响应式搜索广告的广告强度：它是什么以及为什么你不应该担心它

如果您是 PPC 广告商，您肯定对广告帐户中的分数并不陌生，例如质量分数或优化分数。 随着响应式搜索广告 (RSA) 取代扩展文字广告，广告商现在越来越多地接触到一种称为广告强度的新型得分。

在这篇文章中，我将解释什么是响应式搜索广告的广告强度、它的重要性，以及它与其他存在时间较长的优化得分的比较。

什么是广告强度？

Google 将广告强度定义如下：

广告强度为您提供反馈，帮助您专注于向客户提供正确的信息。 它显示了广告创意遵循最佳实践以实现最佳效果的程度，范围从“不完整”、“差”、“一般”、“良好”到“优秀”。

这是广告客户在其与响应式搜索广告相关联的帐户中看到的最新类型的分数。

广告强度重要吗？

谷歌表示这是一个最佳实践分数，旨在给人留下良好的第一印象。 这是一个重要的词语选择，意味着它不是从你的实际表现中学习的。 虽然良好的第一印象很重要，但长期结果更重要。

广告强度使用机器学习模型，该模型查看哪些广告属性往往对应于广告商的良好结果。 例如，拥有 10 种不同形式的标题的广告客户会比拥有 15 种不同形式的同一标题的广告客户表现更好吗？

包含广告组的主要关键字的广告是否往往比不包含相同关键字的广告具有更好的效果？

带有太多冗余短语的广告会比那些避免冗余的广告效果更差吗？

这些是开始工作的超级有用的见解，我们都可以从历史的教训中学到一些东西。

然而，一旦你有了一个好的基准广告，就忘记广告的强度，因为虽然它反映了过去对大众来说效果很好的东西，但它并不关心什么对你有用。 广告强度为“差”的广告开始效果很好的广告客户仍将被标记为“差”。

让我再说一遍。 广告强度不会因您的表现而改变！

因此，具有出色转化率、低 CPA 和大量利润的广告客户的广告效果可能很差。 他们没有遵循普遍的智慧，但他们仍然成功。 这种模式不会奖励以不同的方式思考。

因此，如果您是一位经验丰富的营销人员，那么制作您认为效果非常好的广告并没有错，即使根据 Google 的预测，它的广告强度也很差。

在这种情况下，更重要的是密切监控和有条不紊的实验，以确保实际效果反映您认为广告可以实现的效果。

广告强度差会影响广告投放吗？

如果您担心广告强度不佳意味着您的广告投放频率降低，请放心，广告强度不会影响广告排名或质量得分。 换句话说，如果您的广告效果不佳，这并不意味着 Google 在广告拍卖中降低了您的广告的优先级。

但是，您的广告可能真的很糟糕，因此也会在拍卖中获得较低的质量分数和较低的广告排名。 相关性，而非因果性。

有些人认为广告效果不佳会导致他们的广告展示量减少的部分原因是谷歌有一段时间将一些广告标记为“不良（有限资格）”。 此状态令人困惑，已被删除。

广告强度是静态的吗？

虽然我的观点是广告强度可以忽略不计，因为它与性能脱节，但它并非完全静止。 例如，广告强度喜欢在标题文字中包含广告组主要关键字的广告。

因此，如果广告组的关键词发生变化，或者获得最多展示次数的关键词组合发生变化，那么即使广告的任何资产都没有变化，广告强度也可能发生变化。

您应该注意质量得分吗？

质量得分 (QS) 是 Google Ads 中的原始机器学习/人工智能得分。 它已经存在了近 2 年，其目的一直是预测广告相关性足以被点击的可能性。

关于质量得分的重要一点是，广告商的初始 QS 会随着系统积累更多关于关键字的数据而迅速改变。 换句话说，当一个帐户拥有更多自己的数据时，您看到的质量分数数字更能反映该帐户的质量和相关性的真实情况。

因此，广告商密切关注 QS 并尝试将其尽可能提高是有道理的。

随着时间的推移，你看到的数字会更好地代表现实。 请记住，质量得分越高，广告商为维持其在广告拍卖中的位置而必须支付的每次点击费用就越低。

您应该注意优化分数吗？

优化分数，就像质量分数一样，具有机器学习的元素。 优化得分的目的是告诉广告客户他们的帐户中有多少可用空间。 例如，如果他们要切换出价或预算，这种变化可能会导致多少次转化。

