Кейс: Netpeak и Mr. Bricolage — как постигнахме устойчив рентабилен ръст чрез Google Ads

3. Google Ads продуктова и кампанийна стратегия

3.1. Подходът

Google Search беше ядрото на нашата стратегия от самото начало. Създадохме кампании за търсене за основните категории, за да таргетираме хора, които извършват подобни търсения. Също така искахме да достигнем до по-широка аудитория и да таргетираме потенциални клиенти. За да постигнем това, използвахме дисплейни и видео кампании. Сметнахме, че по този начин можем да достигнем хората, които са в горната част на маркетинговата фуния. На следващо място създадохме кампания за динамичен ремаркетинг в Дисплейната мрежа, за да ретаргетираме хора, които са проявили интерес към конкретен продукт.

Основният проблем, който трябваше да разрешим в  Search, беше как да структурираме кампаниите така, че едновременно да се появат наши реклами при общи търсения и при търсене на конкретен продукт. На помощ ни се притече нов подход в Google Ads, наречен “Modern Search”. Използвайки този метод, ние създадохме кампании с по-малко лендинг страници и по-малко ключови думи, и добавихме динамична рекламна група във всяка кампания.

По този начин успяхме да спечелим значителен дял от импресии за по-общи и по-конкретни търсения. След това активирахме опцията “Auto-Applied Recommendations”, за да подобрим ефективността на кампаниите и да помогнем на автоматичните стратегии, като по този начин им предоставим повече аудитории, от които да се учат и оптимизират.

3.2. Сегментиране на аудитории

За да постигнем по-добри резултати и да помогнем на машинното обучение да се осъществи по-бързо, добавихме аудитории към всички наши кампании въз основа на тяхното отношение към рекламираната категория.

Използвахме списъци за ремаркетинг за реклами в мрежата за търсене, за да таргетираме хора, които вече са взаимодействали с уебсайта на Mr. Bricolage, като например:

3.3. Сегментиране на дисплейни аудитории

Основният ни инструмент за насочване в дисплейната мрежа беше Smart Display кампания. Имахме достатъчно на брой конверсии, за да започнем да използвамe такъв тип кампания. Към кампанията прикачихме ѝ продуктов фийд. Със същата кампания таргерихме както потребители, които са вече са били на сайта, така и нови потребители.

Също така използвахме и обикновени дисплейни кампании, за да промотираме специалните месечни оферти. Целевите аудитории за тези кампании бяха:

3.4. Оптимизация на кампаниите

Формати и разширения

Във всичките ни Search кампании използвахме най-малко 3 реклами: най-често 2 разширени текстови реклами и 1 адаптивна реклама. За да бъдем по-релевантни и да имаме по-висок quality score, добавихме функция за “вмъкване на ключова дума” във всичките ни реклами. В динамичните рекламни групи също използвахме по 3 реклами и оставихме Google Ads да оптимизира за най-ефективната от тях.

Във всичките си Search кампании използвахме следните рекламни разширения:

Освен това започнахме да добавяме динамични изображения и разширения за изображения и забелязахме значително подобрение в CTR-а.

3.4. Дисплейни рекламни формати

Използвахме само адаптивни дисплейни реклами с множество изображения, заглавия и описания. Редуването на рекламите бе настроено да се оптимизира за най-ефективната реклама. Основните стратегии за офериране, които използвахме, бяха Maximize conversions и Maximize clicks, в зависимост от това коя част от маркетинговата фуния таргетираме. В Smart display кампанията използвахме и продуктов фийд.

3.5. Mодели на приписване

В началото започнахме с модел на приписване "Въз основа на позиции"/Position-Based, a не с модела "Last click", с цел да дадем повече кредит на кампании, рекламни групи и ключови думи, които действат като отварящ канал. По този начин искахме да разберем как точно потребителите идват на сайта и как го напускат. Ако бяхме използвали "Last click" модел на приписване, то голяма част от кампаниите ни щяха да бъдат ощетени от това. След няколко месеца успяхме да съберем достатъчно конверсии, за да можем да преминем на още по-подходящ модел на приписване, а именно "Управляван от данни" или Data-driven attribution model.

Position-based моделът на приписване свърши чудесна работа, но въпреки това е модел, който се базира на правила, а не на алгоритми, какъвто е Data-driven моделът. Забелязахме, че този модел се справя много по-добре с приписването на реализации.

3.6. Стратегии за офериране

През цялото време ние силно разчитахме на автоматичните стратегии за офериране, за да можем да извлечем максимума от machine learning-a. Автоматичните старегии, които използвахме, бяха “maximize conversions”, "оферирането за постигане на максимален брой кликове" и "оферирането за целева възвръщаемост на разходите за реклама" (ROAS). 

За да постигнем по-голяма цялостна ефективност, създадохме портфолио стратегия за офериране с Target ROAS за 7 Search кампании, където използвахме и споделен бюджет. По този начин успяхме да преразпределим бюджета спрямо ефективността на кампанията, а не за конкретна кампания. Така, ако кампанията беше ефективна и изпълняваше зададения ROAS, то тя получаваше повече бюджет, а кампаниите с по-нисък ROAS харчеха по-малко бюджет. По този начин успяхме да постигнем по-голяма ефективност от същите кампании.

Месечна ефективност на кампаниите, използващи портфолио стратегия за офериране и споделен бюджет.