DV360: automated & custom bidding

En la actualidad, dentro de la compra programática de medios digitales existen muchas formas de llegar nuestros públicos objetivo, y multitud de herramientas y tecnologías que facilitan la activación de campañas para ser lo más eficientes posible cuando nos comunicamos con ellos. Hoy, nos centraremos en la herramienta de compra publicitaria de Google, Display & Video 360 (DV360) y en cómo nos podemos servir de ella para automatizar procesos de optimización de nuestras campañas publicitarias.

Hasta hace poco, para poder optimizar campañas de publicidad programática se hacían pequeñas y grandes modificaciones diaria o semanalmente dentro de la plataforma, basándonos en el conocimiento de la persona que analiza los datos de rendimiento. Aún teniendo muy presentes los datos, era muy difícil, casi imposible, determinar de forma manual aquellas palancas concretas que fueron las causantes de los cambios en las tendencias de las métricas, y más difícil aún teniendo en cuenta las variables exógenas que influencian el rendimiento.

Es, por lo tanto, fundamental el ayudarnos de la inteligencia artificial para apoyar la toma de decisiones o ceder incluso parte de esta toma de decisiones a una IA con mayor capacidad de análisis en tiempo real, acceso y manipulación de una mayor cantidad de información, y con la certeza de basar sus decisiones en datos, y no en percepciones.

A lo largo de este artículo veremos las soluciones de automatización para la gestión de pujas que ofrece DV360 utilizando algoritmos de Google para predecir, en base a los KPIs de la campaña que hayamos definido, cuál es la propensión de que esa impresión sobre la que vamos a “pujar” se convierta finalmente en una conversión.

¿En qué consiste el autobidding?

A medida que cambia el comportamiento del cliente, el algoritmo automático de pujas tiene en cuenta aún más factores, al ajustar y predecir la propensión de esa impresión en las pujas, de los que están disponibles en la interfaz. No solo eso, esas decisiones de puja se toman de manera única para cada subasta en la que participa. Son ofertas muy específicas, realizadas de manera eficiente y a gran escala. En pocas palabras, Google aprovecha las mejores señales que tiene para ayudar a establecer una puja especifica en el momento en que ocurre la subasta.

¿Qué tipo de autobidding puedo aplicar?

Si voy a lanzar una campaña de performance:

"Maximize {KPI} while prioritizing spending my full budget" la prioridad cuando se aplica este objetivo en autobidding será maximizar el KPI seleccionado, sin perder de vista el presupuesto.
“Maximize clicks/Maximize conversions, while prioritizing a target {KPI}” en esta configuración la prioridad será conseguir el performance goal que le hemos fijado por lo que cabe la posibilidad de que no se consuma la totalidad del presupuesto asignado.
“Maximize Installs”, solo disponible a nivel line item, al igual que los anteriores este nos permitirá optimizar las pujas en base a un objetivo de aplicaciones instaladas.

Si voy a lanzar una campaña de brand:

"Completed in-view and audible" (solo vídeo) para priorizar la compra de impresiones donde el vídeo era visible al finalizar el mismo y el audio era audible.
"That were viewable for at least 10 seconds" (solo vídeo) para priorizar la compra de impresiones donde el vídeo estuvo visible durante 10 segundos o más.
"Viewable" (display y vídeo) para priorizar la compra de impresiones donde el anuncio de display o de vídeo era visible según Active View.

¿Qué debo tener en cuenta antes de lanzar una campaña con autobidding activado?:

Limitar el CPM medio / máximo es aconsejable, sobre todo al inicio, durante el periodo en el que el algoritmo va a estar aprendiendo, primeras 2-4 semanas, limitar el CPM medio, a pesar de que este ha de ser más elevado que el CPM objetivo, ya que debemos “permitir” que lo exceda teniendo en cuenta que esto será durante un periodo de tiempo limitado.
No es aconsejable aplicarlo en aquellos anunciantes que vayan a tener un bajo volumen de conversiones para el presupuesto dado, o bien el periodo de activación de campaña vaya a ser inferior a un mes, ya que las primeras dos semanas suelen ser el periodo mínimo en el cual el algoritmo va consiguiendo claves importantes para la toma de decisiones y por ello veremos fluctuar bastante las métricas de campaña, al fin y al cabo, hay un gran componente de aprendizaje en base a prueba y error.
Dependiendo del KPI, por ejemplo clics, al haber seleccionado este podríamos encontrarnos con que el delivery medio de la campaña al que estamos acostumbrados aumente significativamente al consiguiente aumento en los costes de Ad Serving (CM360).
Los objetivos que se fijan han de ser alcanzables, de lo contrario no va a ser capaz de entender correctamente y podremos tener problemas con el consumo diario y la performance, al no encontrar éxitos en su periodo de aprendizaje, o también por falta de “errores” de los cuales aprender.
Los grandes cambios afectan, en gran medida, el conocimiento de la IA, por ello es necesario hacer un seguimiento continuo:

¿Qué pasa si el autobidding no se ajusta a mis necesidades?

En una campaña de Display & Video 360 en la cual tenemos diferentes píxeles de conversiones, por lo cual la IA no diferenciaría entre unas y otras, ya que para ello son lo mismo, ponderaría de la misma manera una conversión en la suscripción a la newsletter que un alta de nuevo usuario, o compra en la web y de esta manera no optimizará correctamente a esas conversiones de mayor valor, ya que no sabe cuáles son.

Google también ofrece la funcionalidad de aplicar Custom Bidding en Display & Video 360, integrado en la plataforma en su versión final en Q4 2020.

Esta nueva herramienta de DV360 llega para nos permitirnos personalizar el modo en el que la IA de Google aprende y optimiza, permitiendo adaptar las necesidades de negocio al algoritmo de pujas automático.

Se trata de una nueva forma de volcar el conocimiento de negocio en el algoritmo de pujas automático que nos permite, por lo tanto, enseñar al algoritmo cuáles son los KPIs, conversiones o insights específicos que aportan valor en nuestra estrategia digital.

Mediante una pequeña pieza de código, script, insertada en DV360 como algoritmo personalizado “enseña” a la IA cuáles son aquellas conversiones de mayor valor para nosotros, ponderándolas con valores establecidos en el script previamente definidos por nosotros.

Ejemplo:

return sum_aggregate([

([total_conversion_count(Floodlight_ID_1, model_id)>0], total_conversion_count(Floodlight_ID_1, model_id)*weighting_1),

([total_conversion_count(Floodlight_ID_2, model_id)>0], total_conversion_count(Floodlight_ID_2, model_id)*weighting_2),

([total_conversion_count(Floodlight_ID_3, model_id)>0], total_conversion_count(Floodlight_ID_3, model_id)*weighting_3)

])

¿Cómo funciona?

Primero, debemos seleccionar un KPI, como los ingresos o el brand lift, que desea optimizar.

A continuación, se definen las señales de proxy que ayudan a predecir el éxito de ese KPI. Por ejemplo, se puede seleccionar el valor de la transacción como un proxy para los ingresos o la creative dimension como un proxy para el reconocimiento de marca.

Podríamos elegir como señal cualquier cosa que se pueda medir como una floodlight activity o un objetivo en Google Analytics 360.

Por último, crearemos un script que usa estas señales para asignar puntuación a las impresiones con el fin de definir cuánto vale cada impresión para nosotros, en función de su propensión estimada a mejorar el KPI elegido.

En resumen, aprovechar las capacidades que tenemos a nuestro alcance permite adaptarse de una mejor manera a los cambios que experimenta la industria y, de esta manera, poder brindar una estrategia personalizada para nuestros partners y clientes.

En Merkle somos especialistas en planificación estratégica, activación, optimización y medición de campañas de Programmatic Display mediante DV360, aprovechando todas las posibilidades que el stack tecnológico de Google Marketing Platform pone a nuestro servicio, siendo Google Sales Partner.

---------------------------------------------------------------------------------------------------------------------------------------------------------------------

Bibliografía: