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?
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“.
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:
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.
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:
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.
Alcuni esempi di cosa possiamo fare, quali domande ci dobbiamo porre:
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:
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.
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.
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
Riceverai gratuitamente: