Danas programmatic oglašavanje prolazi kroz fundamentalnu promenu fokusa: borba se više ne vodi za doseg ili puki broj prikaza, već za njihov stvarni kvalitet i uticaj na poslovne rezultate. Živimo u eri „inflacije podataka“, u kojoj samo ostvarivanje konverzije više nije garancija profitabilnosti.
Automatizovane strategije određivanja uloga funkcionišu po linearnoj logici. One funkcionišu po principu „jedna konverzija = jednaka vrednost“. Iz perspektive sistema, prijave na newsletter, dodavanje proizvoda u korpu i kupovina premium proizvoda imaju gotovo jednak prioritet kada su konfigurisani kao ciljevi. Međutim, u realnom poslovanju to nije slučaj. Ovaj uopšteni pristup dovodi do toga da budžeti za oglašavanje nisu usmereni na privlačenje kupaca koji poslovanju donose najveću vrednost.
Da bi premostio ovaj jaz između medijskih metrika i poslovnih rezultata, Google je razvio Custom Bidding. Ova jedinstvena DV360 funkcija omogućava oglašivačima da idu dalje od standardnih KPI. Umesto da se prilagođavate Google-ovim automatizovanim strategijama licitiranja, dobijate mogućnost da „naučite“ veštačku inteligenciju da procenjuje svaki prikaz na osnovu vaših specifičnih poslovnih ciljeva: od marži proizvoda do projektovane vrednosti životnog veka kupca (LTV).
U ovom članku detaljno ćemo objasniti kako ova tehnologija funkcioniše, zašto predstavlja ekskluzivnu prednost Google Marketing Platform ekosistema i kako da kreirate sopstveni algoritam koji će vašem brendu donositi stvarnu vrednost, a ne samo klikove.
Fundamentalne razlike: Ključne razlike u odnosu na standardni Autobidding
Da biste razumeli moć Custom Bidding, vredi ispitati mehaniku standardnih strategija. Automated Bidding u DV360 optimizuje kampanje na osnovu verovatnoće klikova, konverzije ili vidljivosti. Model veštačke inteligencije analizira istorijske podatke i preko 40 signala aukcije kako bi kupio prikaze po optimalnoj ceni.
Problem sa standardnim pristupom su njegovi ograničeni ciljevi. Ako izaberete „Maximize Conversions“, sistem će se podjednako takmičiti za korisnike koji dodaju artikle u korpu i za one koji potroše veliki iznos. Custom Bidding menja pravila igre. Ne radi se o kreiranju algoritma od nule, već o finom podešavanju postojećih modela kompanije Google. Koristite istu moć veštačke inteligencije, ali sami dodeljujete „težinu“ ili ocenu svakoj akciji korisnika.
Četiri glavna scenarija za korišćenje algoritama
Custom Bidding omogućava vam da radite sa podacima koji ranije nisu bili dostupni za automatsku optimizaciju uloga:
- ROAS transakcija
Optimizujte direktno za vrednost prihoda koji se prenosi kroz Floodlight oznake prodaje ili ciljeve Google analitike. Sistem automatski prilagođava ponude kako bi maksimizirao ukupni prihod, a ne broj porudžbina.
- Ponderisane konverzije (Weighted Conversions)
Možete mapirati čitav prodajni levak u okviru algoritma. Na primer, možete dodeliti 10 poena za pregled stranice proizvoda, 50 poena za registraciju i 100 poena za kupovinu. To pomaže algoritmu da uči mnogo brže jer prepoznaje vrednost svakog koraka koji korisnik preduzme, a ne samo završne akcije.
- Optimizacija zasnovana na Customer Value
Korišćenjem prilagođenih promenljivih (u-variables) u Floodlight ili GA4 ciljevima, sistemu možete proslediti informacije o artiklima u korpi, trajanju rezervacije, SKU oznakama proizvoda ili statusu lojalnosti kupca. Algoritam će ponuditi viši iznos za prikaz oglasa korisniku čija je predviđena prosečna vrednost porudžbine (AOV) veća.
- Kvalitet kontakta sa brendom
Kod medijskih kampanja važno je na koji način korisnik vidi oglas. Custom Bidding omogućava da uzmete u obzir dimenzije oglasa, njegovu poziciju na stranici, trajanje gledanja video oglasa i Active View metrike kako biste osigurali da je brend zaista vidljiv ciljnoj publici.
Poređenje Automated Bidding VS Custom Bidding
Glavna razlika između standardnih strategija licitiranja i prilagođenih algoritama jeste u tome što se prikazi više ne vrednuju samo kao uspešni ili neuspešni, već svaki dobija ocenu na osnovu svoje stvarne vrednosti.
1. Logika funkcionisanja Automated Biddinga (Standardna automatizacija)
Tradicionalni algoritmi platforme rade koristeći pojednostavljeni sistem za procenu učinka prikaza, gde postoje samo dva stanja: „da“ ili „ne“.
