Man kann durchaus sagen, dass maschinelles Lernen in Google AdWords das dominierende Thema der vergangenen Monate war und auch weiterhin sein wird. Nicht umsonst stand auch die letzte Google Marketing Next Keynote ganz im Zeichen von maschinellem Lernen und den verschiedenen Einsatzbereichen.
Aktuell kommt maschinelles Lernen vor allem im Bereich der automatischen Gebotsstrategien (Smart Bidding) und der Anzeigenauslieferung (Anzeigenrotation) zum Einsatz. Darüber hinaus hat Google letztes Jahr mit „Smart-Displaykampagnen“ ein vollautomatisiertes Kampagnenformat vorgestellt, bei dem der Großteil der Erstellung und Verwaltung der Kampagne von Google übernommen wird.
Smart Bidding
Unter Smart Bidding werden unterschiedliche automatisierte Gebotsstrategien zusammengefasst, bei denen maschinelles Lernen zum Einsatz kommt. Google greift dabei für jede auf zahlreiche Signale zurück um die Gebote für einzelne Anzeigenauktion anzupassen und um Werbetreibende bei der Erreichung ihrer Ziele zu unterstützen.
- Ziel-CPA: Die Gebote werden automatisch so festgelegt, dass möglichst viele Conversions bei einem maximalen CPA-Wert erzielt werden.
- Ziel-ROAS: Bei dieser Gebotsstrategie steht das Erreichen möglichst vieler Conversions bei einem angestrebten Verhältnis zwischen durchschnittlichem Conversion Wert und eingesetztem Medienbudget (ROAS: Return on Ad Spend) im Fokus.
- Conversions maximieren: Das System zielt auf die maximale Generierung von Conversions ab, ohne dabei durch weitere Vorgaben wie Umsatz oder Akquisekosten eingeschränkt zu sein.
- Auto-optimierter CPC: Diese Gebotsstrategie ist für viele Werbetreibende der Einstieg in die Welt des Smart Biddings. Die Gebotsstrategie passt die manuell definierten CPC Gebote nach oben (bis zu 30%) oder unten (bis zu 100%) an, je nachdem wie hoch die Wahrscheinlichkeit für eine Conversion ist.
Maschinelles Lernen punktet vor allem in Kombination mit größeren Datenmengen, da das System schneller Lernen und somit bessere Entscheidungen treffen kann. Laut Google liegt das Minimum bei 30 Conversions in 30 Tagen für die Verwendung des Gebotsstrategie „Ziel-CPA“ und bei 50 Conversions für die Verwendung der Gebotsstrategie „Ziel-ROAS“.
Gerade bei kleinen Konten kann es mitunter schwierig werden diese Mindestanforderungen zu erfüllen, vor allem wenn sich das Unternehmen im B2B Bereich bewegt. Hier ist es oftmals ratsam, das Conversion Tracking auf kleinere, dem Hauptziel vorgelagerte Aktionen (Micro Conversions) auszudehnen um die verfügbare Datenbasis zu erhöhen.
Quelle: Google Automated Bidding Guide
Ein weiterer Punkt, der gerade bei kleinen Konten oftmals in Konflikt mit Smart Bidding steht ist die Granularität der Kampagnenstruktur. Hier gilt es zwischen den Vorteilen einer feingliedrigen Kampagnenstruktur mit zahlreichen, thematisch gruppierten Anzeigengruppen und der Verfügbarkeit von Daten auf Anzeigengruppen-Ebene abzuwägen. Laut Google funktioniert Smart Bidding am besten in Verbindung mit größeren Datenmengen und rät davon ab, Kampagnen in zu viele Anzeigengruppen zu segmentieren. Dies widerspricht jedoch der gängigen Praxis vieler Werbetreibender, die seit vielen Jahren großen Wert auf feingliedrige Kampagnenstruktur legen, bei denen auch Anzeigengruppen für einzelne Keywords (Single Keyword AdGroups) zum Einsatz kommen.
