлений, по которым были получены клики.
Путём сравнения этих сигналов модель смогла узнать, что CTR обычно лучше, когда домен рекламодателя соответствует местоположению пользователя (например, жителя Франции будут больше интересовать объявления с доменом .fr, чем с .de).
Машина способна это узнать, поскольку Google обладает правильными данными о показателях кликабельности.
Но что было бы, если бы их данные по CTR были неточными? Тогда система начала бы укреплять то, что люди, её запрограммировавшие, посчитали бы неправильными решениями.
Есть такая идея - «мусор на входе, мусор на выходе». Это принцип, согласно которому хорошие решения зависят от хорошей информации.
Поскольку машины неспособны к человеческим суждениям, то они ещё более зависимы от качественных данных, чем люди. Они не могут легко определить, что прогноз, кажущийся статистически обоснованным, в реальном мире может не сработать.
Как же мы предоставляем правильные данные системам автоматизации? Всё начинается с отслеживания конверсий и моделей атрибуции.
Модели атрибуции должны отражать типичные пути к покупке
Если у пользователя нет сильной лояльности к определённому бренду, то прежде чем что-то купить, он, вероятно, выполнит несколько поисков и у него будет несколько точек соприкосновения с различными брендами на пути к покупке.
Путь покупателя может состоять из сотен шагов. В целях упрощения далее мы будем использовать воронку конверсии, где эти шаги сгруппированы по этапам. На её примере мы попробуем разобраться, почему модели атрибуции так важны, когда в аккаунте используется какая-либо автоматизация.
В воронке продаж потенциальные покупатели проходят ряд этапов, пока в конечном итоге некоторые из них не достигнут нижней части воронки и не станут клиентами компании.
Предполагается, что каждый этап воронки вносит определённый вклад в процесс превращения потенциального клиента в реального, а задача моделей атрибуции – присвоить правильную ценность каждой из этих стадий.
Как мы уже отмечали выше, большинство путей к покупке включают более одного шага.
Модель атрибуции по последнему клику (или по первому) присваивает ценность только одному этапу и не может корректно отобразить типичное поведение потребителей. Эта модель игнорирует вклад, сделанный всеми теми этапами, которые прошёл потенциальный клиент, прежде чем стать покупателем.
Большинство потребителей совершают несколько поисковых сессий и нуждаются в том, чтобы их направляли на пути к конверсии.
Атрибуция по последнему клику делает ошибку, не присваивая ценность предыдущим точкам соприкосновения, таким как поисковые запросы в верхней части воронки, которые помогают пользователю продвигаться к конверсии.
Во времена ручного управления аккаунтами мы могли надеяться, что аккаунт-менеджеры достаточно умны, чтобы понять, что пользователь, который выполняет поиск по запросу [стиральные машины] вряд ли конвертируется при следующем клике. Это позволяло избегать использования несовершенных моделей атрибуции.
Если мы проинформировали пользователей о своём бренде, то на следующем этапе они могут использовать более конкретные запросы. Например, [стиральные машины LG].
Начиная отсюда, пользователи могут видеть рекламу полного ассортимента, которая может побудить их искать наиболее выгодные условия по конкретным моделям – [самая лучшая цена для LG TWINWash] – и конвертироваться на следующем клике.
Мы полагались на то, что люди не будут исключать более общие ранние поисковые запросы, даже если в Google Ads они будут отображаться, как не приведшие к конверсии.
Способность человека отказаться от неверных данных по атрибуции не работает в случае автоматизации
В настоящее время PPC-реклама становится всё более автоматизированной каждый день. Проблема в том, что большинство из этих автоматизаций используют в своей работе данные по конверсиям.
И когда они сталкиваются с ключевыми словами верхнего уровня воронки, которым не присвоены конверсии, поскольку система измерения использует атрибуцию по последнему клику, автоматизации расценивают эти важные ключевые слова как бесполезные и могут их удалить.
И мне и вам сразу очевидно, что это приведёт к плохим результатам. Но мы не можем винить в этом только автоматизацию.
Система выполняет свою работу, но ориентируется на неполные данные. В результате это может привести к принятию некачественных решений, которые при ручном управлении той же учётной записью не были бы приняты.
Надеюсь, из этой статьи вы поняли следующие три вещи:
- Автоматизации не работают волшебным образом сами по себе. Им по-прежнему необходима помощь человека.
- При использовании автоматизации то, как вы присваиваете ценность конверсиям, становится критически важным. Атрибуция по последнему клику – это рискованный вариант для использования вместе с автоматизацией.
- Наша работа как PPC-специалистов меняется: мы переходим от ручного управления к внедрению правильной комбинации автоматизированных систем, которые будут обеспечивать отличные результаты.
Подведём итоги
Я знаю, что не могу закончить эту статью, не ответив на один важный вопрос. Если мы больше не можем полагаться на атрибуцию по последнему клику, то какую модель нам следует использовать?
Тем, кто не знает, какой вариант выбрать, в первую очередь желательно обратить внимание на модель с учётом давности взаимодействия (Time Decay Model).
Эта модель похожа на атрибуцию по последнему клику, но также имеет дополнительное преимущество: она присваивает по меньшей мере некоторую ценность каждому этапу на пути к покупке.