Machine learning er det nye sort i PPC-branchen
Automation og Machine learning er 2 begreber man som PPC-specialist er nødt til at forholde sig til. Bliv meget klogere på disse begreber i dette blogindlæg.
Machine learning
”det nye sort” i PPC-branchen
Automation og machine learning er blevet et af de helt store buzzwords de senere år inden for online markedsføring – især inden for PPC-branchen.
Her har bl.a. Googles automatiserede budstrategier stille og roligt været med til at sætte dagsorden i PPC-branchen, hvor flere og flere daglige gøremål enten er blevet eller vil blive automatiseret i en (meget) nær fremtid.
Men betyder dette så, at vi bare skal tage imod Machine Learning og automation med åbne arme? Er PPC-specialister som vi kender dem i dag snart ”en uddød race”, da deres arbejdsopgaver kan automatiseres?
Dette blogindlæg vil komme med et bud på disse spørgsmål og meget andet om Machine learning.
Lad det være sagt med det samme – Automation og Machine learning er 2 begreber, man som PPC-specialist er nødt til at forholde sig til. Hvad enten man vil det eller ej! PPC-branchen er, ligesom mange andre brancher, en foranderlig størrelse. Man er nødt til at erkende den uomtvistelige sandhed, at forbrugeradfærden konstant er i forandring. Dette betyder, at vi derfor heller ikke længere kan, til et vis niveau, håndtere dette udelukkende med manuelle arbejdsprocesser; det er her Machine learning kommer ind i billedet! Dette er nemlig nøglen til overlevelse i marketingbranchen i fremtiden. Det gør os i stand til at indsamle og anaysere de enorme mængder kvantitative data, vi har tilgængelig i dag, på en mere effektiv måde – og således også give os større indsigt i forbrugernes købsadfærd.
Via Machine learning vil man altså kunne opnå større indsigt i ”hvorfor” den givne adfærd opstår, fremfor kun at være i stand til at determinere ”hvad” der sker.
Sagt på en anden måde, så vil Machine learning bedre kunne sikre, at de opgaver vi foretager os (hvad skal vi gøre?) bidrager til at løse de målrettede mål, der er med til at gøre en forskel (hvorfor skal vi gøre det?). Desuden kan vi også via Machine learning skabe mere personaliserede oplevelser til kunden. Herved kunne automatisere mere personaliseret annoncebudskaber til det kunden efterspørger.
Machine learning er stærke kort at have på hånden inden for PPC
Machine learning kommer til at være et af Googles helt store fokusområder de næste par år – særligt inden for PPC! Tænk bare på de mange automatiserede løsninger man allerede nu som annoncør kan give sig i kast med i Google Ads platformen. Target CPA, Target ROAS og Maximize conversions er bare nogle af disse muligheder inden for budstrategier. Herudover, mens man inden for kampagnetyper og annonceformater kan afprøve Smart Shopping, Dynamic Search Ads (DSA), Responsive Search Ads og Responsive Display Ads. Hvis disse implementeres korrekt, og løbende vedligeholdes, så har man i givet fald meget stærke kort på hånden ift. at sikre øget vækst på kontoen!
Hos IMPACT Extend har vi både testet Target ROAS og Target CPA budstrategier på en række af vores kunder – både på generiske såvel som brandsøgninger. Vores learning har indtil videre været, efter budstrategiernes ”læringsperiode”, at både omsætningen og ROAS fik et betydeligt løft samtidig med en betydeligt lavere pris pr. konvertering. For en større dansk retailkunde formåede vi fx at løfte antallet af transaktioner med +25% og omsætningen med over 735.000 kr. – for kun 50.000 kr. i spend de første 3 måneder efter Target ROAS budstrategien blev implementeret. Vi så desuden et løft i performance på både egne brandsøgninger og generiske søgninger.
Dette viser tydeligt, at Googles budstrategier kan have en stor positiv indflydelse på performance – såfremt de selvfølgelig både implementeres korrekt og løbende vedligeholdes!
Trods gode resultater og cases, er det stadig vores erfaring, at mange fortsat ikke er hoppet med på vognen. Dette er, når det kommer til automatiserede løsninger inden for budstrategier, kampagnetyper og annonceformater. Den primære årsag til denne afholdenhed kan med al sandsynlighed skyldes, at mange endnu ikke er parat til at sætte Google bag rattet, og dermed overlade store dele af optimeringsarbejdet til Google. Omvendt er dette forståeligt nok, da det i mange år har været en tommelfingerregel, at man skulle sørge for netop at bevare kontrollen over ens Google Ads konto; samtidig med, at man sørgede for at Googles kontrol forblev på et absolut minimum!
Så hvorfor overhovedet give sig i kast med Automation inden for PPC, og stole mere på Google nu?
Machine learning er fremtiden – så væn dig til det!
Det kan ikke komme bag på mange, at man inden for PPC bevæger sig imod flere automatiserede løsninger inden for optimering af PPC-konti. For udover selvfølgelig at sikre kunderne øget vækst på bundlinjen, så er det for mange bureauer alfa og omega at fremme arbejdsprocesserne internt i organisationen.