In einem Gastbeitrag auf Search Engine Land weist Matt Lawson (Director of Performance Ads Marketing for Google) auf die Nachteile einer zu starken Segmentierung bei der Kampagnenstruktur hin. Eines seiner Argumente bezieht sich darauf, dass solche Kampagnenstrukturen darauf abzielen, was Smart Bidding bereits macht, nämlich die Anzeigenauslieferung auf Basis des Nutzungskontextes auszurichten. Bis zu einem gewissen Grad stimme ich mit dieser Argumentation überein, aber vor allem bei kleineren Konten ist die Verwendung von Smart Bidding auf Grund der geringen Datenbasis oftmals nicht möglich. In dem Beitrag dürfte er sich jedoch vorwiegend auf Konten beziehen, bei denen Kampagnen auf Basis von Endgeräten oder Keyword-Optionen segmentiert werden, was wiederum auf größere Werbekonten hindeutet, wo es dann durchaus eine große Datenbasis gibt, mit denen Smart Bidding arbeiten kann.
Dieser Konflikt zwischen Empfehlungen und etablierter Praxis passt auch gut mit der Kontroverse um die weitere Ausdehnung der Keyword-Option „genau passend“ zusammen. Während Werbetreibende einen Verlust von Kontrolle über die Anzeigenauslieferung beklagen, argumentiert Google mit der besseren Abdeckung von Suchanfragen. Für viele war dies auch ein weiteres Indiz dafür, dass sich die Suchmaschinenwerbung in Zukunft weg von der Anzeigenschaltung auf Basis zuvor definierter Keywordlisten und hin zur Ausrichtung nach Suchintentionen bewegt. Wenn man bedenkt, wie schnell der Anteil an Suchanfragen über die Sprachsuche steigt und diese vorwiegend in einer natürlichen Sprache und nicht in Form von Keywords getätigt werden, ist dies sicher etwas, mit dem sich Werbetreibende in Zukunft auseinandersetzen müssen.
Anzeigenrotation
Google hat die Auswahlmöglichkeiten für die Anzeigenrotation auf zwei Optionen – „optimieren“, bzw. „nicht optimieren“ – reduziert und empfiehlt zudem pro Anzeigengruppe 3-5 Anzeigenvarianten zu testen und die Auslieferung durch das System optimieren zu lassen.
Auch hier steht die Empfehlung von Google in Konflikt mit der gängigen Praxis vieler Werbetreibender, die Anzeigen Split-Tests manuell durchgeführt und ausgewertet haben. Man muss hier jedoch auch erwähnen, dass kleine Werbekonten immer vor dem Problem standen, dass es sehr lange dauern konnte, bis manuell durchgeführte Tests zu einem statistisch signifikanten Ergebnis kamen, da sich die Zugriffe auf zu viele Anzeigengruppen aufgeteilt haben. Dass die Ergebnisse dann ohnehin wenig aussagekräftig waren, weil sie auf Grund der langen Dauer durch saisonale Effekte verzerrt wurden ist wieder ein eigenes Thema.
In einem manuellen Split-Test werden zwei oder mehrere Anzeigen gleichmäßig geschaltet um auf Basis statistisch signifikanter Daten eine Gewinner-Variante zu ermitteln.
In einem weiteren Gastbeitrag erläutert Matt Lawson (Director of Performance Ads Marketing for Google), warum die Tage der manuellen A/B Split-Tests vorüber sind. Insbesondere empfiehlt er Werbetreibenden, sich von der Klickrate als Erfolgskennzahl zu lösen. Auch Martin Röttgerding von Bloofusion ist bei der letzten HeroConf in London auf dieses Thema eingegangen und wird auch auf der nächsten SMX in München einen Vortrag zu diesem Thema halten. Vor allem die Auswertung von Split-Tests auf Basis aggregierter Daten kann zu falschen Schlüssen führen, da die Daten bei einer weiteren Segmentierung (z.B. Suchnetzwerk vs. Suchpartner, Endgeräte) komplett anders aussehen können. Melissa Mackey kontert in dieser Debatte mit dem Hinweis auf Fälle, bei denen Google die Anzeigenauslieferung bereits nach wenigen Klicks zu Gunsten einer bestimmten Variante gewichtet hat.
