Het algoritme achter Google Ads wordt slimmer en slimmer

Om te beginnen; wat is machine learning? 

Machine learning is een vorm van kunstmatige intelligentie (AI). Het is een zelflerend algoritme dat met de tijd steeds beter gaat presteren aan de hand van verzamelde data. Dit gebeurt geheel automatisch. Binnen Google Ads verzamel je doorgaans enorm veel informatie over de prestaties van jouw campagnes. Het is ingewikkeld en tijdrovend om hier handmatig op te sturen en daarom helpt Google jou om bijvoorbeeld zoveel mogelijk conversies te realiseren tegen het beschikbare budget. Dat klinkt natuurlijk fantastisch, maar moeten we hier nu wel zo blij van worden?

Eerst even een stapje terug ...

Binnen Google Ads kun je instellingen doen op verschillende niveaus:

• Het account
• Campagnes
• Advertentiegroepen
• Advertenties, zoekwoorden en doelgroepen

Afhankelijk van je strategie en visie richt je het account in aan de hand van deze niveaus. Je zult daarom zien dat elke Google Ads specialist de inrichting van een account net even anders doet. Op elk niveau heeft Google de nodige updates doorgevoerd. Daar zoomen we hieronder verder op in.

Machine learning en data gedreven attributie

Een belangrijke update op account-niveau is de overstap van Google Ads naar een data-driven-attributiemodel. Deze update heeft een grote invloed op het meten van conversies. Eerder was er sprake van een last-click-attributiemodel. Dat houdt in dat een conversie enkel en alleen werd toegeschreven aan de advertentie die de laatste klik heeft verstuurd. 

Bij datagedreven attributie wordt machine learning ingezet om te bepalen welke verschillende ‘touchpoints’ een bijdrage (attributie) hebben geleverd aan het realiseren van de conversie. Het kan bijvoorbeeld zijn dat de eerste klik op een search advertentie is geweest en dat iemand daarna via een remarketing campagne op Youtube over is gegaan tot de sale. In dat geval wordt de conversie toegekend aan beide campagnes.

Iets vergelijkbaars kennen we ook binnen de affiliate branche. Daar kwam TradeTracker een paar jaar geleden al met een soortgelijk attributiemodel. Als voorbeeld: een publisher weet iemand via een blogartikel te inspireren om naar een mooi land te gaan. Een andere publisher weet die persoon te interesseren voor heel luxe resort in dat land. En een derde publisher zorg ervoor dat die persoon de accommodatie gaat boeken bij TUI, want daar hebben ze op dat moment een hele goede aanbieding. In dit voorbeeld worden alle 3 de publishers (verschillend) beloond voor hun bijdrage (attributie) en dat is natuurlijk wel zo eerlijk. 

Bij datagedreven attributie zouden adverteerders meer conversies tegen lagere kosten moeten kunnen realiseren. Zowel Google als TradeTracker kunnen namelijk beter beoordelen welk kanaal en welke uiting nu daadwerkelijk de meeste bijdrage heeft geleverd aan het realiseren van de sale. Super handig! Of maakt dit het juist extra ingewikkeld? 

De Hagakure structuur: search campagnes en machine learning

Ook binnen campagnes en advertentiegroepen heb je te maken met machine learning en je vraagt je nu misschien het volgende af: hoe kan ik, als SEA specialist, machine learning het beste gaan inzetten? Het antwoord: de Hagakure structuur. Hagakure is een manier waarop je jouw Google Ads account kunt inrichten, waardoor je optimaal gebruik maakt van machine learning.

Oké interessant, maar hoe doe ik dat dan? De Hagakure structuur gaat uit van twee automation mogelijkheden en combineert deze met elkaar. Dit zijn:

• De automatische biedstrategieën (smart bidding).
• Dynamische zoekadvertenties (dynamic search ads of DSA)

Automatische biedstrategieën

Automatische biedstrategieën hebben als doel om zoveel mogelijk sales of leads te realiseren met een vast budget of vaste ROI (return on investment). Een ander doel kan zijn om een zo hoog mogelijke winst te halen met een vast budget of een vast rendement op advertentie-uitgaven (ROAS = return on advertising spend). Om het iets concreter te maken, je hebt dus de volgende automatische biedstrategieën:

Bij de Hagakure structuur heeft de campagne één van bovenstaande biedstrategieën. Onder die campagne hangen meerdere advertentiegroepen, elk met een eigen bestemmings-url en brede zoekwoorden. Deze structuur staat dus haaks op de traditionele methode waarbij je uitgaat van single keyword adgroups (SKAG). Brede zoekwoorden en een automatische biedstrategie vormen een ideale combinatie voor machine learning.

Dynamische zoekadvertenties

Ook maak je bij Hagakure gebruik van één of meerdere dynamische advertentiegroepen om extra zoekopdrachten te genereren. Dit zijn zoekopdrachten die je met de standaard advertentiegroepen niet meepakt. Je kunt, als je campagnes voor een webshop beheerd, bijvoorbeeld voor elk type product een dynamische advertentiegroep maken of juist één dynamische advertentiegroep voor alle producten. Dat laatste kan soms handig zijn, want elke advertentiegroep moet minimaal 3000 impressies per week genereren bij deze structuur. 

