Google Ads-də Məlumatlara Əsaslanan Attributsiyanın Seçilməsi

Atributsiya modelini seçdiyiniz zaman, Google Ads təklif alqoritmlərinin uğuru necə şərh etdiyini dəyişdirirsiniz. Yalnız son klikə kredit verən bir modeldən istifadə etsəniz, sistem istifadəçinin satın almadan əvvəl keçə biləcəyi ilkin tədqiqat mərhələlərini nəzərə almır. Daha geniş bir modeldən istifadə etməklə, alqoritm huninin ilkin mərhələlərində hansı açar sözlərin və ya reklamların kömək etdiyi barədə daha çox kontekst qazanır. Bu dəyişiklik tez-tez avtomatlaşdırılmış təklif strategiyalarınız üçün bir düzəliş dövrü tələb edir.

Tipik bir hesabda, atributsiya modelinizi dəyişdirmək, sistem öyrəndikcə əldəetmə dəyəri göstəricilərində dalğalanmalara səbəb ola bilər. Ev əşyaları satan bir Shopify mağazasını idarə edirsinizsə, istifadəçi marka adınızı axtarıb almazdan üç gün əvvəl ‘müasir divan’ kimi geniş bir axtarış termininə klikləyə bilər. Tam yolu izləyən bir model, ‘müasir divan’ açar sözünün qismən kredit almasını təmin edir və əslində ilkin maraq yaradan reklamları dayandırmanızın qarşısını alır.

Məlumatlara əsaslanan atributsiya, tarixi konversiya məlumatlarına əsaslanaraq çoxsaylı reklam qarşılıqlı əlaqələri üzrə konversiya kreditini bölüşdürmək üçün maşın öyrənməsindən istifadə edir. O, hesabınızın xüsusi nümunələrinə əsaslanaraq hər bir klikin faktiki töhfəsini hesablayır. Sistem, hansı təmas nöqtələrinin ən təsirli olduğunu müəyyən etmək üçün konversiya edən istifadəçilərin yollarını konversiya etməyənlərlə müqayisə edir. Bu, statik bir qayda deyil, kampaniya məlumatlarınız inkişaf etdikcə yenilənən bir hesablamadır.

Bu model effektivdir, çünki son klik olmayan qarşılıqlı əlaqələrə dəyər verməkdən təxminləri aradan qaldırır. İlk klikin və ya son klikin bütün ağırlığı daşıdığını fərz etmək əvəzinə, model yolu boyunca fraksiya kreditini bölüşdürür. Məsələn, bir müştəri YouTube reklamı, sonra axtarış reklamı və nəhayət alış-veriş reklamı ilə qarşılıqlı əlaqədə ola bilər. Model hər birinin çəkisini müəyyən edir və gündəlik büdcənizin yüksək dəyərli yolları idarə edən açar sözlərə daha yaxşı bölüşdürülməsinə imkan verir.

Hesabınız etibarlı anlayışlar yaratmaq üçün kifayət qədər konversiya həcminə malik olduqda məlumatlara əsaslanan atributsiyaya keçməyi düşünməlisiniz. Hesabınız ayda çox az konversiya qeyd edirsə, maşın öyrənmə modeli dəqiq kredit tapşırıqları vermək üçün kifayət qədər məlumatdan məhrum ola bilər. Minlərlə aylıq konversiyası olan böyük hesablar bu keçid üçün ən çox yayılmış namizədlərdir. Ümumi bir nümunə, keçid etməzdən əvvəl kampaniyalarınızın sabit bir konversiya sayına çatmasını gözləməkdir.

Satış dövrünüz müxtəlif cihazlarda çoxsaylı axtarış sorğularını və ya qarşılıqlı əlaqələri əhatə edirsə, məlumatlara əsaslanan atributsiya son klik modelindən daha yaxşı bir mənzərə təqdim edir. Bu, daha sadə qaydalar altında səmərəsiz görünə bilən displey reklamlarının və ya huninin yuxarı hissəsindəki axtarış terminlərinin təsirini görməyə kömək edir. Məsələn, axtarış reklamlarına ayda 5000 dollar xərcləyən bir mağaza, ümumi açar söz kampaniyalarının nadir hallarda son klik alsa belə, bir çox konversiyaya kömək etdiyini görə bilər.

Daha kiçik büdcəli və ya məhdud konversiya həcmi olan hesablar üçün daha sadə bir atributsiya modelini saxlamaq çox vaxt təhlükəsiz seçimdir. Kifayət qədər məlumat olmadan, maşın öyrənmə modelləri dəqiq kredit verməkdə çətinlik çəkə bilər ki, bu da avtomatlaşdırılmış təkliflərinizin zəif işləməsinə səbəb ola bilər. Məlumatlara əsaslanan modellər üçün minimum məlumat həddinə çata bilmirsinizsə, xətti və ya zamanla azalma kimi şərh edilməsi asan olan bir modelə sadiq qalın.

Enerjinizi modelin özündən çox konversiya izləmə keyfiyyətini yaxşılaşdırmağa yönəldin. Səhifə baxışları kimi kiçik qarşılıqlı əlaqələrdən çox, tamamlanmış satınalmalar və ya ixtisaslı potensial müştərilər kimi düzgün hərəkətləri izlədiyinizə əmin olun. Biznesiniz böyüdükcə və konversiya nömrələriniz artdıqca, daha mürəkkəb bir modelin ehtiyaclarınıza uyğun olub-olmadığını görmək üçün atributsiya parametrlərinə yenidən baxa bilərsiniz.