기계 학습은 2017년 Google 애드워즈를 개선합니다.
게시 됨: 2022-09-11애드워즈, 애널리틱스 및 DoubleClick을 위한 Google의 연례 출시 이벤트에서 2017년의 핵심 주제는 머신 러닝을 통해 마케팅 담당자가 오랫동안 원했지만 복잡성으로 인해 불가능했던 일을 할 수 있다는 것입니다. 다음은 그들이 발표 한 내용입니다.
그들이 발표하는 것의 일부 하이라이트:
- 검색용 구매 의도 잠재고객
- 구글 어트리뷰션
- 매장 방문 데이터 개선 및 YouTube 동영상 광고와의 통합
- 온라인 클릭으로 인한 매장 매출 측정
Optmyzr의 경우 이제 이전에는 할 수 없었던 멋진 일을 할 수 있습니다.
- 입찰가 조정 도구는 구매 의도 잠재고객에게 적합한 입찰가를 설정하는 데 도움이 됩니다.
- 우리의 규칙 엔진은 이제 Google Attribution을 통해 수집할 수 있는 보다 완전한 전환 데이터를 기반으로 입찰가를 설정할 수 있습니다.
- 동일한 데이터를 사용하여 우리의 예산 할당 및 예측 도구는 가장 수익성이 높은 캠페인에 가장 많은 예산을 할당하는 방법에 대한 개선된 제안으로 이어질 것입니다.
- 자동 보고서에는 매장 판매 데이터뿐만 아니라 보다 정확한 전환 데이터가 포함됩니다.
평소와 같이 발표된 많은 기능은 베타 버전이거나 올해 말 예정이며 Optmyzr은 AdWords 스크립트 또는 AdWords API가 지원하는 즉시 고객에게 새 기능을 제공할 것입니다.
검색을 위한 구매 의도 잠재고객 소개
구매 의도 잠재고객은 광고주가 시장에 있는 것으로 보이는 소비자를 타겟팅하는 데 도움이 됩니다. 적시에 적절한 사용자를 타겟팅하고 이러한 상호작용을 회사에 더 많은 돈으로 전환하는 데 중점을 둔 AdWords는 이제 사용자가 귀하가 제공하는 제품에 관심을 가질 가능성에 대해 더 많이 알려 주기 때문에 이는 매우 가치가 있습니다.
구매 의도 잠재고객은 키워드, 위치, 시간 등과 같은 입찰가를 제공하는 기존의 모든 타겟팅 방법 위에 있는 레이어입니다. 이제 구매 의도 잠재고객에 대해 더 높은 입찰가를 적용할 수 있습니다.
Optmyzr은 이미 지역, 기기 및 시간대에 대한 올바른 입찰가 조정을 설정하는 데 도움이 되는 최적화를 제공하고 있으며 이제 해당 목록에 구매 의도 잠재고객을 추가할 수 있습니다.
사용 가능한 구매 의도 잠재고객은 다음과 같습니다.
- 의류 및 액세서리
- 자동차 및 차량
- 유아 및 아동용 제품
- 미용 제품 및 서비스*
- 회사 서비스*
- 컴퓨터 및 주변기기
- 가전
- 소비자 소프트웨어
- 데이트 서비스*
- 교육
- 고용
- 금융 서비스
- 선물 및 행사
- 집과 마당
- 부동산
- 스포츠 및 피트니스*
- 통신
- 여행하다
- 베타에서
Google Attribution 소개
가장 최근의 Google 파트너 실시간 스트리밍에서 Google의 프로그램 책임자인 Ben Tyson과 저는 홈 서비스 회사를 위한 PPC에 대해 논의했습니다. 평균 소비자는 6년 전 홈 서비스를 구매하기 전에 평균 4.2개의 리소스를 확인했습니다. 오늘날 그 숫자는 평균 22.4개의 리소스로 증가했습니다. 터치포인트에는 여러 기기 및 스마트폰에서 동영상, 디스플레이, 검색 및 소셜과 같은 다양한 광고 및 콘텐츠 형식이 포함될 수 있습니다.
온라인 광고의 약속은 매우 측정 가능하므로 지출 낭비를 피할 수 있다는 것입니다. 그러나 정확하게 측정하는 것이 매우 복잡해지는 것이 현실입니다. 상호 작용을 평가하고 합리적인 기여 모델을 제시하는 것은 헌신적인 분석가가 있는 대기업에 적합할 만큼 충분히 복잡하므로 소규모 지역 기업이 이 모든 것을 이해하는 방법은 무엇입니까?
이것이 바로 Google Attribution이 등장한 이유입니다. 이는 전통적으로 기여에 대해 골치 아픈 세 가지 사항을 단순화합니다.
- 추가 태그 없이 모든 데이터 추적
- 정교한 기여 모델을 사용하여 실적 분석
- 통찰력에 따라 행동
어트리뷰션에는 통합 추적이 포함됩니다.
