最新的 Google Ads 更新:更新的关键字匹配流程和归因模型更改

已发表: 2022-09-11

Google Ads 最近发布了两项重大公告,包括对关键字匹配查询方式的更新以及对默认归因模型的更改。 以下是广告商需要了解的有关这些更新的信息。

关键字优先级规则正在改变

让我们分解一下谷歌关于关键字匹配类型的最新公告,看看它是怎么说的:

借助 BERT,Google 的自然语言处理预训练,变得更高级,现在更容易理解搜索意图。 即使是广泛匹配现在也可以帮助您使用更少的关键字找到相关流量。

谷歌通过示例支持这一点,“像‘1995 5速变速器密封输入轴’这样的高度具体的查询现在能够与广泛匹配关键字‘汽车零部件’匹配,因为我们可以判断它们是相关的,即使没有一个查询中的单词和关键字中的单词实际上匹配。”

现在将首选与查询相同的词组匹配或广泛匹配关键字,只要它符合匹配条件即可。

谷歌已将今年早些时候的完全匹配扩展到广泛匹配和词组匹配。 下面是谷歌的例子来解释这一点:“假设有人搜索‘我附近的寿司外卖’,而你有广泛匹配的关键字‘寿司外卖’和‘我附近的寿司外卖’ 。 在此更新之前,这两个关键字都可以投放。 现在,首选关键字‘我附近的寿司外卖’ ,因为它与搜索词相同。”

不过请放轻松。 谷歌继续说“如果你有一个与查询相同的完全匹配关键字,它仍然会优先于词组和广泛匹配关键字。”

当搜索与您的任何关键字不同时,相关性和广告评级将是决定因素。

除了 Ad Rank,Google 现在在确定选择哪个关键字时还会考虑相关性信号。 在解释这些相关性信号是什么时,谷歌表示,“相关性是通过查看搜索词的含义、广告组中所有关键字的含义以及广告组内的登录页面来确定的。” 下表对不同的场景进行了细分。

与谷歌最重要的公告一样,这一公告也得到了 PPC 行业的不同反应。

Julie Bacchini 写道:“那么到目前为止,你到底在做什么? 严重地。 作为一个广告商,认为这是你一直在做的事情是不是很愚蠢?” 在她的博客上阅读她对这一变化的看法。

Amy Bishop 和 Greg Finn 等其他人认为,尽管 Google 努力让广告商切换到智能出价 + 广泛匹配的组合,但为同一关键字维护多种匹配类型仍然有价值。

数据驱动现在是默认归因模型

为了摆脱最终点击归因,Google 宣布从 2021 年 10 月开始,数据驱动归因 (DDA) 将成为所有新转化操作的默认归因模型。

谷歌承认,最终点击归因模型无法满足广告商的需求,因为它忽略了除用户转化之前的最终搜索之外的所有内容。 到目前为止,没有足够转化量来获得数据驱动归因的广告客户被建议切换到基于位置或时间衰减的模型。

谷歌解决了使用 DDA 的最低数据要求,并表示,“我们正在删除数据要求并增加对其他类型转换的支持。 通过这些改进,我们还将以数据为依据的归因作为 Google Ads 中所有新转化操作的默认归因模型。”

数据驱动的归因如何更好?

让我们以寻找跑鞋的用户为例。 该用户在转换之前会进行多次不同的搜索。 她可能会从搜索“运动鞋”或“跑鞋”开始,在发现阿迪达斯的跑鞋系列后,再次搜索她最喜欢的颜色和尺码的特定型号,然后购买鞋子。

最终点击归因的问题在于它将所有功劳归于最终点击。 它将忽略用户与您的多个广告互动的事实; 它将忽略她到达最终关键字的事实,因为她首先接触到了漏斗上方的关键字。 用户在转换之前搜索的所有这些不同的关键字都被完全忽略了。

数据驱动可让您更好地了解整个购买过程。 谷歌现在查看搜索序列,并查看单个查询如何适应该序列。 它估计每个关键字对最终转化的贡献。 以下来自 Google 的 DDA 方法白皮书的插图显示了如何权衡特定查询。

Sequence of queries and how they are weighed by data-driven attribution

最终,数据驱动的归因可以帮助您更好地了解所有关键字的价值。 有了这些改进的知识,您的手动和自动优化可以变得更好。 例如,当您发现一个非转化搜索词时,您可能会将其添加为否定关键字,决定根本不对其出价,或者降低出价。 如果您基于不完整的转化数据(例如从 LCA 获得的数据)执行此操作,则可能会损害帐户的性能。 感谢 DDA,您可以进行更好的优化。

没有任何归因模型可以为您提供 100% 准确的信息,但数据驱动最接近为您提供的信息可以让您减少浪费性支出。

最后,谷歌鼓励广告商将数据驱动的归因与自动出价相结合,“当与自动出价策略相结合时,数据驱动的归因可以以相同的每次转化成本推动额外的转化。 这是因为我们的系统可以更好地预测特定广告对推动转化产生的增量影响,并相应地调整出价以最大限度地提高您的投资回报率。”

如果您还不知道将智能出价与最终点击归因相结合的风险,您可以在此处阅读相关内容。

图片版权 PixieMe - stock.adobe.com