დღეს პროგრამატიკული რეკლამირების სფეროში აქცენტები ფუნდამენტურად იცვლება: ბრძოლა აღარ მიმდინარეობს მხოლოდ დაფარვის ან ჩვენებების რაოდენობისთვის, არამედ მათი რეალური ხარისხისა და ფინანსურ შედეგზე გავლენისთვის. ჩვენ ვცხოვრობთ „მონაცემთა ინფლაციის“ პერიოდში, როდესაც მხოლოდ კონვერსიის მიღება მოგებიანობის გარანტია აღარ არის.
ავტომატიზებული ბიდინგის სტრატეგიები წრფივ ლოგიკაზე მუშაობს. ისინი ეფუძნება პრინციპს: „ერთი კონვერსია = თანაბარი ღირებულება“. სისტემის პერსპექტივიდან, საინფორმაციო ბიულეტენის გამოწერა, პროდუქტისთვის კალათაში დამატება და პრემიუმ პროდუქტის შეძენა თითქმის ერთნაირი მნიშვნელობისაა, თუ ისინი მიზნებად არის კონფიგურირებული. თუმცა, რეალური ბიზნესისთვის ეს ასე არ არის. ასეთი საშუალო მიდგომა იწვევს იმას, რომ მარკეტინგული ბიუჯეტი ვერ კონცენტრირდება იმ მომხმარებლების მოზიდვაზე, რომლებსაც ბიზნესისთვის ყველაზე მაღალი ღირებულება მოაქვთ.
მედიის მეტრიკებსა და ბიზნესის რეალურ შედეგებს შორის არსებული სხვაობის დასაფარად, Google-მა შექმნა Custom bidding. ეს უნიკალური ფუნქციონალი DV360-ში ედვერთაიზერებს სტანდარტული KPI-ების ფარგლებს გარეთ გასვლის შესაძლებლობას აძლევს. Google-ის ავტომატიზებულ ბიდინგის სტრატეგიებთან ადაპტირების ნაცვლად, თქვენ შეგიძლიათ „ასწავლოთ“ AI-ს, შეაფასოს თითოეული ჩვენება კონკრეტულად თქვენი ბიზნესის მიზნებიდან გამომდინარე – პროდუქტის მოგების მარჟიდან დაწყებული, მომხმარებლის პროგნოზირებული სიცოცხლის ციკლის ღირებულებით (LTV) დამთავრებული.
ამ სტატიაში დეტალურად განვიხილავთ, როგორ მუშაობს ეს ტექნოლოგია, რატომ რჩება ის Google Marketing Platform-ის ეკოსისტემის უნიკალურ უპირატესობად და როგორ შექმნათ საკუთარი ალგორითმი, რომელიც თქვენი ბრენდისთვის რეალურ ღირებულებას შექმნის და არა მხოლოდ კლიკებს მოიტანს.
ფუნდამენტური განსხვავება: ძირითადი სხვაობები სტანდარტულ Auto-bidding-თან შედარებით
Custom bidding-ის შესაძლებლობების უკეთ გასაგებად, პირველ რიგში უნდა განვიხილოთ სტანდარტული სტრატეგიების მუშაობის პრინციპი. DV360-ში ავტომატიზებული ბიდინგი კამპანიების ოპტიმიზაციას ახორციელებს კლიკის, კონვერსიის ან ხილვადობის ალბათობის მიხედვით. AI მოდელი აანალიზებს ისტორიულ მონაცემებსა და აუქციონის 40-ზე მეტ სიგნალს, რათა თითოეული ჩვენება ოპტიმალურ ფასად შეიძინოს.
სტანდარტული მიდგომის პრობლემა მისი მიზნების შეზღუდულობაშია. თუ აირჩევთ „კონვერსიების მაქსიმიზაციას“ (Maximize Conversions), სისტემა თანაბრად შეეცდება მოიპოვოს როგორც მომხმარებელი, რომელიც დაბალფასიან პროდუქტს კალათაში ამატებს, ისე მომხმარებელი, რომელიც ძვირადღირებულ პროდუქტს ყიდულობს.
Custom bidding თამაშის წესებს ცვლის. საქმე არ ეხება ალგორითმის ნულიდან შექმნას – თქვენ უბრალოდ „აზუსტებთ“ Google-ის უკვე არსებულ მოდელებს. იყენებთ იმავე მძლავრ AI-ს, თუმცა თავად ანიჭებთ „წონას“ ან ქულას მომხმარებლის თითოეულ მოქმედებას.
ალგორითმების გამოყენების ოთხი მთავარი სცენარი
Custom bidding საშუალებას გაძლევთ იმუშაოთ მონაცემებთან, რომლებიც ადრე ფასის შეთავაზებების ავტომატური ოპტიმიზაციისთვის მიუწვდომელი იყო:
- Transaction ROAS
ოპტიმიზაცია პირდაპირ Floodlight-ის გაყიდვების თეგებით ან Google Analytics-ის მიზნებით გადაცემული შემოსავლის ღირებულებაზე. სისტემა ავტომატურად ცვლის ბიდებს ისე, რომ მაქსიმალურად გაზარდოს მთლიანი მოგება და არა უბრალოდ შეკვეთების რაოდენობა.
- Weighted Conversions
შეგიძლიათ გაყიდვების მთელი ძაბრი ალგორითმში ასახოთ. მაგალითად, პროდუქტის გვერდის ნახვას მიანიჭოთ 10 ქულა, რეგისტრაციას – 50, ხოლო შეძენას – 100 ქულა. ეს ალგორითმს გაცილებით სწრაფად სწავლაში ეხმარება, რადგან ის მომხმარებლის თითოეულ მოქმედებაში ღირებულებას ხედავს და არა მხოლოდ საბოლოო კონვერსიაში.
- ოპტიმიზაცია Customer Value-ის საფუძველზე
Floodlight-ში მორგებული ცვლადების (u-variables) ან GA4-ის მიზნების გამოყენებით, სისტემას შეგიძლიათ მიაწოდოთ ინფორმაცია კალათაში არსებული პროდუქტების, ჯავშნის ხანგრძლივობის, პროდუქტის SKU-ების ან მომხმარებლის ლოიალობის სტატუსის შესახებ. ალგორითმი უფრო მაღალ ბიდს შესთავაზებს იმ მომხმარებლისთვის, რომლის პროგნოზირებული საშუალო შეკვეთის ღირებულება (AOV) უფრო მაღალია.
- ბრენდთან კონტაქტის ხარისხი
მედია კამპანიებისთვის მნიშვნელოვანია არა მხოლოდ ის, რომ მომხმარებელმა რეკლამა ნახოს, არამედ ისიც, როგორ ნახა იგი. Custom bidding საშუალებას გაძლევთ გაითვალისწინოთ კრეატივის ზომა, გვერდზე რეკლამის პოზიცია, ვიდეოს ნახვის ხანგრძლივობა და Active View-ის მაჩვენებლები, რათა დარწმუნდეთ, რომ ბრენდი რეალურად ხვდება სამიზნე აუდიტორიის მხედველობის არეში.