Bij de Hagakure structuur heeft de campagne één van bovenstaande biedstrategieën. Onder die campagne hangen meerdere advertentiegroepen, elk met een eigen bestemmings-url en brede zoekwoorden. Deze structuur staat dus haaks op de traditionele methode waarbij je uitgaat van single keyword adgroups (SKAG). Brede zoekwoorden en een automatische biedstrategie vormen een ideale combinatie voor machine learning.

De voordelen van de Hagakure structuur:

• De inrichting van het Google Ads account is bij de Hagakure structuur heel overzichtelijk en makkelijk te beheren.
• Bij de Hagakure structuur wordt heel veel data verzameld en machine learning wordt optimaal toegepast.

De nadelen van de Hagakure structuur:

Bij de Hagakure structuur heb je als SEA specialist minder grip op de uitgaven binnen je account doordat Google bepaalde keuzes voor je maakt. 
Bij de Hagakure structuur wordt er breder ingekocht en dus minder specifiek geadverteerd. Dat betekent dat je er als SEA specialist op moet vertrouwen dat Google relevante bezoekers naar de website stuurt. Daar heb je zelf minder invloed op.  

Nieuw van Google in 2021: Performance Max

Zoals je hierboven hebt kunnen lezen, kon je op campagne niveau al tal van automatische biedstrategieën kiezen. Een strategie als conversies maximaliseren is dus zeker niet nieuw. Wat wel nieuw is, is de campagnevorm Performance Max. Performance Max kan sinds mei 2021 als BETA worden aangevraagd binnen Google Ads. Bij deze vorm wordt de omzet of het aantal leads gemaximaliseerd over alle Google platformen, waarbij er een vergaande vorm van machine learning en automatisering wordt gebruikt. Dit type campagne kan een goede aanvulling zijn op de bestaande search campagnes (met Hagakure structuur). Performance Max ads lopen op YouTube, Display, Search, Discover, Gmail en maps vanuit één enkele campagne. Als marketeer voeg je logo’s, afbeeldingen, koppen, beschrijvingen, een landingspagina-url en een ‘customer-match’ lijst toe. De rest wordt volledig afgehandeld door Google. Zelfs zoekwoorden hoeven niet ingevuld te worden.  

Uitgebreide tekstadvertenties exit, machine learning it is!

Op dit moment zijn er nog drie type tekstadvertenties die je bij een advertentiegroep in Google Ads kunt aanmaken, maar daar gaat binnenkort verandering in komen. Hieronder leggen we kort het verschil uit tussen de huidige type tekstadvertenties.

Responsive tekstadvertenties

Responsive tekstadvertenties zijn advertenties die door Google worden samengesteld. Je kunt zelf 14 koppen en 4 beschrijvingen instellen en Google pakt de beste combinatie van koppen voor de beste CTR en het beste resultaat. Wel kun je zelf nog aangeven per kop of deze op positie 1, 2 of 3 moet komen te staan. Dit kun je doen door de kop ‘vast te pinnen’.

Dynamische tekstadvertenties

Dynamische tekstadvertenties worden gegenereerd op basis van een URL die je opgeeft. Google maakt aan de hand van de bestemmingspagina en de zoekopdracht van de gebruiker een zo relevant mogelijke advertentie met dynamisch gegenereerde koppen.

Uitgebreide tekstadvertenties

Uitgebreide tekstadvertenties zijn een variant op de eerdere tekstadvertenties. Hier is het mogelijk om een derde kop toe te voegen en een tweede beschrijving. Daarnaast kun je tot negentig tekens gebruiken voor elke beschrijving. Zo heb je als SEA specialist meer ruimte om je boodschap over te brengen.

Google gaat per 30 juni 2022 stoppen met de uitgebreide tekstadvertenties en dat is een ingrijpende update! Dat betekent dat er vanaf dat moment vooral gebruik gemaakt gaat worden van de responsive variant en dat je als marketeer minder invloed hebt op de inhoud van je advertentie. Ook is het gecontroleerd a/b-testen van advertenties straks niet meer mogelijk. Nu is het raadzaam om twee uitgebreide tekstadvertenties en één responsive advertentie tegen elkaar te laten concurreren. 

De advertentie met het beste doorklikpercentage (CTR = click through rate), wordt vaker vertoond. Meerdere responsive tekstadvertenties tegen elkaar te laten concurreren is niet ideaal. De responsive variant veranderd bij elke weergave door gebruik te maken van de verschillende koppen en beschrijvingen die er zijn. Dat maakt a/b-testen vrijwel onmogelijk. Kortom, op advertentieniveau zal er meer machine learning toegepast gaan worden en komt er meer macht bij Google te liggen.