Dieser Einwand deckt sich mit eigenen Erfahrungen, bei denen Google wirklich sehr rasch eine bevorzugte Anzeigenvariante identifiziert hat. Dies soll jedoch nicht als „Beweis“ für die fehlende Effektivität der optimierten Anzeigenauslieferung verstanden werden. Vielmehr sollte man die beiden Optionen testen und die Ergebnisse auf Basis einer ausreichenden Datenmenge genau evaluieren.
Auswirkungen auf die Verwaltung von Kampagnen
Die von Google in den vergangenen Jahren vorgenommenen Änderungen wurden oftmals mit dem Hinweis auf den damit einhergehenden Verlust von Kontrolle kritisiert. Dies war vor allem bei der Aufweichung der Keyword-Option „genau passend“ und der Reduktion der Optionen für die Anzeigenrotation der Fall. Auch die Rolle von Werbetreibenden in einer Zukunft des maschinellen Lernens wurde bereits in mehreren Beiträgen diskutiert. Jeff Baum meint in einem Beitrag auf PPC Hero, dass sich die Rolle von Werbetreibenden auf Grund von maschinellem Lernen wandeln wird. Die Ressourcen, die durch die Automatisierung von Routinetätigkeiten frei werden, können vor allem für strategische Themen eingesetzt werden.
Ist maschinelles Lernen in Google AdWords nun Fluch oder Segen?
Egal, wie man zu dem Thema maschinelles Lernen stehen mag, es ist davon auszugehen, dass ihm auch in Google AdWords eine immer größere Rolle zukommen wird. Dies wird vor allem Routinetätigkeiten wie die Anpassung von CPC Geboten und die Anzeigenauslieferung, aber auch weitere Bereiche der Kampagnenverwaltung betreffen. Gerade bei diesen Routinetätigkeiten ist die Berücksichtigung zahlreicher Kontextsignale in Echtzeit sicher ein großer Vorteil (und somit ein Segen), da dies bei einer manuellen Verwaltung nicht möglich wäre.
Bei anderen Bereichen wie der automatischen Erstellung und Optimierung von Kampagnen (z.B. Smart Display Kampagnen) oder dem Hinzufügen neuer Anzeigentexte durch Google (erste Tests wurden bereits in den USA durchgeführt) bin ich sehr skeptisch. Hier stoßen Automatismen aus meiner Sicht an ihre Grenzen, da sie auf viele Signale, die nicht im System abgebildet werden (z.B. Unternehmensziele, Kampagnenziele, Vorgaben für die Anzeigenredaktion, etc.) nicht zugreifen können.
Fazit
Der Einsatz von maschinellem bietet bereits jetzt zahlreiche Vorteile und unterstützt Werbetreibende bei der Verwaltung ihrer Kampagnen und der Erreichung ihrer Werbeziele. Gewisse Tätigkeiten, wie die Anpassung von CPC Geboten können durch Smart Bidding auf Basis zahlreicher Kontextsignale für jede Anzeigenauktion individuell und in Echtzeit durchgeführt werden. Die Berücksichtigung all dieser Signale ist bei einer manuellen Verwaltung nicht möglich. Der (erfolgreiche) Einsatz von maschinellem Lernen wird durch das Vorhandensein einer möglichst großen Datenbasis begünstigt, was vor allem für kleine Werbekonten ein Problem darstellen kann, da die Mindestangaben nicht, bzw. nur für Micro Conversions erreicht werden können.
Es ist jedoch davon auszugehen, dass maschinelles Lernen in Zukunft eine immer größere Rolle bei der Erstellung, Verwaltung und Optimierung von Kampagnen spielen wird. Dies betrifft einerseits die laufende Verbesserung der Systeme im Hintergrund und andererseits das Angebot vollautomatischer Kampagnenformate wie Smart Display-Kampagnen.
