Modelowane listy odbiorców nie zawierają konkretnych osób, tylko prawdopodobieństwa. Wyjaśniam, jak powstają, gdzie ich szukać w panelu i jak czytać ich raporty.
Konstrukcja, o której tu piszę, ma dziś w materiałach Google status zalecanego domyślnego układu kampanii w sieci wyszukiwania: słowa kluczowe wyłącznie w dopasowaniu przybliżonym, reklamy elastyczne i strategia stawek nastawiona na wynik. Kierowanie w takiej kampanii przestaje być listą fraz, a staje się listą podpowiedzi.
Podchodzę do tego bez uprzedzeń, bo w części kont widzę, że to działa lepiej niż drobno posiekana struktura, którą utrzymywano latami. Widzę też jednak konta, na których takie przestawienie skończyło się miesiącem wydatków na zapytania bez związku z ofertą.
Różnica nie leży w samym podejściu, a w warunkach, w których je uruchamiamy. Poniżej wytyczne, którymi się posługuję — od tego, czego wymagam przed startem, do tego, po czym poznaję, że trzeba się wycofać.
Bez tego kontekstu łatwo uznać, że to moda. To nie moda, tylko konsekwencja zmian, które działy się przez ostatnie lata.
Najpierw zniknęła ostra granica między typami dopasowania. Modyfikator dopasowania przybliżonego został wycofany w 2021 roku, a dopasowanie do frazy przejęło jego rolę. Równolegle Google systematycznie rozszerzał pojęcie „bliskich odmian”, aż dopasowanie ścisłe przestało oznaczać dokładne brzmienie zapytania.
Potem zmieniło się, na czym opiera się dobór ruchu. System bierze pod uwagę nie tylko samo słowo kluczowe, ale też stronę docelową, pozostałe frazy w grupie i to, czego wcześniej szukał użytkownik. Przy takim mechanizmie utrzymywanie trzech wersji tego samego słowa w trzech typach dopasowania przestało dawać kontrolę, którą miało dawać.
I trzecia rzecz: udział zapytań, których nikt wcześniej nie widział, jest stale wysoki. Lista fraz zbudowana z planera nigdy nie pokryje długiego ogona — a przybliżone dopasowanie ze sensownym algorytmem stawek do niego dociera.
Traktuję je jak listę wejściową. Jeśli któryś punkt nie jest spełniony, odkładam przestawienie kampanii, a nie robię go „na próbę”.
Odruch osoby przyzwyczajonej do starych zasad każe budować wiele wąskich grup reklam. Przy tym układzie to działa przeciwko celowi.
Konsoliduję. Jedna kampania na obszar biznesowy, w niej kilka grup odpowiadających temu, jak firma faktycznie dzieli ofertę, i kilka fraz w każdej. Dzielenie ruchu na dwadzieścia grup po jednym słowie rozdrabnia dane, na których algorytm miał się uczyć, i wydłuża naukę do miesięcy.
Podział, którego natomiast pilnuję, wynika z pieniędzy, nie ze słów. Osobno kampania brandowa — zawsze, bo mieszanie taniego ruchu na nazwę firmy z resztą zafałszowuje obraz całości. Osobno rzeczy o innej rentowności i innym celu: usługa z marżą kilkukrotnie wyższą nie ma czego szukać w jednym budżecie z produktem wejściowym.
Dopasowania nie mieszam. Jeśli decyduję się na ten model, w kampanii są frazy przybliżone i tylko przybliżone. Dorzucenie do tego samego zestawu kilku fraz ścisłych sprawia, że nie wiem już, co dostarcza ruch, i tracę powód, dla którego to robiłem.
Skoro kierowanie przestaje być listą fraz, sterowanie przenosi się na listę tego, czego nie chcę. To zmiana sposobu pracy, nie tylko ustawienia.
Startuję z przygotowaną listą wykluczeń, a nie z pustą. Wchodzą na nią: kategorie zapytań informacyjnych, których nie obsługujemy, nazwy konkurencji, jeśli nie chcemy w to wchodzić, słowa oznaczające darmowe lub używane, nazwy zawodów i kursów przy usługach dla firm oraz miejscowości poza obszarem działania.
W pierwszym miesiącu czytam raport wyszukiwanych haseł co drugi dzień, później raz w tygodniu. Sortuję po koszcie, nie po liczbie wyświetleń — interesuje mnie, gdzie realnie wypływają pieniądze.
Wykluczenia dodaję na dwóch poziomach. Rzeczy trwałe idą na listę współdzieloną podpiętą do wszystkich kampanii, bo inaczej po roku mam dziesięć rozjeżdżających się list. Rzeczy dotyczące jednej kampanii zostają lokalnie.
Uwaga techniczna, która często umyka: wykluczenie w dopasowaniu przybliżonym wymaga wszystkich słów w zapytaniu, żeby zadziałało. Wykluczając całą frazę, potrafisz nie zablokować niczego. Przy tym modelu prowadzenia kampanii to najczęstsze źródło zdziwienia.
Przy szerokim kierowaniu ciężar precyzji przechodzi na treść reklamy i na to, co jest po kliknięciu. Reklama przestaje być odpowiedzią na jedną frazę, a zaczyna być filtrem.
W reklamach elastycznych piszę nagłówki, które jednoznacznie nazywają, czym się zajmujemy i dla kogo. Wpisuję ograniczenia wprost: dla firm, tylko na zamówienie, minimalna wartość zamówienia, obsługa w wybranym regionie. Nagłówek, który zniechęca połowę odbiorców, przy tym modelu jest zaletą.
Przypinanie stosuję oszczędnie, ale jednego elementu zwykle nie odpuszczam — nazwy usługi albo kategorii w pierwszym nagłówku. Bez tego zestawy tworzone automatycznie potrafią zgubić sens przy nietypowym zapytaniu.
Strona docelowa musi odpowiadać na obietnicę z reklamy i mówić o zakresie oferty w pierwszym ekranie. System czyta zawartość strony przy dobieraniu zapytań, więc strona ogólna, opisująca wszystko naraz, ściąga ruch o wszystkim naraz. Kierowanie ruchu z takiej kampanii na stronę główną to najprostszy sposób, żeby ten model nie zadziałał.
Startuję z celem ustawionym na poziomie, który kampania faktycznie osiągała wcześniej, nie na poziomie, który chciałbym osiągnąć. Ambitny próg na pierwszy dzień skutkuje tym, że system uzna prawie każdą aukcję za nieopłacalną.
W pierwszym tygodniu patrzę na jedną rzecz: jakość zapytań. Nie na koszt konwersji, bo jego jeszcze nie ma sensu oceniać. W drugim i trzecim — na udział wydatku na zapytania trafione i na tempo, w jakim lista wykluczeń przestaje rosnąć. Jeśli po miesiącu wciąż dopisuję po kilkadziesiąt pozycji dziennie, to znaczy, że oferta jest zbyt wąska dla tego modelu.
Zmian dokonuję pojedynczo i z tygodniową przerwą. Równoległe ruszanie budżetu, celu i wykluczeń kończy się tym, że po miesiącu nie wiem, co zadziałało.
Wycofuję się, gdy widzę jedną z trzech rzeczy: koszt pozyskania trwale gorszy niż przy poprzednim układzie po dwóch pełnych okresach nauki, ruch systematycznie schodzący w sąsiednią branżę mimo wykluczeń, albo brak po stronie klienta czasu na cotygodniową pracę z zapytaniami. Ostatni powód jest najczęstszy i najuczciwszy — ten model nie jest tańszy w obsłudze, tylko inaczej pracochłonny.
Warto też pamiętać, że część starych nawyków przestaje mieć zastosowanie. Google zapowiedział wycofanie Ulepszonego CPC, a korekty stawek z czasów ręcznego prowadzenia kampanii przy strategiach nastawionych na wynik w większości nie działają tak, jak działały. Przy przestawianiu kampanii robię z nimi porządek od razu, żeby nie tłumaczyć potem sobie samemu dziwnych rozkładów wydatku.
Używamy plików cookies, aby ułatwić Ci nawigację oraz wykonywanie określonych funkcji. Szczegółowe informacje o wszystkich plikach cookies znajdziesz w każdej kategorii zgody poniżej.
Pliki cookies oznaczone jako "Niezbędne" są przechowywane w Twojej przeglądarce, ponieważ są one kluczowe dla zapewnienia podstawowych funkcji strony.
Używamy również plików cookies firm trzecich, które pomagają nam analizować, w jaki sposób korzystasz z tej strony, zapamiętują Twoje preferencje oraz dostarczają treści i reklamy odpowiednie dla Ciebie. Te pliki cookies będą przechowywane w Twojej przeglądarce tylko za Twoją uprzednią zgodą.
Możesz zdecydować, czy chcesz włączyć lub wyłączyć niektóre bądź wszystkie te pliki cookies, jednak wyłączenie niektórych z nich może wpłynąć na Twoje doświadczenia podczas przeglądania strony.
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __cf_bm | 13 minutes | Cloudflare bot management — distinguishes humans from bots. |
| rc::* | Persistent | Google reCAPTCHA — localStorage holding anti-bot challenge state. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| wpEmojiSettingsSupports | Session | WordPress — sessionStorage flag caching whether the browser can render emoji (feature detection). |
| ytidb* | Persistent | YouTube — IndexedDB storing playback/search state for embedded videos. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| _ga_* | 400 days | Google Analytics 4 — persists session state per property. |
| _ga | 400 days | Google Analytics — distinguishes unique users via a client id. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| NID | 183 days | Google — stores preferences for personalized ads. |
| fr | 90 days | Meta — encrypted Facebook id and browser id for ads. |
| _gcl_au | 90 days | Google AdSense/Ads — experiments with advertising efficiency (conversion linker). |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __Secure-YNID | 180 days | |
| YSC | Session | |
| __Secure-ROLLOUT_TOKEN | 180 days | |
| VISITOR_INFO1_LIVE | 180 days | |
| VISITOR_PRIVACY_METADATA | 180 days | |
| datr | 400 days | |
| sb | 400 days | |
| wd | 7 days |