- Mehanika procene
Ako je kampanja optimizovana, na primer, na osnovu vidljivosti, onda zabeleženi prikaz oglasa (Oglas je pregledan) dobija 100% kredita. U međuvremenu, prikaz koji nije vidljiv (Oglas nije pregledan) označen je kao potpuno neefikasan i dobija 0% kredita. - Ograničenja
Algoritam za automatsko licitiranje ne uzima u obzir kvalitet samog prikaza. Za njega dva vidljiva prikaza imaju jednaku vrednost, čak i ako je korisnik na prvom sajtu video oglas samo dve sekunde, a na drugom bio izložen oglasu duže od deset sekundi, i to na velikom ekranu.
2. Logika funkcionisanja Custom BiddingA (Prilagođeni algoritmi)
Custom pristup omogućava oglašivačima da sami odrede koje kombinacije signala i tehničkih pokazatelja predstavljaju zaista kvalitetan kontakt sa oglasom. Umesto stroge skale „0 ili 100“, vrednost se fleksibilno dodeljuje u zavisnosti od značaja svakog signala.
Vrednost jednog prikaza može dinamički da se menja na osnovu kombinacije tri faktora: vidljivosti (oglas je pregledan), vremena na ekranu (Uslovi korišćenja > 10 sekundi) i veličine kreative (velika kreativa):
- 100% vrednosti (idealan prikaz)
Dodeljuje se samo kada su ispunjena sva tri kriterijuma – oglas je bio vidljiv, reprodukovan duže od 10 sekundi i koristio je veliku kreativu. - 70% vrednosti (prioritet formata)
Dodeljuje se ako je oglas bio vidljiv i koristio je veliku kreativu, ali je trajanje kontakta bilo manje od 10 sekundi. - 40% vrednosti (prioritet trajanja)
Sistem beleži kada je oglas bio vidljiv i držao pažnju korisnika duže od 10 sekundi, ali je sam format kreative bio standardan ili mali.
Zašto je ovo važno za optimizaciju kampanje?
Uvođenje Custom Biddinga iz temelja menja način na koji DV360 algoritam uči. Umesto da automatski kupuje svaki oglasni prostor koji formalno ispunjava kriterijum vidljivosti, algoritam uči da prepozna koji prikazi donose najveću vrednost za ostvarivanje poslovnih ciljeva.
Tipovi Custom Biddinga
Proračuni u okviru Custom Biddinga zasnivaju se na matematičkom modeliranju koje omogućava objedinjavanje različitih vrsta signala u jedinstven sistem za vrednovanje prikaza. Na taj način se ne beleži samo da je određena radnja izvršena, već se procenjuje i kontekst u kojem se dogodila.
Komponente matematičkog modela
Da bi se precizno ocenio prikaz, algoritam agregira zbir osnovnih rezultata i množi ga koeficijentima koji odražavaju kvalitet ili uslove samog prikaza.
- Osnovni rezultati
Ovo su kvantitativne metrike interakcije korisnika sa oglasom – na primer, konverzija ili klik. Svakoj radnji se dodeljuje težina koja odražava njen značaj za poslovanje. - Koeficijenti (multiplikatori)
Ovo su kvalitativni parametri koji povećavaju ili umanjuju vrednost osnovne radnje u zavisnosti od uslova prikaza. To uključuje tip uređaja (npr. mobilni) ili poziciju oglasa na web stranici.
Primer izračunavanja vrednosti u praksi
Tri različita prikaza oglasa (A, B i C) dobijaju potpuno različite konačne vrednosti za algoritam kupovine zbog kombinacije poena i multiplikatora.
- Prikaz A (maksimalna vrednost)
Korisnik je ostvario konverziju (9 poena) i kliknuo na oglas (1 poen) na mobilnom uređaju (množitelj 2) sa najviše pozicije oglasa (množitelj 5). Formula za izračunavanje $(9 + 1) \puta 2 \puta 5$ daje konačnu vrednost prikaza od 100. Ovo je prioritetni saobraćaj, za koji će se sistem najagresivnije takmičiti.
- Prikaz B (minimalna vrednost)
U ovom slučaju nije bilo konverzije (0 poena), zabeležen je samo klik (1 poen) na mobilnom uređaju (množitelj 2) i nema podataka o poziciji oglasa. Izračunavanje pomoću formule $(0 + 1) \puta 2$ prevodi se u konačnu vrednost prikaza od 2. Algoritam označava ovaj inventar kao niskog prioriteta. - Prikaz C (nulta vrednost)
Prikaz se dogodio na dobroj poziciji oglasa (množitelj 4), ali korisnik nije izvršio nikakve osnovne radnje – nema klika, nema konverzije (0 poena). Matematička logika $(0 + 0) \times 4$ rezultira vrednošću prikaza od 0. Ovaj prikaz je besmislen za algoritam, pa će sistem prestati da troši budžet na takve plasmane.
