Este es un debate cada vez más común. ¿Trabajo mis campañas de Google Ads apalancando el 100% en Machine Learning o de lo contrario, trabajo la optimización de forma manual?

Aunque hay opiniones para todo, en Elogia somos de la opinión de que la clave está en el equilibrio de ambas partes. Debemos aprovecharnos sin duda del Machine Learning que nos permite Google Ads en ciertos puntos para poder dedicar tiempo de valor a otras acciones, sin embargo no podemos delegar el 100% en la máquina.  

¿Por qué no podemos dejar todo en manos de la automatización?

Empecemos por explicar en qué consiste el Machine Learning: recogida de datos a partir de los cuáles se establecen patrones.

Estos patrones de comportamiento permiten realizar predicciones. Estas predicciones cada vez tienen en cuenta más elementos:

Esto se traduce a que el bidding automático cada vez es más sofisticado y tiene mejor rendimiento. Pudiendo establecerse a nivel de usuario en base al objetivo de la campaña: CPC, CPA objetivo, ROAS objetivo, …

¿Por qué no es suficiente entonces?

Aunque la I.A. de Google Ads nos permite ahorrar tiempo en ciertas tareas que antes se trabajaban de forma manual, necesitamos que el grueso en la toma de decisiones pueda trabajarse comprendiendo el sector, negocio y objetivos del cliente. Consideramos importante que en ciertos aspectos más estratégicos prevalezca el criterio del cliente y del equipo a cargo, ya que la máquina:

• No comprende quiénes son los buyer persona / targets del anunciante, ni sus drivers de compra.
• Trabaja sobre lo que se ha probado anteriormente.
• Trabaja sobre la información que ha recogido, si hay factores ajenos como por ejemplo un impacto negativo debido al clima, se desestabiliza el patrón.
• Optimiza en base a la información de la plataforma y no a data offline. P.e. margen en función de categoría de producto o posterior conversión offline.

¿Cómo lo trabajamos en Elogia?

En Elogia trabajamos con un mix entre:

• Estrategia global sobre la cuenta en la que tenemos en cuenta el posicionamiento del cliente y en la que se trabajan las campañas en función del Customer Journey.
• Optimización Manual en la que realizamos:
• Lectura de la data y optimización en consecuencia.
• Aplicamos audiencias.
• Establecemos AB testing en campañas / adgroups y ads con margen de mejora.
• Ajustes basados en feedback cualitativo del cliente.
• Automatización ad hoc:
  • Trabajamos con la ejecución scripts que nos ayudan a automatizar tareas de control y de mejora, siempre adaptadas a las necesidades de cada anunciante. Como por ejemplo:

Control

• Reglas condicionales basadas en el rendimiento. Si la campaña X tiene un CPA superior a Y → -% el CPC.
• Performance de la landing page. Alerta por caída de web, empeoramiento de la velocidad, caída del Quality Score
• Monitorización de la competencia, control del Impression Share de nuestra campaña para actuar según los movimientos de nuestros competidores.

Factores Ajenos

• Conexión de Off-On : Sincronización de pujas con apariciones televisivas.
• Conexión con factores climatológicos, en casos en los que el impacto es grande:
• Supermercado online.
• Moda [Nuevas temporadas]
• Motosharing

Automatización de la propia plataforma:

Configuración sobre plataforma de automatización que nos permitirá crecer y extraer data, como p.e. Dynamic Search Ads sobre feed de producto, lo que nos permite cubrir todas las búsquedas y extraer información cualitativa para las campañas convencionales.

Para poder exprimir al 100% las posibilidades de Google Ads se necesita trabajar de forma conjunta: el cliente, el paid media specialist y el equipo de DevOps Engineers.

En resumen, aunque cada campaña es un mundo para poder exprimir al 100% las posibilidades de Google Ads necesitamos trabajar de forma conjunta: el cliente, el paid media specialist, el equipo de DevOps Engineers (equipo de tráfico que nos permite ejecutar automatizaciones ad hoc) y aprovechar las automatizaciones de la plataforma que nos son beneficiosas.