Google Ads: la progettazione nell’era del Machine Learning

Il Machine Learning non riguarda solo Google Ads e le piattaforme pubblicitarie digitali: è un tema trasversale che caratterizza la contemporaneità.

Un passo indietro. Per tanto tempo “ottimizzare Google Ads” ha significato cercare di avere il maggior controllo possibile sulle campagne, con un approccio “manuale”: campagne precise (parole chiave selezionate e banner su rete display cercando di curare il più possibile i posizionamenti) con poche e ben circoscritte concessioni agli automatismi, da aggiungere gradualmente. Con prudenza.

Ma nel frattempo, cos’è successo?

Google negli ultimi tempi sta introducendo sempre più prodotti che si basano soprattutto sul Machine Learning. Ma affidarsi al Machine Learning vuol dire cedere buona parte del controllo delle campagne.
Ci possiamo fidare? Quando dovremmo prendere in considerazione questa modalità di gioco?

Il messy middle: il Customer Journey “aerodinamico”

Mi autocito da un post su questo stesso blog: “Il messy middle è l’insieme delle fasi del percorso di acquisto che avvengono tra il primo trigger e l’acquisto effettivo.”
Stavo parlando di uno studio inglese di 98 pagine apparso su Thinkwithgoogle nel 2020 “Capire il “messy middle”: come le fasi centrali del percorso d’acquisto influiscono sulle decisioni finali degli acquirenti“.

• Vediamo come, fra il trigger iniziale (il primo contatto, la prima “esposizione” al prodotto) e l’acquisto finale, si innestino due stati mentali che si sostengono e si rincorrono continuamente: l’esplorazione e la valutazione. In un flusso reiterato e caotico, assolutamente non lineare. E lo sarà ancora di più, dice Google.
  
• Questo modello pone diversi interrogativi. Per esempio: come possiamo ridurre il tempo di esposizione tra il trigger iniziale e l’acquisto, in modo da aumentare clientela e vendite? Come possiamo avere una presenza strategica su più canali? Come possiamo rimanere nel flusso alla velocità giusta, quindi come gestiamo una presenza pubblicitaria strategica, con quale frequenza, su quali canali?
  
• Questa è la rappresentazione più verosimile del processo? Poco importa: Google la vede così, la racconta così, quindi si sta muovendo in questa direzione.

Una novità interessante: le campagne Discovery Ads

Le campagne Discovery Ads sono un prodotto introdotto nel corso del 2020 a livello globale: sono campagne piuttosto particolari, ibride tra Search (Discover, il “feed” delle notizie di Google) e Display (fra i 2 milioni di siti, ci permette di pubblicare in quelli di sua proprietà, ovvero YouTube e Gmail).

La costruzione di queste campagne, se le stilizziamo in pochi tratti, è piuttosto semplice:

• Indichiamo i segmenti di pubblico, ovvero diciamo a Google di chi cerchiamo l’attenzione (sia osservazione che targeting).
• Indichiamo gli obiettivi di conversione.
• Forniamo le creatività.

Da qui in poi ci pensa la macchina: quanto offrire a clic, la frequenza degli annunci e i posizionamenti… ci pensa Google, con il Machine Learning.

“Ma quindi fa tutto Google?”

No: Annunci, Audience e Obiettivi sono di nostra competenza.
E il cuore di queste campagne sono proprio le Audience: più sono accurate, più la macchina gira verso la direzione che ci interessa. Il grosso del lavoro sta lì, ed è ancora di nostra competenza, siamo noi a fornire le informazioni al Machine Learning.

Non è un caso che fra i vari segmenti, le varie categorie di segmenti che Google ci suggerisce, i primi due siano quelli più sotto il nostro controllo, quelli che dovremmo conoscere meglio:

• I segmenti di pubblico di remarketing e le audience simili che va a creare
• I segmenti di pubblico personalizzato, ovvero quei segmenti di pubblico che possiamo individuare o in base alle ricerche o in base ai siti che hanno frequentato.

Poi naturalmente ci sono anche i segmenti più tipici, quelli che Google ha già “in pancia”, ovvero i segmenti in-market e quelli di affinità, qui ci limitiamo a selezionare dei segmenti che Google ha già pre-selezionato per noi.

