Amazon-Anzeigenoptimierungs-Automatisierung funktioniert am besten, wenn ihr die Aufgaben gegeben werden, die Menschen schlecht machen: Tausende von Suchbegriffen jeden Tag beobachten, auf Lageränderungen reagieren, ein Gebot fangen, das abgedriftet ist, dieselbe Regel konsequent um zwei Uhr morgens anwenden. Sie funktioniert am schlechtesten, wenn ihr Urteilsentscheidungen gegeben werden, die von Informationen abhängen, die das System nicht sehen kann, wie z. B. ein Produkt, das nächsten Monat eingestellt wird, eine Margenänderung, ein Lieferantenproblem oder eine bewusste Entscheidung, Marktanteile in einer neuen Kategorie zu kaufen. Die meisten enttäuschenden Automatisierungsprojekte sind keine technischen Fehler. Sie sind Umfangsfehler.
Die nützliche Frage ist also nicht, ob man automatisieren soll, sondern wo die Grenze liegt. Wir ziehen sie an einem bestimmten Ort: Automatisierung besitzt Frequenz und Konsistenz, Menschen besitzen Strategie und Ausnahmen. Das bedeutet, dass die Maschine Gebote anpasst, Suchbegriffe erntet, Negative anwendet, das Budget taktet und Anomalien markiert, während Menschen entscheiden, wofür das Konto ist, welche Produkte Investitionen verdienen, was akzeptable Akquisitionskosten sind und wann die Regeln vollständig außer Kraft gesetzt werden sollen. Dieser Artikel legt dar, wie wir diese Aufteilung implementieren und die Leitplanken, die ein regelbasiertes System davon abhalten, selbstbewusst das Falsche im großen Stil zu tun.
Aufgaben, die die Automatisierung besitzen sollte
Die klarsten Kandidaten sind hochfrequent, wenig mehrdeutig und reversibel. Gebotsanpassungen innerhalb eines definierten Bereichs basierend auf der jüngsten Leistung qualifizieren sich. Das gilt auch für die Ernte von Suchbegriffen, bei denen konvertierende Begriffe in Exact-Match-Kampagnen befördert und hartnäckige Nicht-Konverter negiert werden. Dayparting, Budget-Pacing, damit Kampagnen ihre Zuteilung nicht vor den Stunden mit der höchsten Absicht ausschöpfen, und das Pausieren von Werbung für Artikel, die nicht mehr auf Lager sind, sind alle mechanisch und profitieren enorm davon, jeden Tag erledigt zu werden, anstatt wenn sich jemand daran erinnert.
Anomalieerkennung ist der andere große Gewinn, und sie wird oft übersehen, weil sie von sich aus nichts ändert. Ein System, das bemerkt, dass sich die Ausgaben für eine Kampagne verdoppeln, eine Konversionsrate über Nacht zusammenbricht oder ein Produkt plötzlich die Buy-Box verliert, und das dann innerhalb einer Stunde einen Menschen benachrichtigt, verhindert mehr Verschwendung, als die meisten Gebotsalgorithmen an Gewinnen liefern.
Entscheidungen, die bei Menschen bleiben sollten
Alles, was von Kontext außerhalb der Werbedaten abhängt, sollte menschlich bleiben. Die Zielakquisitionskosten hängen von Marge, Lagerposition und strategischer Absicht ab. Ob man eine Kategorie gegen einen neuen Konkurrenten verteidigt oder sie zugibt, ist eine Geschäftsentscheidung. Die Einführungsstrategie für ein neues Produkt beinhaltet die bewusste Akzeptanz schlechter Effizienz für einen Zeitraum, was jeder Optimierer als Fehler interpretieren und korrigieren wird. Markenbegriffe, Konkurrenten-Eroberung und alles mit rechtlichen oder beziehungstechnischen Auswirkungen gehören zu Menschen, die die Konsequenzen verstehen.
- Festlegung der Zieleffizienz pro Produkt, informiert durch Marge und Lifetime-Value statt durch Kampagnenhistorie.
- Entscheidung, welche Produkte Wachstumsbudget erhalten und welche für Gewinn geerntet werden.