For, hvem ville ikke gerne automatisere meget af det til tider trivielle ”rugbrødsarbejde”, man som PPC-specialist og/eller Account manager laver flere gange om ugen. Dette kan være såsom fx budgivning, oprettelse af nye annoncevarianter og omallokering af kampagnebudgetter? Og dermed kunne allokere mere tid til at gå i dybden med mere strategiske eller sjovere tiltag sammen med kunden. Såsom løbende at afprøve nye annonce- eller kampagneformater, fordybe sig i fagområder, opsætte kampagneeksperimenter mv.? Dette lyder da bedre end at udføre de samme manuelle arbejdsprocesser igen og igen. Fx at budjustere søgeord hver uge eller pause for annoncer, der ikke performer?
Så skal jeg bare overlade store dele af optimeringsarbejdet af min konto til Google?
Svaret er både ja og nej. Først og fremmest er det vigtigt at understrege, at man fortsat ikke skal overlade al ansvar til Google – eller for den sags skyld udføre alle deres anbefalinger (mange kender helt sikkert til Googles ”recommendations” i en Google Ads konto). Dette skyldes, at der fortsat stadig er brug for et ”menneskeligt” input til dele af optimeringsarbejdet. Machine learning er ikke på det stadie hvor man kan ”set it and forget it”.
Når det så er sagt, så er Machine learning nået rigtig langt de seneste år. De muligheder vi har i dag, er blot en brøkdel af det, der er os i vente – både i år og de kommende år frem. Forestil dig desuden Machine learning eller Automation som den mest loyale medarbejder, der arbejder 24 timer i døgnet. En som ikke har behov for pauser, og som ikke begår fejl pga. distraheringer. Man fristes jo næsten til at sige ”what’s not to like?”. Derfor er det bare at komme igang med at udforske de muligheder der er. Det kunne jo tænkes at performance kunne løftes via en enkelt test af en budstrategi?
Læg en plan for hvad du vil automatisere
Dét at skulle automatisere ens arbejdsprocesser kan dog være en kompleks, og til tider også særdeles dyr, fornøjelse. Desuden er kvaliteten af de nuværende services inden for Automation i dag til evig diskussion blandt mange. Her, hvorfor der også fortsat eksisterer en del specialister, som fortsat sværger til at holde fast i de manuelle og velkendte arbejdsmetoder og -processer. Man vil dog hurtigt, afhængig af kundestørrelse, miste overblikket over de enorme mængder data man har tilgængelig. Således, ikke kunne være i stand til at udnytte deres fulde potentiale. Er dette tilfældet, bør man overveje en større implementering af Automation i ens optimeringsarbejde.
Men, hvad kan så helt konkret automatiseres? Og hvordan beslutter jeg mig for hvad der skal automatiseres? Tag først og fremmest udgangspunkt i, at (næsten) alt kan automatiseres. Lidt mere præcist, så kan veldefinerede opgaver, som du kan overlevere til en anden person, der så kan udføre denne uden yderligere afklarende spørgsmål, generelt altid automatiseres (budgivning, budgetallokering, tilføjelse af negative søgeord mv.).
Automation
Frederick Vallaeys, co-founder af Google Analytics og Googles Quality Score, har optegnet denne graf for at vise hvordan man bedre kan planlægge processen for at implementere Automation i ens arbejde med PPC:
På x-aksen er angivet, hvor tidskrævende en given opgave er, mens der på y-aksen er angivet, hvor ofte en opgave typisk udføres. Jo mere du kan placere i boks 1, dvs. de opgaver du oftest udfører og som samtidig er mest tidskrævende, jo større udbytte vil du få ved automatisering.
Grafen kan derfor være et godt værktøj til at brainstorme over, hvad der kan automatiseres. Herefter visualisere en prioriteret rækkefølge over, hvad der skal automatiseres.
Konklusion
Automation er fremtiden inden for PPC-annoncering, og vi bør derfor favne de muligheder som fx Google tilbyder annoncører i Google Ads platformen fremfor at se dem som trusler.
Det er et kraftfuldt annonceringsværktøj, der kan skabe større effektivitet og øget vækst såfremt det bruges kontinuerligt – og ikke mindst på den rette måde. Der er da også begyndt at ske et skifte i den måde man håndterer kvantitativ data på. Flere bureauer forsøger hertil da også at implementere flere automatiserede løsninger inden for annoncering for kunderne.
De nuværende løsninger er dog kun starten på en større palette af automatiserde løsninger som Google vil lancere de kommende år. Det er derfor bare med at hoppe på vognen, således, at man kan skabe sig et forspring i en så konkurrencepræget branche som marketingbranchen.
Omvendt er det dog samtidig vigtigt, at specialister fortsat har en finger på pulsen når det kommer til optimeringsarbejdet – også selvom Automation kan overtage dele af optimeringsarbejdet.
Af samme årsag skal man derfor heller ikke frygte for sin rolle som PPC-specialist, men blot indstille sig på, at ens arbejdsopgaver ændrer sig og bliver mere komplekse. Her kan Machine learning være en samarbejdspartner til at håndtere de mere tidskrævende og komplekse opgaver der ligger forude.