Automated bidding-ისა და Custom bidding-ის შედარება
სტანდარტულ ბიდინგის სტრატეგიებსა და მორგებულ ალგორითმებს შორის მთავარი განსხვავება მდგომარეობს ჩვენების ორობითი შეფასებიდან დიფერენცირებულ, ინტელექტუალურ ქულაზე გადასვლაში.
1. ავტომატიზებული ბიდინგის მუშაობის ლოგიკა (სტანდარტული ავტომატიზაცია)
ტრადიციული პლატფორმების ალგორითმები მუშაობენ შედეგების შეფასების გამარტივებული სისტემით, სადაც მხოლოდ ორი მდგომარეობა არსებობს: „კი“ ან „არა“.
- შეფასების მექანიკა
თუ კამპანია, მაგალითად, ხილვადობის მეტრიკაზეა ოპტიმიზებული, რეკლამის დადასტურებულ ხილვას (Ad is Viewed) ღირებულების 100% ენიჭება. ამავდროულად, ჩვენება, რომელიც ხილვადი არ იყო (Ad is Not Viewed), სრულად არაეფექტურად მიიჩნევა და ღირებულების 0%-ს იღებს. - შეზღუდვები
ავტომატიზაციის ალგორითმი თავად ნახვის ხარისხობრივ მახასიათებლებს არ ითვალისწინებს. მისთვის ორი ხილვადი ჩვენება სრულიად თანაბარია, მაშინაც კი, თუ პირველ საიტზე მომხმარებელი რეკლამასთან 2 წამი ურთიერთქმედებდა, ხოლო მეორეზე – დიდ ეკრანზე 10 წამზე მეტხანს.
2. Custom bidding-ის მუშაობის ლოგიკა (მორგებული ალგორითმები)
მორგებული მიდგომა ედვერთაიზერებს საშუალებას აძლევს თავად განსაზღვროს, სიგნალებისა და ტექნიკური მეტრიკების რომელი კომბინაციები ქმნის ნამდვილად ხარისხიან მედიაკონტაქტს. მკაცრი „0 ან 100“ სკალის ნაცვლად ინერგება ღირებულების მოქნილი განაწილება სიგნალის სიძლიერის მიხედვით.
ერთი ჩვენების ღირებულება შეიძლება დინამიურად შეიცვალოს სამი ფაქტორის კომბინაციის გავლენით: ხილვადობა (Ad is Viewed), ეკრანზე გატარებული დრო (ToS > 10 sec) და კრეატივის ზომა (Large Creative):
- 100% ღირებულება (იდეალური ჩვენება)
ენიჭება მხოლოდ მაშინ, როდესაც სამივე კრიტერიუმი ემთხვევა – რეკლამა ხილვადი იყო, 10 წამზე მეტხანს გამოჩნდა და დიდი ზომის კრეატივი გამოიყენებოდა. - 70% ღირებულება (ფორმატის პრიორიტეტი)
ენიჭება, თუ რეკლამა ხილვადი იყო და დიდი ზომის კრეატივი გამოიყენებოდა, მაგრამ კონტაქტის ხანგრძლივობა 10 წამზე ნაკლები იყო. - 40% ღირებულება (ხანგრძლივობის პრიორიტეტი)
სისტემა აფიქსირებს შემთხვევას, როდესაც რეკლამა ხილვადი იყო და მომხმარებლის ყურადღებას 10 წამზე მეტხანს ინარჩუნებდა, თუმცა თავად კრეატივის ფორმატი სტანდარტული ან მცირე იყო.
რატომ არის ეს მნიშვნელოვანი კამპანიების ოპტიმიზაციისთვის?
Custom bidding-ის დანერგვა ძირეულად ცვლის DV360-ის ნეირონული ქსელის სწავლების მიმართულებას. იმის ნაცვლად, რომ ალგორითმმა ავტომატურად შეიძინოს ნებისმიერი ინვენტარი, რომელიც ფორმალურად ხილვადობის კრიტერიუმს აკმაყოფილებს, ის სწავლობს განსაზღვროს, რომელი ჩვენებები ქმნის ყველაზე დიდ ღირებულებას ბიზნესის მიზნების მისაღწევად.
Custom bidding-ის ტიპები
Custom bidding-ის გამოთვლა ეფუძნება მათემატიკურ მოდელირებას, რომელიც სხვადასხვა ტიპის სიგნალების ერთიან ჩვენების შეფასების სისტემაში გაერთიანების საშუალებას იძლევა. შედეგად, შესაძლებელი ხდება არა მხოლოდ იმის დაფიქსირება, შესრულდა თუ არა კონკრეტული მოქმედება, არამედ მისი კონტექსტის მიხედვით შეფასებაც.
მათემატიკური მოდელის კომპონენტები
ჩვენების ზუსტი შეფასებისთვის ალგორითმი აერთიანებს საბაზისო ქულებს და ამრავლებს მათ კოეფიციენტებზე, რომლებიც თავად ჩვენების ხარისხსა და პირობებს ასახავს.
- საბაზისო ქულები
ეს არის მომხმარებლის რეკლამასთან ურთიერთქმედების რაოდენობრივი მეტრიკები – მაგალითად, იყო თუ არა კონვერსია ან კლიკი. თითოეულ მოქმედებას ენიჭება საკუთარი წონა, რომელიც ბიზნესისთვის მის მნიშვნელობას ასახავს. - კოეფიციენტები (მამრავლები)
ეს არის ხარისხობრივი პარამეტრები, რომლებიც ჩვენების პირობების მიხედვით აძლიერებს ან ამცირებს საბაზისო მოქმედების ღირებულებას. მათ შორისაა მოწყობილობის ტიპი (მაგალითად, მობილური) ან რეკლამის პოზიცია საიტის გვერდზე.
ღირებულების გამოთვლის პრაქტიკული მაგალითი
სამი განსხვავებული სარეკლამო ჩვენება (A, B და C) ქულებისა და მამრავლების კომბინაციის წყალობით შესყიდვის ალგორითმისთვის სრულიად განსხვავებულ საბოლოო ღირებულებას იღებს.
- ჩვენება A (მაქსიმალური ღირებულება)
მომხმარებელმა განახორციელა კონვერსია (9 ქულა) და დააკლიკა რეკლამას (1 ქულა) მობილურ მოწყობილობაზე (მამრავლი 2) რეკლამის საუკეთესო პოზიციიდან (მამრავლი 5). გამოთვლის ფორმულა $(9 + 1) \times 2 \times 5$ იძლევა ჩვენების საბოლოო ღირებულებას 100. ეს მაღალი პრიორიტეტის ტრეფიკია, რომლისთვისაც სისტემა ყველაზე აქტიურად იბრძოლებს. - ჩვენება B (მინიმალური ღირებულება)
ამ შემთხვევაში კონვერსია არ ყოფილა (0 ქულა), დაფიქსირდა მხოლოდ კლიკი (1 ქულა) mobile მოწყობილობაზე (მამრავლი 2), ხოლო რეკლამის პოზიციის შესახებ მონაცემები არ არსებობს. ფორმულით $(0 + 1) \times 2$ გამოთვლა გვაძლევს ჩვენების საბოლოო ღირებულებას 2. ალგორითმი ასეთ ინვენტარს დაბალპრიორიტეტულად მონიშნავს. - ჩვენება C (ნულოვანი ღირებულება)
ჩვენება მოხდა რეკლამის კარგ პოზიციაზე (მამრავლი 4), თუმცა მომხმარებელს არც ერთი საბაზისო მოქმედება არ შეუსრულებია – არც კლიკი და არც კონვერსია (0 ქულა). მათემატიკური ლოგიკა $(0 + 0) \times 4$ გვაძლევს ჩვენების ღირებულებას 0. ალგორითმისთვის ასეთ ჩვენებას ღირებულება არ აქვს, ამიტომ სისტემა მსგავსი განთავსებებისთვის ბიუჯეტის ხარჯვას შეწყვეტს.
გავლენა ბიდინგის სტრატეგიაზე
ეს მიდგომა საშუალებას გაძლევთ, სტანდარტული ოპტიმიზაციის ფარგლებს გასცდეთ. იმის ნაცვლად, რომ ყველა კონვერსია ან კლიკი იდენტურად შეფასდეს, Custom bidding ეხმარება სისტემას დაინახოს, კონკრეტულად რა ფაქტორები ახლდა თან ამ კონვერსიას. თუ შეძენა განხორციელდა მობილური მოწყობილობიდან და პრემიუმ პოზიციიდან, ხელოვნური ინტელექტი მყისიერად ამოიცნობს ამ სიგნალს და ბიდინგის მოდელს ისე არეგულირებს, რომ მეტი ასეთი — მაღალი კონვერტაციისა და მაღალი ხარისხის – ინვენტარი შეიძინოს.
Attention-based bidding
თანამედროვე მედიაანალიზი სულ უფრო ნაკლებად ეყრდნობა კლიკების შეფასებას და უფრო მეტად ზომავს აუდიტორიის რეალურ ჩართულობას. Attention-based bidding სტრატეგია DV360-ში საშუალებას გაძლევთ ალგორითმი ისე მოარგოთ, რომ მან შეიძინოს ინვენტარი, რომელიც სარეკლამო შეტყობინებისადმი მომხმარებლის მაქსიმალურ ყურადღებას უზრუნველყოფს.
1. ჩვენების კონტექსტი (Placement & User Context)
სიგნალების ეს კატეგორია აღწერს გარე პირობებს, რომლებშიც სარეკლამო კონტაქტი ხდება. ისინი ასახავს, სად და როდის არის რეკლამა ნაჩვენები და სრულად დამოუკიდებელია თავად კრეატივის პარამეტრებისგან. მათ შორისაა:
- დრო და გეოლოკაცია
დღის საათი (Hour of Day), კვირის დღე (Day of Week) და მომხმარებლის გეოგრაფიული მდებარეობა (Geo). - ტექნიკური გარემო
ოპერაციული სისტემა (Operating System) და მოწყობილობის ტიპი (Device Type). - პლატფორმის ხარისხი
საიტის თემატური კატეგორია ან არხი (Site category/Channel), ასევე კონკრეტული დომენი (Site/Domain).
ეს მონაცემები სისტემას საშუალებას აძლევს წინასწარ ივარაუდოს ჩართულობის პოტენციალი – მაგალითად, შეამციროს ფასის შეთავაზებები ყველაზე დაბალი აქტივობის საათებში ან იმ საიტებზე, სადაც ყურადღების შენარჩუნების დონე დაბალია.
2. ჩვენების ხარისხი და ყურადღების მეტრიკები (Attention Proxies)
ეს Attention-based მოდელების ძირითადი ბლოკია. ყურადღების პროქსი-მეტრიკები ჩვენების ხარისხს აფასებს იმის მიხედვით, ჰქონდა თუ არა მომხმარებელს რეკლამის ფიზიკურად შემჩნევისა და აღქმის შესაძლებლობა. აქ შედის პარამეტრები, რომლებიც პირდაპირ გავლენას ახდენს ხილვადობასა და ურთიერთქმედებაზე:
- ხილვადობა და ხმა
ბანერის ან პლეერის ფაქტობრივი ხილვადობა (Viewable) და ვიდეოს დაკვრის დროს ჩართული ხმის არსებობა (Audible). - კონტაქტის დრო
რეკლამის მოწყობილობის ეკრანზე ყოფნის ხანგრძლივობა (Time on screen). - პლეერისა და კრეატივის მახასიათებლები
სარეკლამო ბლოკის ფიზიკური ზომა (Creative Size / Dimensions), ვიდეოინტერფეისის ზომები (Video Player Size), ასევე მომხმარებლის მიერ ფანჯრის ზომის შეცვლის ფაქტი (Video Resized).
მიდგომის ბიზნეს ღირებულება
კონტექსტური სიგნალებისა და ყურადღების მეტრიკების გაერთიანება DV360-ის ალგორითმს საშუალებას აძლევს ფასის შეთავაზებამდე ჯერ კიდევ ადრე გამოთვალოს ხარისხიანი მედიაკონტაქტის ალბათობა. მაგალითად, სისტემა ხედავს, რომ ჩვენება დაგეგმილია დესკტოპზე, პრემიუმ დომენზე, დიდი პლეერის ფორმატში და არსებობს დაკვრის ხანგრძლივობის შენარჩუნების მაღალი ალბათობა.
Attention-based bidding-ისთვის სიგნალების ასეთი ნაკრები ჩვენების უმაღლესი ღირებულების თრიგერია. ალგორითმი ავტომატურად გაზრდის ფასის შეთავაზებას ამ ხარისხიანი ინვენტარის შესაძენად და, პირიქით, მინიმუმამდე შეამცირებს ხარჯებს იმ ჩვენებებზე, სადაც რეკლამა ჩაიტვირთება, მაგრამ მომხმარებელი მას წამის მცირე მონაკვეთში გადაახვევს.
კონვერსიებზე დაფუძნებული ბიდინგი
1. ოპტიმიზაციისთვის ყველა კონვერსიის მონაცემის გამოყენება
მთავარი იდეაა, რომ ყველა კონვერსია ბიზნესისთვის თანაბრად მნიშვნელოვანი არ არის. Custom bidding საშუალებას გაძლევთ ყურადღება გაამახვილოთ მომხმარებლის თქვენთვის ყველაზე ღირებულ მოქმედებებზე და ამავე დროს არ დაკარგოთ სხვა სასარგებლო კონვერსიები.
2. როგორ მუშაობს ეს (Floodlight-ის ძაბრის მაგალითზე)
იმის ნაცვლად, რომ ოპტიმიზაცია მხოლოდ ერთ საბოლოო მოქმედებაზე ან ყველა მოქმედებაზე თანაბარი წონით განხორციელდეს, როგორც ამას სტანდარტული ავტომატიზებული ბიდინგი აკეთებს, მორგებული ალგორითმი ითვალისწინებს კონვერსიის სრულ სტრუქტურას, კონფიგურირებული Floodlight თეგების შესაბამისად:
- Landing Page (გვერდის ნახვა) – საბაზისო მოქმედება, რომელსაც ყველაზე დაბალი ღირებულება აქვს (ნაცრისფერი).
- ფორმის შევსების დაწყება – მოქმედება, რომელიც უფრო მაღალი ინტერესის მაჩვენებელია (წითელი).
- ფორმის შევსების დასრულების ეტაპი – ნაბიჯ-ნაბიჯ წარმატებისკენ (ნარინჯისფერი).
- ფორმის წარმატებით გაგზავნა – ყველაზე ღირებული კონვერსია (მწვანე).
3. მანქანური სწავლების ალგორითმისთვის სიგნალების მიწოდება — შედარება ავტომატიზებულ ბიდინგთან
მარჯვნივ მოცემული გრაფიკი ნათლად აჩვენებს განსხვავებას სიგნალების მოცულობაში, რომელსაც ალგორითმი სწავლებისთვის იღებს:
- ავტომატიზებული ბიდინგი (სტანდარტული ავტომატიზებული ბიდინგი): ძირითადად ერთი ტიპის სიგნალზეა ფოკუსირებული (მაგალითად, მხოლოდ ფორმის წარმატებით გაგზავნაზე). ამის გამო ალგორითმისთვის ხელმისაწვდომი სასწავლო მონაცემების მოცულობა ძალიან მცირეა (მოკლე მწვანე ზოლი).
- Custom bidding: აგროვებს და აერთიანებს სიგნალებს ძაბრის ყველა ეტაპიდან – Landing Page-დან საბოლოო გაგზავნამდე. შედეგად, მანქანური სწავლების ალგორითმი იღებს მნიშვნელოვნად უფრო დიდი მოცულობის მონაცემებს (სიგნალების ზოლი უფრო მაღალი და მრავალფეროვანი ხდება), რაც მას საშუალებას აძლევს, უფრო სწრაფად და ეფექტურად ისწავლოს, შედეგები უფრო ზუსტად იწინასწარმეტყველოს და ინვენტარის შესყიდვა უფრო ეფექტიანად მოახდინოს.
საკუთარი ალგორითმის შექმნის პროცესი DV360-ის ინტერფეისში Goal Builder-ის გამოყენებით
პროგრამატიკული შესყიდვის ეფექტიანობა პირდაპირ არის დამოკიდებული მედია-ინვენტარის ღირებულების შეფასების სიზუსტეზე. Display & Video 360-ში Custom bidding-ის ტექნოლოგია ედვერთაიზერებს საშუალებას აძლევს, გასცდნენ სტანდარტული კლიკებისა და კონვერსიების ფარგლებს და თავად განსაზღვრონ თითოეული სარეკლამო ჩვენების ღირებულება.
როგორც პლატფორმის მუშაობის ლოგიკა აჩვენებს, ოპტიმიზაციის ალგორითმის სხვადასხვა ანალიტიკურ და ბიზნესმოთხოვნებთან შესაბამისობაში მოსაყვანად ხელმისაწვდომია ორი ძირითადი ინსტრუმენტი.
ინტერფეისში ჩაშენებული მიზნების კონსტრუქტორი
პირველი მიდგომა ეფუძნება DV360-ის ჩაშენებული ინსტრუმენტების გამოყენებას და კოდის დაწერას არ საჭიროებს. ის განკუთვნილია გაყიდვების ძაბვის არსებული ეტაპების საფუძველზე ღირებულების სწრაფი მოდელირებისთვის.
სპეციალისტი სხვადასხვა Floodlight აქტივობას პირდაპირ პლატფორმის ინტერფეისში ანიჭებს წონის კოეფიციენტებს. ეს სისტემას საშუალებას აძლევს, ერთმანეთისგან განასხვაოს მარტივი მოქმედებების, მაგალითად, პროდუქტის გვერდის ნახვის, და საბოლოო ტრანზაქციის ღირებულება.
ეს მეთოდი ოპტიმალური არჩევანია კლასიკური e-commerce კამპანიებისთვის, სადაც ძირითადი მიზანია შეწონილი კონვერსიებისთვის ოპტიმიზაცია, მიმდინარე შემოსავლის მაქსიმიზაცია ან საბაზისო ოფლაინ გაყიდვების მონაცემების გათვალისწინება. მის ძირითად უპირატესობებს წარმოადგენს დაყენების სისწრაფე, გამჭვირვალობა და დეველოპერების ჩართვის საჭიროების არარსებობა.
მორგებული სკრიპტები Python-ში
არასტანდარტული ბიზნესამოცანების გადასაჭრელად, რომლებიც სცდება მომხმარებლის ხაზოვან ინტერაქციას, DV360 მხარს უჭერს Python-ში დაწერილი მორგებული სკრიპტების ინტეგრაციას. ეს არის საწარმოს დონის ინსტრუმენტი ინვენტარის ღირებულების მოქნილი მოდელების შესაქმნელად.
კოდის გამოყენებით შესაძლებელია ალგორითმში 40-ზე მეტი განსხვავებული პარამეტრისა და ფუნქციის ჩაშენება და მათი პირობითი ლოგიკის საშუალებით გაერთიანება.
ეს მეთოდი აუცილებელია ისეთი კომპლექსური ბიზნესმეტრიკების საფუძველზე კამპანიების ოპტიმიზაციისთვის, როგორიცაა პროგნოზირებული წმინდა მოგება (მარჟა), მომხმარებლის სიცოცხლის ციკლის ღირებულება (LTV), Google Analytics 4-ის სიგნალებზე დაფუძნებული ვებსაიტზე ღრმა ჩართულობა ან კონკრეტული ბრენდის მეტრიკები.
Python-ის სკრიპტების მთავარი უპირატესობა პრაქტიკულად შეუზღუდავი მოქნილობაა, რაც საშუალებას გაძლევთ, ალგორითმს ასწავლოთ მხოლოდ იმ ჩვენებების შეძენა, რომლებიც რეალურ ბიზნესღირებულებას ქმნის.
მუშაობის პრინციპი და ალგორითმის სწავლება
არჩეული ინსტრუმენტის მიუხედავად 0 იქნება ეს ჩაშენებული ბილდერი თუ Python-ის სკრიპტი, Custom bidding-ის ფუნდამენტური მექანიკა მანქანური სწავლების დახურულ ციკლზე მუშაობს.
პირველ ეტაპზე, თქვენ მიერ განსაზღვრული წესების ან კოდის საფუძველზე, სისტემა თითოეული ჩვენებისთვის ინდივიდუალურ ქულას ითვლის და განსაზღვრავს მის ზუსტ ღირებულებას.
შემდეგ DV360-ის ალგორითმები აანალიზებს დაგროვილ მონაცემებს და აუდიტორიისა და განთავსებების მახასიათებლებში არსებულ კანონზომიერებებს ამოიცნობს პროგნოზული მოდელის შესაქმნელად.
საბოლოო ეტაპზე, გაწვრთნილი მოდელი რეალურ დროში ახდენს ბიდების ოპტიმიზაციას და ბიუჯეტს ყველაზე მაღალი პროგნოზირებული ღირებულების მქონე ინვენტარის შეძენაზე მიმართავს.
ამრიგად, ინტერფეისსა და კოდს შორის არჩევანი საბოლოოდ დაყვანილია გაშვების სისწრაფესა და მედიის შესყიდვის პროცესში ბიზნესმონაცემების ინტეგრაციის საჭირო სიღრმეს შორის ბალანსზე.
მიზნების კონსტრუქტორი DV360-ის ინტერფეისში
სკრიპტი შეიძლება შეიქმნას შემდეგი ძირითადი მეტრიკებისა და სიგნალების საფუძველზე:
1. კონვერსიები (Conversions)
ეს არის ღირებულების ოპტიმიზაციის ძირითადი სიგნალები, რომლებიც ტექსტსა და ინტერფეისშია მოხსენიებული:
- Floodlight მონაცემები: საიტზე მოქმედებების თრექინგის თეგების გამოყენება (მაგალითად, გვერდების ნახვა, ფორმის შევსების დაწყება ან დასრულება, შესყიდვები).
- Google Analytics 4 (GA4) ქმედებები: і მორგებული ქმედებების ინტეგრაცია, რომლებსაც მომხმარებელი ვებრესურსზე ან აპლიკაციაში ასრულებს.
- მორგებული ცვლადები (Custom Variables): კონვერსიასთან ერთად დამატებითი დინამიური პარამეტრების გადაცემა (მაგალითად, შეკვეთის თანხა, პროდუქტის კატეგორია, მომხმარებლის ტიპი და ა.შ.).
2. კლიკები (Clicks)
- ოპტიმიზაცია და ბიდინგი იმ სიგნალების საფუძველზე, რომლებიც სამიზნე საიტზე ან Landing Page-ზე მომხმარებლების გადასვლების რაოდენობის მაქსიმიზაციას ახდენს. კერძოდ, გამოიყენება წესებზე დაფუძნებული ლოგიკა ცალკეული ჩვენებების „ხარისხის“ ან კლიკის ალბათობის შესაფასებლად.
3. ჩვენებები და ცნობადობა (Brand awareness / Impressions)
- მედია-სიგნალების გამოყენება ბრენდის ხილვადობისა და უფრო ფართო აუდიტორიის მოცვის გასაზრდელად (მაგალითად, სკრიპტმა შეიძლება გაითვალისწინოს ბანერის ხილვადობა – Viewability, რეკლამასთან კონტაქტის ხანგრძლივობა ან ჩვენება ინვენტარის კონკრეტულ პრემიუმ კატეგორიაში).
როგორ ერთიანდება ეს ყველაფერი სკრიპტში?
ალგორითმის შექმნის პროცესი გულისხმობს შეფასების ლოგიკის (Scoring) აგებას. სკრიპტში თითოეული ტიპის სიგნალისთვის განსაზღვრავთ წესებსა და მათემატიკურ წონით კოეფიციენტებს (ქულებს).
სკრიპტის ლოგიკის მაგალითი:
- თუ მოხდა მარტივი ჩვენება ან კლიკი, რომელიც საიტზე გადადის $\rightarrow$ – ჩვენებას მიენიჭოს 1 ქულა.
- თუ მომხმარებელი გადავიდა შემდეგ ეტაპზე და დაიწყო ფორმის შევსება (მიკროკონვერსიის სიგნალი) $\rightarrow$ – მიენიჭოს 20 ქულა.
- თუ დაფიქსირდა საბოლოო კონვერსია (შესყიდვა ან ფორმის წარმატებით გაგზავნა Floodlight/GA4-დან) $\rightarrow$ – მიენიჭოს უმაღლესი ღირებულება, მაგალითად, 100 ქულა.
ამგვარად, სკრიპტი DV360-ის AI-ს „უხსნის“, ჩვენებების, კლიკებისა და კონვერსიების რომელ კომბინაციებში ღირს მეტის გადახდა, რათა ბიზნესისთვის ყველაზე ღირებული ტრეფიკი შეიძინოს.
საკუთარი ალგორითმის შექმნის პროცესი
Custom bidding-ის დანერგვა რამდენიმე ტექნიკურ ეტაპს მოიცავს, სადაც თითოეული ნაბიჯი კამპანიის საბოლოო ეფექტიანობაზე გავლენას ახდენს:
- მიზნის განსაზღვრა და სიგნალების შეგროვება
უპირველეს ყოვლისა, საჭიროა გაირკვეს, მომხმარებლის რომელი მოქმედებებია ყველაზე მეტად კორელირებული მოგებასთან. ამისთვის გამოიყენება Floodlight მონაცემები, Google Analytics 4-ის მოვლენები ან მორგებული ცვლადები. - შეფასების ლოგიკის აგება (Scoring)
თქვენ ქმნით სკრიპტს, რომელიც სისტემას ეუბნება: „თუ მომხმარებელმა საიტის 3 გვერდი ნახა, ამ ჩვენებას მიანიჭე 20 ქულა; თუ საიტზე 2 წუთზე მეტი გაატარა – 50 ქულა“. ასევე შესაძლებელია უარყოფითი კოეფიციენტების დამატება არარელევანტური გეოგრაფიული მდებარეობებისა ან მოწყობილობებისთვის. - ტესტირება და სწავლებ
სკრიპტის ატვირთვის შემდეგ სისტემას სწავლისთვის დრო სჭირდება. ჩვეულებრივ ამას რამდენიმე კვირა სჭირდება, რომლის განმავლობაშიც ალგორითმი აანალიზებს აუქციონის შედეგებს და ფასის შეთავაზებებსა და მიღებულ ღირებულების „ქულებს“ შორის კორელაციას.
საბოლოო ქულის გამოთვლის ფუნქციის არჩევა
მორგებულ წესებზე დაფუძნებული Custom bidding ალგორითმების შექმნისას კრიტიკულად მნიშვნელოვანია ზუსტად განისაზღვროს, როგორ უნდა დაამუშაოს სისტემამ რამდენიმე სიგნალი, თუ ისინი ერთი ჩვენების დროს ერთდროულად გააქტიურდა.
ამისთვის სკრიპტის კოდში გამოიყენება აგრეგაციის სამი ძირითადი მეთოდი, რომელთაგან თითოეული მნიშვნელოვნად ცვლის საბოლოო ინვენტარის ღირებულების გამოთვლის ლოგიკას.
დეველოპერს საბოლოო ქულის გამოსათვლელად სამი გზა აქვს:
1. შედეგების დაჯამება (sum_aggregate)
ეს მეთოდი კუმულაციური ეფექტის პრინციპით მუშაობს – ყველა სასარგებლო მომხმარებლის მოქმედება ან ჩვენების მახასიათებელი ერთმანეთს ემატება. სკრიპტი აანალიზებს ყველა განსაზღვრულ წესს და აჯამებს თითოეული წარმატებით გააქტიურებული წესის ქულას. მაგალითად, თუ ჩვენების დროს ორი განსხვავებული წესი გააქტიურდა- ერთი 1-ის, ხოლო მეორე 1-ის ღირებულებით – ალგორითმი საბოლოო შედეგად 2-ს მიიღებს. ეს მიდგომა ოპტიმალურია მაშინ, როდესაც მნიშვნელოვანია თითოეული მიკროკონვერსიის ან დამატებითი ჩართულობის სიგნალის გათვალისწინება და აუდიტორიასთან კონტაქტის საერთო ღირებულების დაგროვება.
2. მაქსიმალური მნიშვნელობის არჩევა (max_aggregate)
ამ მეთოდის ლოგიკა გულისხმობს ერთი სარეკლამო ჩვენების ფარგლებში მომხდარ ყველა მოვლენას შორის ყველაზე მაღალი პრიორიტეტისა და ყველაზე მნიშვნელოვანი მოვლენის განსაზღვრას. ქულების შეკრების ნაცვლად სკრიპტი ადარებს ყველა ამოქმედებული წესის შედეგს და ირჩევს მხოლოდ ერთს – ყველაზე მაღალი წონის მქონეს. თუ დაფიქსირდა რამდენიმე სიგნალი ღირებულებებით 0.8, 1 და 0.2, მთელი ჩვენების საბოლოო ქულა იქნება 1. ეს მეთოდი იდეალურია მკაფიო პრიორიტეტების მქონე კამპანიებისთვის, სადაც მაკრო-მიზნის მიღწევა მთლიანად აუფასურებს ძაბრის შუალედური ეტაპების ღირებულებას.
3. პირველი წარმატებული დამთხვევა (first_match_aggregate)
ეს მეთოდი ეფუძნება წესების მკაცრ იერარქიულ სტრუქტურას, სადაც თანმიმდევრობას კრიტიკული მნიშვნელობა აქვს. ალგორითმი მორგებულ წესებს კოდში ჩაწერილი რიგითობით, ზემოდან ქვემოთ ამოწმებს. როგორც კი სისტემა შეხვდება პირველ წესს, რომლის პირობებიც შესრულდა, ჩვენებას ანიჭებს მის ქულას (მაგალითად, 0.8) და შემდგომ ანალიზს სრულად წყვეტს, ქვემოთ მდებარე სხვა თრიგერების იგნორირებით. ეს მეთოდი გამოიყენება რთული კასკადური მოდელების შესაქმნელად, როდესაც ედვერთაიზერს სჭირდება აუდიტორიის ან კონვერსიების ტიპების მკაფიო დაყოფა პირველადი ურთიერთქმედების ნიშნით.
კამპანიის არქიტექტურის შეჯამება
გამოთვლის მეთოდის არჩევანი პირდაპირ განსაზღვრავს DV360-ის AI-ის ქცევას აუქციონზე. კუმულაციური sum_aggregate სისტემას აიძულებს მრავალმხრივი ჩართულობა მოძებნოს, max_aggregate მხოლოდ ყველაზე მაღალი ღირებულების მოქმედებებზე გაამახვილებს ყურადღებას, ხოლო first_match_aggregate საშუალებას მოგცემთ ბიუჯეტი მკაცრად აკონტროლოთ თქვენ მიერ განსაზღვრული სიგნალების იერარქიის შესაბამისად.
Custom bidding Google Sheets-ის ბაზაზე
ბევრი მედიაბაიერისა და მარკეტინგული გუნდისთვის Python-ზე კოდის დაწერის საჭიროება Custom bidding-ის დანერგვის მთავარი ბარიერია. ამ პრობლემის გადასაჭრელად და პროცესის ავტომატიზაციისთვის არსებობს Google-ის ოფიციალური გადაწყვეტა GitHub-ზე. ის საშუალებას გაძლევთ Google Sheets-ის ნაცნობი ინტერფეისის გამოყენებით შექმნათ ფასის შეთავაზების რთული ალგორითმები.
ინსტრუმენტის მუშაობის ლოგიკა და არქიტექტურა
if/else ლოგიკის ხელით პროგრამირების ნაცვლად სპეციალისტი ავსებს სტანდარტიზებულ ცხრილს, რომელიც რამდენიმე საკვანძო ბლოკისგან შედგება:
- იდენტიფიკაციის ბლოკი (User Inputs)
საწყის ეტაპზე მიეთითება სისტემის საბაზისო პარამეტრები, როგორიცაა DV360 Partner ID და DV360 Advertiser ID. აქვე ჩამოსაშლელი სიიდან ირჩევა მონაცემთა დამუშავების მეთოდი (Aggregation Method), მაგალითად, max_aggregate. - მოქნილი პირობები და წონითი კოეფიციენტები (Condition & Weight)
თითოეული წესისთვის განისაზღვრება მისი რიგითი ნომერი და მათემატიკური წონა (მაგალითად, 150, 100 ან 50), რომელიც პირობების შესრულებისას ჩვენების ღირებულებას განსაზღვრავს. - ლოგიკური გამოსახულებების კონსტრუქტორი
მარტივი სელექტორების საშუალებით აწყობთ ცვლადებს შორის კავშირებს. შეგიძლიათ გააერთიანოთ ისეთი პარამეტრები, როგორიცაა კლიკები (click), მოწყობილობის ტიპები (device_type), ეკრანზე ყოფნის ხანგრძლივობა (time_on_screen_seconds), ხილვადობა (active_view_viewed) და ბანერის გეომეტრიული ზომები (creative_width / creative_height). რამდენიმე სიგნალის დასაკავშირებლად გამოიყენება სტანდარტული ლოგიკური ოპერატორები AND და OR.
ვალიდაცია და მზა სკრიპტის ექსპორტი
ცხრილის კონფიგურაციის დასრულების შემდეგ მომხმარებელს ცვლადების ხელით გაერთიანება აღარ სჭირდება. ინტერფეისში მოცემულია ორი ფუნქციური ღილაკი, რომლებიც ავტომატიზაციის პროცესს ასრულებს:
- QA Script Inputs
იწყებს კონფიგურირებული წესების სინტაქსისა და ლოგიკის ავტომატურ შემოწმებას, რაც მომავალში ალგორითმის შესრულებისას შეცდომების რისკს გამორიცხავს. - Final Script to Copy
ქმნის საბოლოო, სრულად სამუშაოდ გამზადებულ Python სკრიპტს. სპეციალისტს მხოლოდ ერთი კლიკით კოდის დაკოპირება და DV360-ის ინტერფეისში შესაბამის ველში ჩასმა რჩება.
მიდგომის უპირატესობები ბიზნესისთვის
Google Sheets-ზე დაფუძნებული GitHub გადაწყვეტის გამოყენება მორგებულ სტრატეგიებთან მუშაობის მასშტაბირების საშუალებას იძლევა. მედიაბაიერები იღებენ ინსტრუმენტს, რომელიც აერთიანებს ჩაშენებული მიზნების კონსტრუქტორის სიმარტივესა და Python სკრიპტების ტექნიკურ ძალას. ეს მნიშვნელოვნად ამცირებს ახალი ჰიპოთეზების შემუშავებისა და ტესტირების დროს და პროგრამისტების ჩართვის გარეშე მრავალფაქტორული ტრეფიკის შეფასების მოდელების შექმნის საშუალებას იძლევა.
Custom bidding-ის ეფექტიანობის ტესტირების მეთოდოლოგია: Experiments DV360-ში
მარკეტინგის ავტომატიზაციაში ნებისმიერი ახალი ტექნოლოგიის დანერგვა მკაცრ ვერიფიკაციას მოითხოვს. Custom bidding-ზე გადასვლისას ედვერთაიზერები ხშირად უშვებენ შეცდომას და შედეგებს „პერიოდი პერიოდთან“ პრინციპით ადარებენ. თუმცა პროგრამატიკის დინამიურ გარემოში ასეთი მიდგომა რეპრეზენტატიული არ არის. საბოლოო მაჩვენებლებზე ზედმეტად ძლიერ გავლენას ახდენს გარე ფაქტორები: აუქციონის ლანდშაფტის ცვლილება, კონკურენტების აქტივობა, მოთხოვნის სეზონური რყევები ან ბრაუზერების განახლებებიც კი.
სუფთა შედეგის მისაღებად და მორგებული ალგორითმის რეალური გავლენის ბიზნეს-მაჩვენებლებზე გასაგებად საჭიროა სამეცნიერო მიდგომის გამოყენება. DV360-ში ჰიპოთეზების შემოწმების ერთადერთი რელევანტური მეთოდია კონტროლირებადი A/B-ტესტირების გაშვება ჩაშენებული Experiments ინსტრუმენტის საშუალებით.
ეს ფუნქციონალი ფასის შეთავაზების სტრატეგიის გავლენას ყველა სხვა ფაქტორისგან იზოლირების საშუალებას იძლევა. თქვენ ქმნით ორ იდენტურ გარემოს (ტესტურსა და საკონტროლოს), სადაც ერთადერთი ცვლადი სწორედ bidding ალგორითმია. მხოლოდ ასეთი ტესტირების ფორმატი გაძლევთ დარწმუნებას, რომ ღირებულების ზრდა თქვენი სკრიპტის მუშაობის შედეგია და არა ბაზარზე შემთხვევითი გარემოებების თანხვედრა.
თქვენ ინვენტარს ორ იდენტურ ჯგუფად ყოფთ:
DV360 випадковим чином розподіляє користувачів між двома ідентичними Insertion Order, які мають доступ до одного й того самого інвентарю. Єдина змінна — стратегія призначення ставок:
- საკონტროლო ჯგუფი იყენებს სტანდარტულ სტრატეგიას (მაგალითად, Maximize Conversions).
- სატესტო ჯგუფი მუშაობს თქვენი Custom bidding-ის სკრიპტის საფუძველზე.
ეს მიდგომა საშუალებას გაძლევთ დაინახოთ ღირებულების წმინდა ზრდა (Lift). შეამჩნევთ, რომ მიუხედავად იმისა, რომ ტესტურ ჯგუფში CPA შეიძლება იდენტური ან ოდნავ უფრო მაღალი იყოს, საერთო შემოსავალი (Revenue) ან „მძიმე“ კონვერსიების რაოდენობა (მაგალითად, მაღალი ღირებულების შეკვეთები) მნიშვნელოვნად იზრდება.
ევოლუციური მიდგომა: მარტივიდან რთულისკენ
Custom bidding-ის სტრატეგიებზე გადასვლისას ერთ-ერთი ყველაზე დიდი დაბრკოლება ედვერთაიზერების სურვილია, თავიდანვე შექმნას „იდეალური ალგორითმი“, რომელიც ათობით ცვლადს გაითვალისწინებს.
ყველაზე ეფექტიანი სტრატეგია მოდელის ეტაპობრივი გართულებაა. ეს ალგორითმს სტაბილურად სწავლის საშუალებას აძლევს, გუნდს კი – დაინახოს თითოეული ახალი ცვლადის რეალური გავლენა საერთო შედეგზე.
ეტაპი 1: შეწონილი ძაბრი (Weighted Conversions)
პირველი და ყველაზე მნიშვნელოვანი ნაბიჯია სისტემას ასწავლოთ მიკრო- და მაკროკონვერსიების განსხვავება. იმის ნაცვლად, რომ ოპტიმიზაცია მხოლოდ საბოლოო შესყიდვაზე მოხდეს (რომელიც შეიძლება ალგორითმის სწრაფი სწავლისთვის არასაკმარისი იყოს), ძაბრის ფარგლებში მომხმარებლის თითოეულ მოქმედებას ვანიჭებთ „წონას“ ან ქულებს.
- საკვანძო გვერდის ნახვა = 1 ქულა (ინტერესის სიგნალი).
- საიტზე რეგისტრაცია = 10 ქულა (მაღალი განზრახვა).
- ტრანზაქცია = 100 ქულა (საბოლოო მიზანი).
ასეთი იერარქია DV360-ის ალგორითმს მონაცემების უზარმაზარ მასივს აძლევს. თუნდაც ტრანზაქციები ცოტა იყოს, სისტემა ხედავს ღირებულების ათასობით „მცირე“ სიგნალს და უფრო სწრაფად ხვდება, რომელი მომხმარებლის პროფილი მიაღწევს საბოლოო ეტაპს უფრო მაღალი ალბათობით.
ეტაპი 2: u-variables-ის გამოყენება (Custom Variables)
როგორც კი ქულებზე დაფუძნებული მოდელი დასტაბილურდება, დროა რეალური ბიზნეს-მეტრიკების ინტეგრაციაზე გადასვლა. ამ ეტაპზე ვიყენებთ Floodlight-ის მორგებულ ცვლადებს (u-variables), რომლებიც სკრიპტში მოვლენის შესახებ სპეციფიკური ინფორმაციის გადაცემის საშუალებას იძლევა.
ეს ალგორითმს გადაწყვეტილებების მიღების საშუალებას აძლევს შემდეგის საფუძველზე:
- მომგებიანობა: უფრო მაღალი ფასის შეთავაზების განსაზღვრა უფრო მაღალი მოგებიანობის მქონე პროდუქტების შესყიდვაზე.
- პროდუქტის კატეგორია: ტრეფიკის შესყიდვის პრიორიტეტიზაცია ახალი კოლექციებისთვის ან საწყობის ნაშთებისთვის.
- მომხმარებლის სტატუსი: ახალი მომხმარებლების არსებულებისგან გარჩევა, რაც კრიტიკულად მნიშვნელოვანია მოზიდვის სტრატეგიებისთვის (Prospecting).
ამ დონეზე თქვენი რეკლამა უკვე უბრალოდ მყიდველებს კი არ ეძებს, არამედ მომგებიან მყიდველებს.
ეტაპი 3: სინერგია Google Cloud-ის ეკოსისტემასთან
ეს მედიაშესყიდვის სიმწიფის უმაღლესი დონეა, სადაც სარეკლამო სტრატეგია სრულად ერწყმის ბიზნეს-ანალიტიკას. BigQuery-სთან ინტეგრაციის გამოყენებით შეგიძლიათ DV360-ში რთული პროგნოზული მოდელები ატვირთოთ.
ალგორითმი წვდომას იღებს მონაცემებზე, რომელთა შეგროვებაც მხოლოდ საიტის პიქსელით შეუძლებელია:
- პროგნოზირებული LTV (Lifetime Value): სისტემა ყიდულობს რეკლამის ჩვენებებს იმ მომხმარებლებისთვის, რომლებიც, თქვენი მონაცემების მიხედვით, ბრენდთან წლების განმავლობაში დარჩებიან.
- ოფლაინ-მონაცემები: ფიზიკურ მაღაზიებში ან call center-ის საშუალებით გაყიდვების გათვალისწინება ონლაინ ფასის შეთავაზებების კორექტირებისთვის.
- რთული ატრიბუციის მოდელები: თითოეული ჩვენების რეალური წვლილის შეფასება მრავალარხიან ძაბრში.
ასეთი ღრმა ინტეგრაცია DV360-ს ინტელექტუალურ ცენტრად გარდაქმნის, რომელიც მხოლოდ ტრეფიკს კი არ ყიდულობს, არამედ მთელი ბიზნესისთვის გრძელვადიან მოგებიანობას.
ეფექტიანობის გაზომვა და საუკეთესო პრაქტიკები
Custom bidding-ზე გადასვლა შედეგების შეფასების პარადიგმის შეცვლას მოითხოვს. თუ სტანდარტულ კამპანიებში ყურადღებას მოქმედების ღირებულებაზე (CPA) ვამახვილებთ, მორგებულ სტრატეგიებში მთავარი ორიენტირი საერთო ღირებულება (Total Value) ხდება. წარმატების მთავარი მაჩვენებელი აქ არა ისაა, რამდენად იაფად ვიყიდეთ კონვერსია, არამედ რამდენად ხარისხიანი და მომგებიანი „მოცულობა“ მივიღეთ იგივე ბიუჯეტით.
1. შეფასებული ჩვენებების რაოდენობრივი მეტრიკები
- Impressions with custom value (მორგებული ღირებულების მქონე ჩვენებები):
- განსაზღვრება: ჩვენებების რაოდენობა (#), რომლებსაც თქვენი სკრიპტი რაიმე ღირებულებას ანიჭებს.
- შენიშვნა: აქ შედის „0“-ით შეფასებული ჩვენებები და არ შედის ის ჩვენებები, რომლებიც საერთოდ არ მოხვდა სკრიპტის ლოგიკაში.
- Impressions with positive custom value (დადებითი მორგებული ღირებულების მქონე ჩვენებები):
- განსაზღვრება: ჩვენებების რაოდენობა (#), რომლებსაც თქვენი სკრიპტი 0-ზე მეტ ღირებულებას ანიჭებს.
- შენიშვნა: გამორიცხავს „0“-ით შეფასებულ ჩვენებებს და იმ ჩვენებებს, რომლებიც არ შეფასებულა.
2. ჯამური და ფარდობითი ღირებულების მეტრიკები
- Total impression custom value (ჩვენებების საერთო მორგებული ღირებულება):
- განსაზღვრება: ყველა ჩვენების ღირებულებების ჯამი.
- % Impressions with positive custom value (დადებითი მორგებული ღირებულების მქონე ჩვენებების %):
- განსაზღვრება: 0-ზე მეტი ღირებულების მქონე ჩვენებების შეფარდება შეფასებული ჩვენებების საერთო რაოდენობასთან.
3. ფინანსური და ღირებულებითი მეტრიკები
- Estimated total cost for impressions with custom value (მორგებული ღირებულების მქონე ჩვენებების მოსალოდნელი საერთო ღირებულება):
- განსაზღვრება: სკრიპტის ლოგიკაში მოხვედრილი ჩვენებების საერთო ღირებულება (ედვერთაიზერის ანალიზის ვალუტაში).
- შენიშვნა: ეს მეტრიკა შეიძლება შევადაროთ Revenue მაჩვენებელს სტანდარტულ რეპორტებში.
- Estimated CPM for impressions with custom value (მორგებული ღირებულების მქონე ჩვენებების მოსალოდნელი CPM):
- განსაზღვრება: 1000 ჩვენების ღირებულება, რომლებსაც ღირებულება მიენიჭა.
- შენიშვნა: შედარებადია Revenue CPM მეტრიკასთან სტანდარტულ ანგარიშებში.
4. ალგორითმის ეფექტიანობის მეტრიკები
- Impression Custom Value / Cost (ჩვენების მორგებული ღირებულება / ხარჯი):
- ფორმულა: (ჩვენებების ღირებულებების ჯამი) / (სავარაუდო საერთო ხარჯები).
- შენიშვნა: ეს არის მთავარი მეტრიკა თქვენი ალგორითმის მუშაობის ეფექტიანობის უშუალოდ შესაფასებლად.
- Impression Value per 1000 Impressions (ჩვენების ღირებულება 1000 ჩვენებაზე):
- ფორმულა: (ჩვენებების ღირებულებების ჯამი) * 1000 / (შეფასებული ჩვენებების საერთო რაოდენობა).
სინერგია Google Marketing Platform-ის ფარგლებში
GMP პროდუქტების სრული ინტეგრაცია Custom bidding-ს გადაწყვეტილებების მიღების ავტონომიურ სისტემად აქცევს. Google Analytics-ის მიერ შეგროვებული მონაცემები ავტომატურად ხდება DV360-ის „საწვავი“. ამის წყალობით იქმნება უწყვეტი გამოცდილება: ანალიტიკა აფიქსირებს მომხმარებლის ქცევის ნიუანსებს, ხოლო ალგორითმი იმავე წამს იღებს მითითებას, რა ფასის შეთავაზება გააკეთოს შემდეგ აუქციონზე. ეს მედიაშესყიდვას მექანიკური პროცესიდან ბიზნესის ღირებულების სტრატეგიულ მართვად გარდაქმნის.
Custom bidding DV360-ში ლოგიკური ნაბიჯია იმ გუნდებისთვის, რომლებმაც უკვე ამოწურეს სტანდარტული სტრატეგიების პოტენციალი და უფრო ღრმა ოპტიმიზაციის გზებს ეძებენ. საბაზისო ალგორითმებზე დაყრდნობის ნაცვლად თქვენ თავად შეგიძლიათ განსაზღვროთ AI-ის პრიორიტეტები. ეს მედიაშესყიდვას „კლიკების“ მექანიკური შესყიდვის პროცესიდან ყველაზე მომგებიან მომხმარებლებში მიზნობრივი ინვესტირების ინსტრუმენტად გარდაქმნის. მორგებული სტრატეგიების დანერგვა მომზადებასა და ტექნიკურ ექსპერტიზას მოითხოვს, თუმცა ეს გზა უზრუნველყოფს ROAS-ის სტაბილურ ზრდასა და გამჭვირვალე ანალიტიკას. თქვენ ყიდულობთ არა უბრალოდ ჩვენებებს, არამედ რეალურ ღირებულებას, რომელსაც თითოეული კონტაქტი თქვენს ბიზნესს სძენს.
CoobX, როგორც Google Marketing Platform-ის ოფიციალური სეილსპარტნიორი, ბრენდებსა და სააგენტოებს ეხმარება Custom bidding-ის სარეკლამო სტრატეგიებში ინტეგრაციაში. თუ მზად ხართ უფრო რთულ ოპტიმიზაციის მოდელებზე გადასასვლელად, ჩვენი სპეციალისტები დაგეხმარებიან ტექნიკურ კონფიგურაციაში და პირველი შედეგების ანალიზში. დაგვიკავშირდით კონსულტაციის მისაღებად და კონფიგურაციის დასაწყებად.
მასალა მომზადებულია CoobX-ის – GMP-ის ოფიციალური Sales Partner-ის – ვებინარების საფუძველზე.