- Einführungs- und Räumungszeiträume, in denen normale Effizienzregeln absichtlich ausgesetzt werden.
- Kreativ-, Angebots- und Offertenänderungen, die mehr vom Ergebnis antreiben, als es das Bieten jemals tun wird.
- Jede Reaktion auf einen Konkurrenten oder ein Richtlinienereignis, das keinen Präzedenzfall in den Daten hat.
Leitplanken für die Amazon-Anzeigenoptimierungs-Automatisierung
Jede automatisierte Regel braucht Grenzen, und die Grenzen sind wichtiger als die Regel. Wir begrenzen, wie weit sich ein Gebot in einem einzigen Schritt und in einer Woche bewegen kann, damit ein lauter Tag ein Keyword nicht in ein Extrem senden kann. Wir erfordern ein Mindestvolumen an Daten, bevor eine Regel handelt, was verhindert, dass ein Keyword mit drei Klicks und keinen Verkäufen dauerhaft negiert wird. Wir verbieten Regeln, auf Produkte zu handeln, die als nicht auf Lager oder unter betrieblicher Überprüfung markiert sind, da ihre Leistungsdaten nicht die Wahrheit über die Nachfrage sagen.
Wir führen auch einen Audit-Trail. Jede automatisierte Änderung wird mit der Regel, die sie verursacht hat, und den Daten, die sie gesehen hat, protokolliert, was einen mysteriösen Leistungsabfall in eine fünfminütige Untersuchung verwandelt. Ohne dieses Protokoll beenden Teams die Automatisierung nach einer schlechten Woche im Großhandel, weil niemand sagen kann, welche Regel was getan hat.
Arbeiten mit Plattform-Automatisierung
Die Werbeplattform bietet ihre eigene automatisierte Gebots- und Zielgruppenansprache, und der vernünftige Ansatz ist weder, sie abzulehnen noch alles zu übergeben. Plattform-Automatisierung hat Zugriff auf Signale, die Sie nicht sehen können, einschließlich des Käuferverhaltens auf dem Marktplatz. Ihre eigene Automatisierung hat Zugriff auf Marge, Inventar und Strategie, die die Plattform nicht hat. Die Kombination, die funktioniert, ist normalerweise, die Plattform innerhalb von Kampagnen optimieren zu lassen, während Ihre Regeln die Budgetallokation zwischen ihnen entscheiden, Produkte ausschließen, die nicht beworben werden sollten, und die Effizienzziele durchsetzen, die die tatsächliche Rentabilität widerspiegeln.
Anfangen, ohne Dinge zu zerbrechen
Wir führen die Amazon-Anzeigenoptimierungs-Automatisierung in Stufen ein. Stufe eins ist Beobachtung: Die Regeln laufen, produzieren aber nur Empfehlungen, die eine Person täglich überprüft. Dies deckt schlechte Logik schnell auf und kostet nichts. Stufe zwei lässt die risikoarmen Regeln automatisch handeln, typischerweise lagerbasierte Pausierung, Negative mit einem klaren Schwellenwert und kleine Gebotsanpassungen. Stufe drei erweitert die Bereiche, sobald der Audit-Trail zeigt, dass sich die Regeln über einen vollen Zyklus einschließlich eines Werbezeitraums vernünftig verhalten.
Erwarten Sie, eine wöchentliche menschliche Überprüfung dauerhaft beizubehalten. Ihre Aufgabe ist es nicht, jede Änderung zu überprüfen, sondern nach Mustern zu suchen: Regeln, die ständig auf dasselbe Keyword feuern, Kampagnen, die in ein Extrem driften, Kategorien, in denen das Ziel nicht mehr der Realität entspricht. Eine gute Amazon-Anzeigenoptimierungs-Automatisierung entfernt Routinearbeit und bringt die Entscheidungen an die Oberfläche, über die es sich nachzudenken lohnt. Sie entfernt nicht das Denken, und jede Einrichtung, die dies behauptet, sollte eher mit Misstrauen als mit Erleichterung behandelt werden.
Weiterlesen: Amazon-Anzeigenoptimierung · Amazon