오늘날 추적에는 몇 가지 문제가 있습니다. 큰 문제는 Google Analytics에 utm_tags를 추가하는 것이 고통스럽기 때문에 종종 간과되거나 잘못 수행된다는 것입니다. 그런 다음 광고주는 여러 시스템을 사용하여 데이터를 분석할 수 있으며 이러한 시스템이 통합되지 않으면 다음 예와 같이 항목이 이중으로 계산됩니다.
통합 데이터를 통해 광고주는 현명한 결정을 내릴 수 있는 깨끗한 데이터를 갖게 됩니다.
데이터 기반 기여 모델이 이제 무료입니다.
그러나 깨끗한 데이터를 사용하더라도 전환으로 이어지는 모든 상호작용을 평가하기는 여전히 어렵습니다. 이것이 기여 모델의 전부입니다. 모든 상호작용에 올바른 가치를 할당하는 방법... 이제 Google에서 다양한 기여 모델을 더 쉽게 테스트할 수 있도록 할 것입니다. 발표의 이 부분의 핵심은 데이터 기반 기여 가 포함되어 이제 모든 사람에게 무료로 제공된다는 것입니다.
데이터 기반 기여 모델은 빅 데이터와 머신 러닝을 사용하여 전환으로 이어질 가능성이 높은 터치포인트 조합에 대해 매우 구체적인 예측을 내립니다.
다음은 데이터 기반 기여가 작동하는 방식의 예입니다. 기계 학습을 사용하여 소비자의 경로가 전환으로 이어질 수 있는 수백만 가지 고유한 방법 간의 상관 관계를 찾고 가능한 각 단계의 중요성에 가중치를 할당합니다. 그런 다음 광고주에게 실제 세계를 최대한 가깝게 반영하는 맞춤 기여 모델을 제공할 수 있습니다.
기여 모델은 광고주가 캠페인의 영향을 실제 세계에서 발생하는 결과와 연결하는 데 도움이 되는 근사치일 뿐입니다. Google이 마케터가 더 나은 모델을 얻을 수 있도록 지원하는 놀라운 컴퓨팅 리소스를 제공하는 것은 대단한 일입니다.
귀하가 조치를 취할 수 있도록 기여 데이터가 AdWords로 유입됩니다.
발표의 세 번째 갈래는 조치를 취하기가 더 쉬워질 것이라는 점입니다. Google에서 일할 때에도 통찰력과 해당 통찰력에 따라 조치를 취하는 능력 사이의 빈번한 연결 끊김은 우리가 자주 논의한 문제였으며 이로 인해 AdWords 프런트 엔드를 점검하게 되었습니다.
또한 Optmyzr의 도구를 사용하여 해결하려고 하는 문제입니다. 예를 들어, 지난 주에 출시한 쇼핑 속성 입찰자 를 사용하면 소매업체가 특정 제품을 베스트셀러로 만드는 요소에 대한 통찰력을 쉽게 얻을 수 있으며 원하는 속성 조합을 공유하는 모든 제품에 대한 입찰가를 즉시 변경할 수 있습니다.
오늘 발표와 함께 Google은 Google Attribution의 일부로 얻은 향상된 통찰력을 애드워즈로 다시 푸시하여 광고주가 더 나은 입찰가를 설정하거나 예산을 재할당하는 데 쉽게 사용할 수 있다고 약속합니다.
매장 방문 측정 개선
Google이 2014년에 매장 방문 측정 을 도입한 이후로 머신 러닝이 크게 향상되었습니다. 즉, 이제 모든 광고주에게 더 많은 더 나은 매장 방문 데이터를 제공할 수 있습니다. 광고주는 이 데이터를 얻기 위해 추가 위치 정보를 활성화하는 것 외에 다른 작업을 수행할 필요가 없습니다. Google의 고급 머신 러닝 및 매핑 기술 이 모두 처리하므로 매장에 설치할 복잡한 기술이 없습니다.
광고주가 추가 위치 정보를 사용하도록 설정하면 이제 YouTube 동영상 광고에서 매장 트래픽을 유도할 수 있습니다.
모든 소매업체의 매장 판매 데이터
소매업체는 ROAS(광고 투자 수익)를 측정하고 수익성 있는 입찰가를 설정할 수 있도록 온라인 주문의 판매 데이터를 추적합니다. Optmyzr는 또한 당사의 다양한 입찰 관리 도구를 통해 달성하는 데 도움이 됩니다. 이제 Google은 모든 규모의 소매업체가 판매 데이터를 AdWords에 매우 쉽게 가져올 수 있도록 할 것입니다. 광고주는 단순히 판매 데이터와 로열티 프로그램의 관련 이메일 주소를 Google에 제공하고 Google은 점을 매장 내 구매로 이어진 온라인 활동에 연결합니다.
또한 이메일 주소를 추적하지 않는 소매업체의 경우에도 Google은 미국 내 신용 및 직불 카드 거래의 약 70%를 차지하는 타사 파트너십을 보유하고 있기 때문에 프로그램의 혜택을 받을 수 있습니다.
결론
오늘 AdWords에서 더 많은 발표가 있을 예정이지만 현재로서는 이것이 가장 중요한 것입니다. 앞으로 더 자세한 내용을 다룰 것입니다.