估计的数字是基于机器学习的，与任何预测一样，它并不总是完全准确的。 但是，优化得分非常值得关注，因为如果您的优化得分较低，则意味着 Google 的机器学习认为您会留下很多潜在的转化。

您应该评估建议，然后根据您认为影响的准确程度做出决定。 在 Optmyzr 中，我们通过将 Google 的预测与我们自己的预测进行比较，有选择地呈现 Google 的一些机会来提高优化得分，以帮助广告商利用我们认为最好的机会。

谨防闭环反馈系统

像广告强度这样的静态反馈系统的问题在于，它会让你陷入一个闭环。 NBC 新闻的 Jacob Ward 在《The Loop》一书中解释了这个概念。

这个想法是机器学习以不受欢迎的方式影响我们的行为。 就广告商而言，机器学习告诉我们如何在广告中发挥创意。 但它的建议是基于过去对其他人有用的。

当它告诉每个人都做同样的事情而我们服从时，我们就陷入了一个闭环。

这是一个您可能能够更好地理解的示例。 如果我们只看 Netflix 提供的关于接下来要看什么电视节目的建议，那么 Netflix 的算法正在影响我们的决策，这些决策会反馈到算法中以提出未来的推荐。

算法：嘿，你应该看看这个很酷的电视节目，它在你住的地方很流行。

我：好的，我去看看。

算法：哇，看那个，另一个人在看那个节目，我应该推荐更多这样的节目。

我：所有新的和独特的节目在哪里？ 一切感觉都一样！

广告强度得分给广告商带来了类似的问题。 当算法告诉我们应该做什么因为过去有效时，它会抑制可以创造新的成功故事的实验，这些故事可能会改变未来的预测。

广告变得同质化，我们的创造力不再得到回报。

机器学习如何工作的快速入门

上面提到的所有分数都包含机器学习和人工智能的元素。 所以我认为简要解释该技术的工作原理很重要。 通过了解这一点，我们将能够看到缺点和潜在的陷阱。

一些机器学习通过建立一个模型来工作，该模型根据过去发生的事情预测未来。 创建机器学习的第一步是构建模型，有时称为训练阶段。 在训练阶段，历史数据被输入机器，以便它可以找到与所需结果相对应的各种属性之间的相关性。

让我们以质量得分为例。 该机器正在寻找与更高点击率相对应的信号，这是广告相关性的指标。 它可能会发现广告文字中关键字的存在是与更高点击率相关的一个因素，因此将其构建到其模型中，这样带有此类广告的关键字将获得更高的分数。

在模型经过测试和迭代之后，它会被部署并开始进行预测。 在质量得分的情况下，它会预测每个广告尝试进入拍卖获得点击的可能性。 每次用户进行搜索时，它都会做出这个预测。

该模型可以是静态的、定期更新的，或者不断地从自身预测的成功中学习以改进自身。 例如，如果质量得分模型预测广告会被点击，然后它不会被点击，它将更新其模型，以便未来的预测更加准确。 这称为强化学习。

您还应该了解，可以使用不同的数据集构建模型，并或多或少地权衡不同类型的信号。 在质量得分的情况下，模型是使用最近一段时间内的所有 Google Ads 数据构建的，但它们的构建是为了在数据可用时更重地衡量帐户自身的性能。

因此，当广告客户向他们的帐户添加新关键字时，他们的初始质量得分更多地基于系统范围的数据。 当关键字开始在广告客户的帐户中建立自己的历史记录时，这将对质量得分产生更大的影响。

包起来

更高的广告强度并不意味着更高的点击率、更高的转化率或更高的质量得分。 如果您是广告新手或不知道什么会起作用，请考虑这是一条建议。

但是，如果您是一位经验丰富的广告商，请继续做您最擅长的事情。 制作与您的目标受众产生共鸣的广告，并将重点放在效果上。 不要只是被广告强度蒙蔽了双眼。

每月一次将行业专家提供的可操作的 PPC 提示、策略和策略发送到您的收件箱。