Quindi il lavoro si sposta da una cura quasi maniacale dei posizionamenti su rete Display allo studio e al test delle Audience.

Studiare e testare le Audience

Alcuni esempi di cosa possiamo fare, quali domande ci dobbiamo porre:

• Segmenti personalizzati: Quali ricerche fanno? Quali siti potrebbero frequentare?
  Ci possiamo aiutare con vari strumenti, da SEMrush agli Insight di Facebook, ma anche interviste, ecc.
  
• Segmenti di remarketing: quali comportamenti sul nostro sito (valutando anche le fonti di traffico) rivelano maggiore interesse? Le persone apprezzano il nostro canale YouTube (valutando anche interazioni e comportamenti)? Che segmenti arrivano dalle campagne social? ecc.

Un caso reale: una campagna tradizionale e una campagna Discovery Ads a confronto

Mi sembra interessante portarvi un po’ di esperienza su un caso reale. Ho scelto un progetto che aveva le caratteristiche giuste e ho creato una campagna Discovery e l’ho affiancata con una campagna Display “tradizionale”.
Chiaramente per poterle confrontare le ho costruite con la stessa logica:

• le audience sono le stesse
• la strategia di offerta è la stessa
• stessi obiettivi
• stessi annunci.

Se osserviamo il CPC (costo per clic) medio, vediamo che è identico. Se andiamo a guardare il CPM medio (costo per mille impression), vediamo che il costo per Discovery è tanto più alto, quindi se ci fermassimo a queste metriche potremmo giungere a delle conclusioni sbagliate, o per lo meno affrettate.
Andiamo infatti a vedere il tasso di conversione e il costo per conversione. In questo caso, come possiamo vedere, i costi a conversione sono incredibilmente più bassi.

Questo non significa che le Discovery Ads funzionino sempre meglio rispetto alle tradizionali, ma penso che valga la pena fare qualche test.

Controindicazioni delle Discovery Ads

• Storia: è molto probabile che funzionino meglio su account con molti dati storici e molto puliti.
  
• Budget: Google dice di destinare un budget giornaliero all’incirca 10 volte il CPA atteso. Quindi in assenza di budget c’è il rischio che non girino nel modo giusto. Sono campagne che potrebbero non andare bene per tutti i progetti.
  
• Tempi: Google stesso suggerisce di aspettare diverse settimane prima di ottimizzare (inteso come lavorare sulle audience). I progetti che hanno molta urgenza, a mio parere, si autoescludono da questo tipo di campagne.

Non possiamo aspettarci che faccia tutto il Machine Learning, anzi, come abbiamo visto il nostro apporto è essenziale. Il consulente non è un configuratore, deve essere in grado di decidere quale approccio usare in base al mercato e al progetto, deve dosare il Machine Learning e mescolarlo a un sano lavoro artigiano, e alla base ci deve essere tanto lavoro di analisi e una certa sensibilità SEO.

Alcune conclusioni sul Machine Learning

• Fornire Audience ben studiate velocizza il processo di apprendimento della macchina.

• Annunci: copy e immagini di buona qualità sono importanti come e forse più di prima.

• La landing vista anche come portatrice di informazioni storiche? In particolare con i dati traffico organico, che potrebbe dare ulteriori informazioni al Machine Learning.

• Obiettivi: serve tempo e budget per accumulare dati, sono la bussola.

Il Machine Learning di Google è senz’altro molto di più, anche in senso operativo, ma già questo ci basta per poter cominciare a tracciare una mappa della direzione che Google sta prendendo. È come se Google ci dicesse: “spiegami per bene cosa ti interessa e cosa vuoi che accada, poi sarò io a inserirmi nel suo messy middle, adattandomi alla sua caoticità. Essere predittivo è nel mio DNA” (tono arrogante a cura dell’autore).

Questo post è tratto dai primi 20 minuti di un webinar di un’ora con Emanuele Tamponi. Puoi trovarlo per intero all’interno del corso Crea una campagna vincente con Google Ads (aggiornato 2021, altri aggiornamenti in arrivo entro fine marzo).
All’interno del webinar trovi anche l’analisi di un altro strumento già esistente: le campagne (anche loro ibride fra Search e Display) Google Shopping Intelligenti. E la risposta alla domanda: Il Machine Learning va bene per tutti i progetti?

Foto di Drew Graham su Unsplash