Was ist Google Ads Smart Bidding?
Auf maschinellem Lernen basierende Gebotsstrategien werden Unternehmen als Allheilmittel für alle ihre Probleme verkauft. In der Praxis gibt es jedoch gute und schlechte Wege, diese neue und mächtige Technologie einzusetzen. Weit davon entfernt, die universelle Lösung zu sein, als die es dargestellt wird, erfordert Google Ads Smart Bidding zum Beispiel sorgfältige Überwachung und selektiven Einsatz, um Ergebnisse zu liefern. Wenn Sie nicht wissen, was Sie damit tun, kann maschinelles Lernen dazu führen, dass Sie einen Grossteil Ihres wertvollen Werbebudgets zum Fenster hinauswerfen.
Das Gebotssystem im Google-Ads-Ökosystem veranstaltet automatisierte Auktionen für keyword-gebundene Werbeflächen. Die Kontrolle über diese Flächen ist Gegenstand harten Wettbewerbs unter den Werbetreibenden, und eine Gebotsstrategie kann über den Gesamterfolg einer Kampagne entscheiden. Die gebotenen Beträge können manuell festgelegt oder diese Entscheidung kann an eine automatische Strategie namens Smart Bidding delegiert werden, den Machine-Learning-Algorithmen von Google Ads.
Garbage in, garbage out
Es besteht kein Zweifel, dass KI-gestützte Machine-Learning-Algorithmen zu den grossen Game-Changern im heutigen Online-Marketing gehören. Sie können wahrhaft bemerkenswerte Ergebnisse liefern, und jeder Marketer sollte sie als brauchbare Option in Betracht ziehen. Der Erfolg dieser Algorithmen hängt jedoch stark von den Daten ab. Sie brauchen die richtigen Daten, um gute Gebote abzugeben. Es ist das altbekannte Prinzip garbage in/garbage out, bei dem schlechte Eingabequalität die Ausgabe erwartungsgemäss verdirbt und zu fehlerhaften Ergebnissen führt.
Die meisten von uns dürften die Auswirkungen davon bereits selbst erlebt haben. Nehmen wir zum Beispiel an, jemand, den Sie kennen, nutzt Ihren Computer, um den Preis von Kinderwagen zu recherchieren. Von diesem Moment an bemerken Sie, dass viele der Ihnen angezeigten Anzeigen etwas mit Schwangerschaft, Mutterschaft und Babys zu tun haben. Sie haben für diese Produkte keine Verwendung, denn anders als die Person, die Ihren Computer genutzt hat, erwarten Sie kein Kind. Ihr Datenprofil enthält nun falsche Informationen.
Um das Problem der Garbage-Daten zu umgehen, müssen diese kleinen Ungenauigkeiten herausgefiltert werden. Das gelingt nur im grossen Massstab. Je mehr Daten, desto besser. Maschinelles Lernen braucht daher nicht nur qualitativ gute Daten, sondern auch sehr viele davon.
Die anfänglichen Schwächen des maschinellen Lernens im digitalen Marketing
Wie die folgende Grafik zeigt, liefert maschinelles Lernen keinen optimalen ROI, bevor es genug qualitativ gute Daten gesammelt hat. Ab diesem Punkt hebt seine Effizienz ab, sobald es beginnt, wirklich effektive und datengetriebene Gebote abzugeben. Diese anfängliche Phase der Datensammlung ist tendenziell teuer bei relativ wenig Ergebnissen. Aus diesem Grund nennen wir sie die Senke. Niemand möchte da hindurch, besonders wenn man verlässliche Ergebnisse unter der Vorgabe eines begrenzten Budgets braucht.
Die naheliegende Lösung, um diese Senke zu vermeiden, wäre, eine eigene Gebotsstrategie zu entwickeln, die nicht auf maschinellem Lernen beruht, aber dennoch Daten sammelt, die später in Googles Smart-Bidding-Algorithmus eingespeist werden können. Leichter gesagt als getan. Und doch haben wir eine Lösung, die genau das tut: eine einfache Lösung, die während der Anfangsflaute liefert und die Daten bereitstellt, aus denen die Maschine später lernen und gedeihen kann.
Menschliche Heuristik, während die Maschine lernt
Als Agentur arbeiten wir täglich sehr eng mit allen Tools von Google und haben umfangreiche Tests an Machine-Learning-Algorithmen neben einer Reihe eigener, inhouse entwickelter Algorithmen durchgeführt. Auf Basis der Ergebnisse dieser Erfahrungen haben wir ein proprietäres Tool entwickelt und ausgiebig getestet, das es uns erlaubt, verlässlich kosteneffiziente Gebotsergebnisse zu erzielen, selbst wenn Daten knapp sind. Es ist eine einfache, elegante und effiziente Lösung, die auf der Wissenschaft der Heuristik beruht.
Eine Heuristik ist eine Rechenmethode, die darauf ausgelegt ist, komplexe Entscheidungsprobleme zu lösen, wobei sie Geschwindigkeit und Näherung den Vorzug vor absoluter Genauigkeit gibt. Sie hat zwar nicht das gleiche langfristige Maximierungspotenzial wie maschinelles Lernen, doch liefert eine Heuristik unvollkommene, aber unmittelbare und robuste Ergebnisse. Stellen Sie sich eine Heuristik als Faustregel oder fundierte Schätzung vor, etwa das Schätzen des Gewichts einer Person anhand ihrer Grösse. Wie die Grafik oben zeigt, beginnt unsere Heuristik zu verdienen, sobald wir sie einsetzen, und sie muss nicht dieselbe kostspielige Lernphase durchlaufen, um ROI zu erzeugen, wie Googles maschinelles Lernen es tut.
Den Sweet Spot finden
Nehmen wir an, eine Marketing-Kampagne zu betreiben lässt sich mit einem Kind vergleichen, das Fahrradfahren lernt. Von Anfang an auf maschinelles Lernen zu setzen ist, als würde man das Kind auf einem ausgewachsenen Rennrad starten lassen, während das Vertrauen auf eine Heuristik eher dem Anbringen von Stützrädern an den Seiten gleicht. Ohne die Stützräder fällt das Kind viele Male um, bis es sich anpasst und herausfindet, wie es stabil bleibt. Mit den Stützrädern werden die Stürze vermieden und die Lernkurve optimiert. Die Frage lautet dann: Wann können wir die Stützräder abnehmen?
Heuristiken sind in den frühen Phasen einer Kampagne von Vorteil, und maschinelles Lernen wird später besser, sofern es sich auf qualitativ gute Daten stützen kann. Der Trick besteht also darin, auf eine durch maschinelles Lernen getriebene Entscheidungsfindung umzusteigen, sobald genug Daten vorhanden sind, um solide Ergebnisse zu garantieren. Die vertikale Linie in der Grafik unten zeigt den Sweet Spot oder Wendepunkt, an dem die Stützräder abgenommen werden sollten und Sie von der Heuristik zum maschinellen Lernen wechseln sollten.
Wo genau dieser Sweet Spot liegt, hängt natürlich von der Situation ab. Ihn präzise und ohne allzu grosse Kosten zu finden, ist eher eine Kunst als eine Wissenschaft. Dennoch gibt es eine einfache Technik, mit der wir diesen Wendepunkt überwachen. Sobald wir glauben, genug Daten erzeugt zu haben, um sie in Smart Bidding einzuspeisen, führen wir A/B-Test-Kampagnen durch, bei denen die eine so eingerichtet ist, dass sie das maschinelle Lernen nutzt, und die andere auf unserem Heuristik-Algorithmus bleibt. Anschliessend vergleichen wir beide Leistungen und fahren mit der effizienteren fort.
Smart Bidding und darüber hinaus
Maschinelles Lernen ist eines der mächtigsten Werkzeuge, die Marketern zur Verfügung stehen, aber das heisst nicht, dass es für jede Aufgabe das perfekte Werkzeug ist. Jedes neue Produkt ist seine eigene Fallstudie, und jede neue Kampagne hat eine Lernkurve. Es ist wichtig, einen Werkzeugkasten zu haben, um allen auftretenden Herausforderungen zu begegnen.
Es geht hier nicht darum, die Wirksamkeit des maschinellen Lernens kleinzureden, sondern darum, zu verstehen, wie und wann es am effizientesten eingesetzt werden kann und welche anderen Lösungen sich ergänzend dazu einsetzen lassen. Heuristiken sind eine dieser Lösungen, und unsere proprietäre Heuristik ist ein Paradebeispiel dafür.
Haben Sie jemals Schwierigkeiten mit Machine-Learning-Algorithmen erlebt oder waren von Google Ads enttäuscht? Wissen Sie, welche Ihrer Kanäle den meisten ROI bringen?
Was auch immer Ihre Fragen sind, wir bei comtogether helfen Ihnen gerne. Zögern Sie nicht, Kontakt aufzunehmen!