Logo E-Commerce Brasil

Extraindo o melhor do machine learning no Google

Por: Bruna de Andrade Guinami

Analista de performance sênior na web.art group, graduada em publicidade, especialista em produtos Google Ads e apaixonada por análises com excelente senso analítico e crítico. Atua diariamente focada em extrair o melhor das campanhas de performance para e-commerce.

Veja como extrair o melhor machine learning na gigante das buscas.

Quando ouvimos falar no Google atualmente, a primeira coisa que vem em mente é uma extraordinária inteligência que sempre nos ajuda a encontrar o que estamos procurando. De uns tempos para cá, essa superinteligência nada mais é do que a tecnologia machine learning. Traduzindo, é o aprendizado de máquina, que é quando o algoritmo reconhece padrões de comportamento e os transforma em mais conhecimento para ser cada vez mais assertivo em seu trabalho.

Com a expansão do machine learning e as campanhas cada vez mais automatizadas, talvez muitos tenham a sensação de que estamos perdendo o controle do gerenciamento das campanhas. Como o próprio Google nos assegura, podemos confiar no machine learning e nas estratégias de lances automáticos e ainda usar alguns recursos para ajudar o aprendizado de máquina a evoluir mais rápido e não perder o controle da entrega de resultado.

As estratégias de lances automáticos são a melhor forma de estar dentro dos principais leilões do Google, com o melhor custo e pagando só o necessário para estar em uma posição que gere o melhor desempenho naquele momento. Por conta do machine learning, o valor pago no momento do leilão é apenas um dos inúmeros fatores a serem considerados, como dispositivo, local, hora, contexto em que cada pesquisa é efetuada e muitos outros aspectos.

Com todo esse poder dos lances e das campanhas, não significa que vamos deixar as campanhas e verbas na mão do algoritmo sem fazermos mais nada. Existem algumas estratégias que nos ajudam a extrair o melhor de toda essa inteligência artificial:

1. Realizar planejamento de ações com antecedência

As campanhas e as estratégias de lances inteligentes estão cada vez mais rápidas em aprender. No entanto, ainda é necessário que elas tenham tempo hábil para gerar dados suficientes e começar a realizar uma entrega de impressões e cliques. Isso porque elas ainda possuem um tempo de aprendizagem e podem levar, dependendo do volume da conta, muito tempo até que o machine learning obtenha insumos suficientes para começar a trabalhar e ter uma melhor performance.

Dessa forma, campanhas com tempo curto de duração e programadas em cima da hora dificilmente terão um bom desempenho. Por isso, a importância de ter um bom planejamento sobre as ações que irão ser feitas ao longo do mês. Assim, conseguiremos programar tudo com antecedência e deixar a ferramenta trabalhar com mais tranquilidade e precisão.

2. Não realizar ações bruscas de budget

Uma observação importante é para as ações bruscas em campanhas inteligentes, principalmente se tratando de alteração de orçamento ou modificação de lances. É preciso tomar cuidado, pois alterações muito discrepantes às que estavam sendo realizadas podem fazer com que a campanha entre em modo de aprendizagem novamente e leve mais algum tempo para retomar ao modo normal.

Visto isso, o mais indicado, principalmente em contas com volume baixo e mediano, é de que essas alterações sejam feitas de forma gradativa.

3. Controle sobre o consumo do orçamento de uma campanha inteligente

É muito comum definir um determinado budget, querer que ele seja totalmente utilizado em uma campanha de estratégia de lances inteligentes e esse orçamento não ser totalmente usado, mesmo quando estamos trabalhando com um amplo portfólio de recursos. Quando ocorre esse tipo de comportamento, é preciso se atentar aos detalhes das estratégias que estão em uso.

Por exemplo, se usarmos ROAs desejados (valor médio de conversão que se deseja receber a cada real gasto em anúncios) como estratégia de lance e nossas campanhas não estiverem recebendo cliques suficientes, mesmo tendo um budget alto e muitos recursos de textos, podemos tentar melhorar esses resultados reduzindo a trava de ROAs. Dessa maneira, estaremos dando mais liberdade e espaço para o machine learning buscar mais oportunidades de tráfego e até mesmo conversão, dependendo do objetivo.

4. Título de produto x smart shopping

Como sabemos, a campanha de smart shopping não utiliza palavras-chave. Dessa forma, o algoritmo busca todo o conteúdo que o usuário está pesquisando naquele momento e milhares de outros sinais para conseguir dar um match na busca e então mostrar o produto certo na hora certa para o usuário.

Para ter uma melhor performance nesse tipo de campanha, um ponto de atenção que se deve ter na hora do cadastro é o título do produto que será anunciado, pois, se esse título não estiver de acordo com os termos mais buscados, com poucas informações, ou não tiver uma mensagem relevante e objetiva, pode dificultar o trabalho do machine learning, fazendo com que perca relevância na hora da procura do usuário propenso a uma conversão.

Portanto, a melhor estratégia para estruturar o título de cada produto é realizar uma pesquisa para saber quais são os termos mais buscados pelos usuários, e também o que eles levam em consideração ao realizarem a compra, seja tamanho, cor, diferencial que aquele produto possui, voltagem ou diversas outras características.

5. Estrutura e divisão de smart shopping campaigns

Sabemos que as campanhas de smart shopping precisam de volume de dados para ter uma boa performance. Muitas vezes, podemos acreditar que aglomerar todos os produtos de portfólio dentro de uma mesma campanha seja o melhor caminho para gerar volume, mas uma ótima estratégia para e-commerces que possuem muitas categorias é separá-las de acordo com seus objetivos. Por exemplo:

A. Divisão por volume de buscas

Categorias que possuem muito volume de buscas podem acabar ofuscando outras que não possuem a mesma relevância.  Porém, sabemos que girar estoque é mais do que necessário e não podemos apenas focar na performance dos produtos de curva A. Por isso, usar a tática de separar produtos em diferentes campanhas de smart shopping é uma ótima opção para determinarmos um budget e um tROAs (target ROAs) para categorias específicas, e assim não deixar que nenhum grupo de produtos seja absorvido pela maior relevância de outros.

B. Divisão por margem de contribuição

Outra grande carta na manga é utilizar a divisão de campanhas de smart shopping pensando na margem de contribuição que cada categoria ou produto traz. Desse modo, podemos oferecer uma verba mais ampla e um retorno de investimento (tROAs) menor para categorias ou produtos que contenham uma margem de contribuição melhor, ou um budget tímido, e tROAs mais expressivos para as que oferecem uma margem de contribuição inferior. Sendo assim, conseguimos equilibrar a rentabilidade da operação e oferecer maior visibilidade para os produtos que oferecem um melhor retorno, se essa for a estratégia.

C. Divisão por produtos promocionais e sazonais

Na grande maioria das vezes, a própria ferramenta prioriza a entrega de produtos que estão com preços competitivos perante o mercado ou que estão com uma demanda alta de buscas. No caso de produtos sazonais, entretanto, uma forma de potencializar ainda mais essa estratégia é incluí-los em uma campanha única de smart shopping e oferecer um investimento exclusivo apenas para esses itens. Assim, conseguimos oferecer maior destaque e visibilidade para essa seleção, priorizando o seu desempenho.

Para finalizar, são infinitas as formas que podemos usar para extrairmos o máximo das campanhas de smart shopping. Independentemente do objetivo, o mais importante é alinhar expectativas e ações sempre com antecedência e deixar o machine learning aprender e ter tempo hábil para trabalhar.

Leia também: CEO da LiveSEO fala sobre naturalidade da Inteligência Artificial para o Google