In het voorbeeld hierboven kun je met de brede zoekwoorden ook op zwarte sneakers gevonden worden. Bij broad match modifier kun je onder andere gevonden worden op witte sneakers Nike en witte sneakers aanbieding. Bij phrase match kun je in dit geval ook gevonden worden op witte schoenen. En, tot slot, bij exact kom je alleen naar boven in de zoekresultaten als iemand letterlijk witte sneakers intypt in Google.

Nu gaat bovenstaande net even anders werken. Broad match modifier is uitgefaseerd en vervangen door een verbeterde versie van phrase match. Deze verbeterde versie heeft een groter bereik. De oude broad match modifier zoekwoorden kunnen nog wel in het account staan, maar zullen werken volgens het nieuwe phrase match type. Concreet betekent dit dat je verkeer kunt mislopen, als je hiervoor veel gebruik hebt gemaakt van broad match modifier. 

In dit geval is het aan te raden om te gaan testen met broad match (brede zoekwoorden) in combinatie met een automatische (slimme) biedstrategie, zoals hierboven beschreven. Smart bidding zorgt ervoor dat de relevantie van broad match zoekwoorden toeneemt. Meestal zijn marketeers huiverig voor deze variant omdat het risico er is dat er ook ingekocht wordt op zoekwoorden die minder relevant zijn. Dus ook op zoekwoordniveau zul je steeds meer op Google moeten vertrouwen.

Doelgroepen: geoptimaliseerde targetting via machine learning

Doelgroepen en segmenten binnen Google Ads worden samengesteld via zogenaamde Third-party cookies, die het websitebezoek en klikgedrag van gebruikers tracken. Third-party cookies gaan echter verdwijnen en alternatieven om gebruikers te targetten zullen steeds belangrijker worden. Het blokkeren van third-party cookies in Chrome is uitgesteld tot 2023, maar Google zet ondertussen wel in op first-party data en geoptimaliseerde targetting via machine learning.

Customer match met first-party data

Doordat Google third-party cookies gaat vermijden, zal first-party steeds belangrijker worden. Bij first-party data kun je denken aan mailadressen van klanten, nieuwsbrief aanmelders en mensen die bijvoorbeeld een whitepaper hebben gedownload of een contactformulier hebben ingevuld. Customer match geeft adverteerders de mogelijkheid om een lijst met mailadressen te uploaden en deze gebruikers te targetten over alle netwerken, wanneer ze zijn ingelogd binnen Google.

Geoptimaliseerde targetting via machine learning

Naast customer match kunnen SEA specialisten zelf doelgroepen selecteren om te targetten of te monitoren. Geoptimaliseerde targetting gaat echter een stuk verder dan dat. Afhankelijk van het doel van je campagne kan geoptimaliseerde targetting helpen om nieuwe en relevante doelgroepen (audiences) te bereiken, waarbij de kans groter is dat ze converteren. 

Er wordt op basis van real-time conversie data een profiel samengesteld van een potentiële converteerder. Dat is inclusief data van specifieke Google zoekopdrachten en zoekwoorden op landingspagina’s of in de advertentie-uitingen. Het opstellen van een dergelijk profiel en het inschatten van de kans dat iemand gaat converteren is een vergaande vorm van machine learning.

Je gebruikt geoptimaliseerde targetting in de volgende situaties:

• Als je advertenties wilt serveren aan doelgroepsegmenten die naar alle waarschijnlijkheid het beste converteren.
• Als je nieuwe klanten wilt bereiken en ontdekken buiten de bestaande doelgroepsegmenten.
• Als je het aantal conversies wilt verhogen zonder verdere verhoging van biedingen of de kosten per klant. 

Geoptimaliseerde targetting levert dus een aantal voordelen op. Het versimpelt doelgroeptargetting en optimalisatie. Het werkt over verschillende netwerken en audiences (doelgroepen). En biedt je de mogelijkheid om je bereik te vergroten en een publiek te bereiken dat snel geneigd is te converteren. Machine learning doet het werk!

Conclusie

We begonnen dit artikel met de vraag of SEA specialisten straks compleet overbodig zijn. Ons antwoord; waarschijnlijk niet. In de praktijk is het zelden het geval dat een account groot genoeg is om volledig te kunnen vertrouwen op machine learning. Maar eerlijk is eerlijk; als een groot Google Ads account wel volledig is ingericht op machine learning, dan zou je als SEA specialist nog maar weinig hoeven te doen. Je kunt een Performance Max campagne draaien over alle platformen van Google. 

Je laat de search campagnes lopen met een slimme biedstrategie in combinatie met brede zoekwoorden en aangevuld met dynamische advertentiegroepen. Je gebruikt dynamische en/of responsive zoekadvertenties die zichzelf optimaliseren. En je zet alleen nog maar geoptimaliseerde targetting in bij doelgroepen. Het algoritme van Google doet de rest.

Of je echt zoveel ‘macht’ bij Google moet gaan neerleggen dat is natuurlijk de vraag, maar de manier waarop je het account inricht en beheert vraagt meer en meer om een andere benadering. Je hebt je eigen kennis, kunde en ervaring binnen het Ads account en als je dat goed weet te combineren met het slimme algoritme van Google: dan doe je goede zaken.