Definitive Traffic Seminar відбувся 23–25 травня 2023 року в Чикаго, США, в очному форматі. Доповідь представив Ігор Івіцький.
Доповідь «How Google’s AI Works Internally» поєднала три питання: який сигнал конверсії навчає систему, як AI сприймає контекст аудиторії та чому успішна на вигляд оптимізація здатна примножувати ботів і нецільові заявки. Розмова вийшла за межі звичайного добору ключових слів для реклами й зосередилася на зворотному зв’язку, від якого залежать автоматизовані кампанії.
Google AI діє відповідно до зворотного зв’язку
Головну аналогію Ігор узяв зі своїх досліджень неньютонівських рідин. І експериментальне середовище, і рекламний ринок динамічні, непередбачувані та залежать від часу. Рідкісне або запізніле вимірювання може описувати стан, який уже змінився. В автоматизованій кампанії роль такого вимірювання відіграє сигнал конверсії.
Сигнал має три конкурентні властивості: він повинен надходити досить швидко, повторюватися досить часто, щоб система відрізняла закономірність від шуму, і відображати цінну для бізнесу дію. Складність у тому, що найшвидша й найчастіша подія зазвичай слабша за кваліфіковану заявку або оплату.
Автоматизація не скасовує професійне судження, а переносить його до джерела даних. Той самий принцип діє, коли кампанія отримує більше свободи, зокрема за широкої відповідності: що ширший простір пошуку, то важливіша якість зворотного зв’язку.
Системі потрібен своєчасний і повторюваний зворотний зв’язок, пов’язаний із цінністю для бізнесу.
Чіткий змістовий сигнал допомагає AI шукати людей із відповідними інтересами або недавнім наміром.
Боти та випадкові заявки можуть навчити систему частіше знаходити неправильний результат.
Метрика не дорівнює меті
Я ставлюся до кожної цільової дії як до навчального сигналу. Якщо вона відбувається швидко й часто, але не має комерційного сенсу, поліпшення оптимізації може лише далі відвести кампанію від результату бізнесу.
Такий погляд корисний за межами окремого типу кампаній: він дає маркетологу спосіб перевірити, чого насправді навчається автоматизований акаунт. У навчанні школи ми повертаємося до цього стратегічного рівня, а докладні приклади й механіка залишаються в записі доповіді.
На безкоштовному майстер-класі показую покроково, як перетворити рекламу на передбачуваний потік клієнтів.
Дивитися майстер-клас →Ключові висновки
- AI оптимізує сигнал, а не невисловлений намір рекламодавця. Якщо слабку дію зараховано як успіх, система може дуже ефективно знаходити ще більше таких дій.
- Швидкість, обсяг і цінність утворюють одне рішення. Максимізація однієї сторони трикутника спричиняє запізніле навчання, шумні висновки або комерційно порожні конверсії.
- Якість аудиторії помітна ще до змін на посадковій сторінці. У кейсі Ігоря вартість конверсії знизилася приблизно втричі за незмінної конверсії сайту; передусім змінився показник взаємодії.
- Дешеві ліди можуть приховувати дорогу невдачу. Лідогенерація виглядала вдвічі ефективнішою за ціль, але перевірка продажів виявила ботів і людей, які очікували зовсім інших матеріалів.
- Зворотний зв’язок бізнесу має повертатися в рекламну систему. Дані про кваліфікацію та оплату виправляють навчання, коли первинне заповнення форми недостатньо змістовне.
Ключові моменти доповіді
Модель навчання з гідродинаміки
Ігор почав із 2019 року, коли автоматичні стратегії раз по раз працювали гірше за знайоме йому ручне керування. Витрати зростали, заявок ставало менше, а бюджет поводився непередбачувано. Пояснення знайшлося в попередньому науковому завданні. Під час досліджень неньютонівських рідин Ігор працював із середовищем, стан якого змінювався з часом і погано вимірювався повільним приладом або кількома спостереженнями. У його моделі рекламний ринок має ті самі три властивості: конкурентне середовище й алгоритми Google постійно змінюються, поведінка покупців непередбачувана, а зміст сигналу залежить від моменту його отримання. «Алгоритму потрібно багато даних, щоб відокремити помилки від закономірностей». Платформа здатна вивести закономірність лише з доступних їй спостережень, але не з контексту бізнесу, який залишився в голові рекламодавця. Якщо рекламодавець не пояснює системі, яка дія справді важлива, вона сприймає формальну подію як мету й послідовно підсилює знайдений зв’язок. Отже, проблема починається не в алгоритмі, а в тому, що рекламодавець назвав успіхом і дозволив машині масштабувати. Тому автоматизація в доповіді спочатку стала завданням вимірювання, а вже потім завданням керування ставками.
Золотий трикутник конверсій
Перший вимір трикутника пов’язаний із часом. Ігор порівняв Google AI з гравцем із зав’язаними очима, який шукає предмет, поки люди довкола підказують правильний напрямок. Якщо відповідь надходить значно пізніше, гравець встигає піти в інший бік і змушений відтворювати давнє рішення. «Час від кліку до конверсії має бути якомога коротшим, інакше ви заплутаєте AI». Це не означає, що кожному бізнесу потрібен миттєвий продаж. Довгий цикл угоди ставить інше питання: яка раніша подія вже має досить змісту, щоб спрямовувати навчання, поки фінальний результат ще не настав?
Два інші виміри не дають оголосити найперший клік універсальною відповіддю. Рідкісна фінальна покупка має високу цінність, але може давати замало спостережень. Відвідування сторінки контактів або заявка з’являються швидко й часто, проте майже нічого не кажуть про виручку. Ігор показав аудит акаунта з 2 600 відвідуваннями сторінки контактів і нулем покупок, хоча в оптимізацію потрапили обидві дії. Він також попередив про дублікати у відстеженні та про ситуацію, коли запис за $1 система сприймає так само, як покупку за $3 000. Рекламодавець має балансувати час, статистичний обсяг і цінність, не призначаючи жоден критерій єдино правильним. Якщо кваліфікація відбувається пізніше, імпорт офлайн-конверсій дає змогу повернути це підтвердження в Google Ads. Технічні рішення залишаються в повній доповіді; стратегічний принцип полягає в тому, щоб зміст сигналу збігався з даними продажів.
Коли оптимізація засвоює неправильний урок
Розділ про аудиторії продовжив ту саму логіку. Стандартні сегменти можуть бути надто широкими, а ручний добір майданчиків охоплює лише малу частину доступного середовища. Ігор представив спеціальні сегменти як спосіб звернутися до контекстних зв’язків, що вже є в системі Google. В одному клієнтському акаунті новий підхід знизив вартість конверсії приблизно втричі, хоча конверсія посадкової сторінки не змінилася. Основний рух відбувся в показнику взаємодії: релевантність аудиторії зросла ще до того, як сайт отримав нагоду переконати відвідувача. Точна побудова й послідовність тестів входять до запису, але загальний принцип простий: AI краще працює з контекстом, коли отримує цілісний змістовий сигнал, а не набір непов’язаних намірів.
Фінальний кейс пояснив, навіщо успішній статистиці потрібна незалежна перевірка. Кампанія лідогенерації у США мала отримувати конверсії по $16. Уже з другого дня вона перевершила ціль, а за 10 днів інтерфейс показав 22 000 конверсій по $8. Потім відділ продажів повідомив: «Ніхто із цих користувачів нічого не купив». Частина лідів прийшла з бот-ферм. Інші були реальними людьми, які думали, що завантажують книжку або застосунок зі сторінки, заповненої оманливими рекламними блоками. Їхні контакти були справжніми, але намір не стосувався пропозиції. Після того як такі дії стали конверсіями, Google знайшов ще більше користувачів, здатних дати той самий дешевий сигнал. Тут недостатньо точності налаштувань: навіть точна відповідність не захистить від втрат, якщо сам зворотний зв’язок винагороджує хибний результат. Кваліфікація та дані про оплату знову пов’язують ефективність платформи з бізнесом.
Повний запис цієї доповіді входить до бонусного пакета для учнів.
Головне
Автоматизовані кампанії навчаються на діях, які рекламодавець назвав успіхом.
Корисний сигнал поєднує швидкість, достатній обсяг і реальну цінність для бізнесу.
Невдача на $180 000 показала, чому перевірка кваліфікації та виручки має перебувати поза рекламним інтерфейсом.