La estructura de Google ads es uno de los aspectos clave a la hora de asegurar el perfecto performance de una cuenta. Una estructura y segmentación de search adecuada nos permitirá tener mayor relevancia, un buen quality score, mejorar tasa de conversión en las campañas y, en definitiva, nos ayudará a ser más eficientes tanto en la operatividad de la gestión como en la consecución de los KPIs marcados.
|
✍ Contenido del post |
La cuestión lógica que surge en este punto es: “¿Y cuál es la estructura perfecta?” La respuesta a esta pregunta no es fácil y, sobre todo, no es universal. Principalmente va a depender del vertical sobre el que se trabaje y del objetivo de negocio del anunciante. El budget disponible para paid search es otro de los factores a tener muy en cuenta para decidirnos por una estructura u otra.
Hay algunos aspectos comunes que deben contemplar todas las estructuras de cuentas de search, independientemente de la metodología de estructuración que se utilice. Por ejemplo:
Más allá de esta sería de elementos sine qua non, la realidad es que no hay una estructura perfecta por definición y se requiere de experiencia e implementación de test para decidir cuál es la estructuración más acorde para cada anunciante.
Hoy queremos desgranar las cuatro metodologías de segmentación más utilizadas: 3 de ellas tradicionales y una nueva metodología nacida hace tan solo un par de años con el objetivo de adaptar la arquitectura del paid search a los tiempos del machine learning.
La estructura tradicional de las campañas de paid search parte de la premisa de la relevancia, y por eso siempre se ha basado en agrupar keywords comunes en un mismo adgroup para garantizar la trazabilidad de la búsqueda con el anuncio y la landing page.
La estructuración común es crear una campaña para cada producto o servicio y a nivel adgroup se agrupan keywords afines que guarden relación con dicho producto o servicio:
Esta estructuración tradicional de agrupación de campañas por producto/servicio y segmentación de adgroup en base a términos de búsquedas afines es muy común que presente variaciones para hacerla aún más granular. Así, es frecuente que los especialistas de sem dupliquemos las campañas (o los adgroups en algunos casos) para, además de las keywords, segmentar también en función del:
Las estructuras SKAG (Single Keyword Ad Group) han sido una de las metodologías preferidas en la gestión avanzada de las campañas de paid search por su gran capacidad de control. Como el propio nombre indica, la característica principal de estas campañas es que los grupos de anuncio cuentan con una sola keyword, lo cual permite el máximo control del performance de la misma.
Esta estructura, muy usada por la vieja escuela, con el paso de los años empieza a quedarse obsoleta porque cada vez Google dificulta más el tener el 100% del control sobre la búsqueda con actualizaciones como las variaciones de concordancias exactas. Además, era la era del machine learning esta estructura puede resultar un tanto encorsetada y afectar negativamente a la escalabilidad de las campañas de paid search.
Esta metodología de segmentación de campañas es una variación de la estructura SKAG. La mecánica es la siguiente: Cuenta con dos subtipos de campaña:
Aunque esta tipología de estructura lleva décadas usándose, en los últimos años con las mejoras en el machine learning han surgido variaciones a la hora de plantear la estrategia de la campaña Beta. Un ejemplo es el uso de concordancias en amplia combinadas con smart bidding, que cada es más patente como se han convertido en una buena alternativa para crear campañas Beta que nos ayuden a detectar nuevas tendencias de búsqueda.
Es la última innovación en cuanto a metodologías de segmentación de campañas de search y surge como respuesta a la necesidad de hacer más eficiente el uso del machine learning y smart bidding. Nace con la premisa de que se necesita un volumen alto de data para que el algoritmo funcione correctamente y tome las decisiones adecuadas. En mucha ocasiones, y sobre todo en anunciantes en lo que le budget no es muy elevado, la hipersegmentación se torna en contraproducente para el buen uso del machine learning, por ello la metodología hagakure propone:
La metodología hagakure adapta elementos de la estructuración tradicional y la estructuración alpha/beta para adecuarla la arquitectura de search a estrategias Data Driven y eficientar el uso de smart bidding.
Tras analizar las 4 tipologías de segmentación muy posiblemente sigas sin tener respuesta a cuál es la estructura perfecta. Y la respuesta es que no hay una respuesta a esa pregunta. Desde Elogia, como agencia sem, recomendamos hacer un análisis pormenorizado de la marca y, tras ese análisis, testar las diferentes metodologías de segmentación que puedan tener sentido en cada caso para decidir, en base a datos estadísticamente significativos, cuál es la mejor decisión en cada caso.