Uticaj na strategiju određivanja uloga
Ovaj pristup vam omogućava da idete dalje od standardne optimizacije. Umesto da tretira sve konverzije ili klikove kao jednake, prilagođeno licitiranje pomaže sistemu da razume specifične faktore koji su doprineli datoj konverziji. Ako se kupovina dogodila na mobilnom uređaju i na premium poziciji, veštačka inteligencija odmah prepoznaje ovaj signal i prilagođava model licitiranja kako bi kupila više inventara sa najvećom konverzijom i visokim kvalitetom.
Određivanje uloga na bazi pažnje
Savremena analiza medija sve više se udaljava od procene klikova u korist merenja stvarnog angažovanja publike. Attention-based Bidding strategija u DV360 omogućava algoritmu da kupuje inventar koji garantuje maksimalnu pažnju korisnika na vašu oglasnu poruku.
1. Kontekst prikaza (Placement & User Context)
Ova kategorija signala opisuje spoljašnje uslove pod kojima se dešava prikazivanje oglasa. Oni odražavaju gde i kada se oglas prikazuje i potpuno su nezavisni od parametara kreative. To obuhvata:
- Vreme i geolokacija
Sat u danu (Hour of Day), dan u nedelji (Day of Week) i geografsku lokacija korisnika.
- Tehničko okruženje
Operativni sistem (Operating System) i tip uređaja (Device Type). - Kvalitet platforme
Tematska kategorija ili kanal sajta (Site category/Channel), kao i konkretni domen (Site/Domain).
Ovi podaci pomažu sistemu da unapred predvidi potencijal za angažovanje, na primer tako što smanjuje iznos ponude u periodima najmanje aktivnosti ili na sajtovima na kojima oglasi slabije zadržavaju pažnju korisnika.
2. Kvalitet prikaza i Indikatori pažnje (Attention Proxies)
Ovo je ključni element modela zasnovanih na pažnji. Pokazatelji pažnje određuju kvalitet prikaza na osnovu toga da li je korisnik zaista imao priliku da primeti i percipira oglas. To obuhvata parametre koji direktno utiču na vidljivost oglasa i interakciju korisnika sa njim:
- Vidljivost i zvuk
Stvarna vidljivost banera ili plejera (Viewable) i prisustvo zvuka tokom reprodukcije videa (Audible).
- Vreme kontakta
Dužina vremena koje oglas ostaje na ekranu uređaja (Time on screen). - Karakteristike plejera i kreative
Fizička veličina oglasne jedinice (Creative Size / Dimensions), veličina video interfejsa (Video Player Size) i da li je korisnik promenio veličinu prozora (Video Resized).
Poslovna vrednost pristupa
Kombinacija kontekstualnih signala i metrika pažnje omogućava DV360 algoritmu da izračuna verovatnoću visokokvalitetnog medijskog kontakta čak i pre nego što se postavi ponuda. Na primer, sistem prepoznaje da je planiran prikaz za desktop računare, na premijum domenu, u velikom formatu plejera i sa velikom verovatnoćom održavanja trajanja reprodukcije.
Za Attention-based Bidding ovaj skup signala pokreće najveću vrednost prikaza. Algoritam će automatski povećati ponudu za kupovinu ovog visokokvalitetnog inventara i obrnuto -minimizirati troškove za prikaze gde se oglas učitava, ali ga korisnik skroluje samo delić sekunde.
Conversion-Based Bidding
1. Korišćenje svih podataka o konverzijama za optimizaciju
Ključna ideja je da nisu sve konverzije podjednako važne za vaše poslovanje. Custom Bidding vam omogućava da se fokusirate na najvrednije korisničke radnje, a da pritom ne izgubite iz vida druge vredne konverzije.
2. Kako to funkcioniše (na primeru Floodlights levka)
Umesto da optimizuje samo jednu završnu radnju ili da svim radnjama dodeljuje jednaku vrednost, kao što obično čini standardno automatsko licitiranje, prilagođeni algoritam uzima u obzir celokupnu strukturu konverzija, u skladu sa podešenim Floodlight oznakama:
- Landing stranica (prikaz stranice) – osnovna radnja sa najnižom vrednošću (siva boja).
- Početak popunjavanja obrasca – radnja koja ukazuje na veće interesovanje (crvena boja).
- Finaliziranje popunjavanja obrasca – korak-po-korak put do uspeha (narandžasta boja).
- Uspešno slanje obrasca – najvrednija konverzija (zelena boja).
3. Hranjenje algoritma mašinskog učenja (poređenje sa Auto Biddingom)
Grafikon sa desne strane jasno pokazuje razliku u količini signala koje algoritam prima za obuku:
- Automated bidding (Standardno automatsko određivanje uloga) se prvenstveno fokusira na jednu vrstu signala (na primer, samo uspešna slanja obrazaca). Zbog toga je količina podataka za obuku algoritma veoma mala (niska zelena traka).
- Custom bidding: prikuplja i integriše signale iz svih faza levka (od landing stranice do konačnog slanja). Ovo omogućava algoritmu mašinskog učenja da primi znatno veću količinu podataka („traka signala“ postaje viša i raznovrsnija), što mu omogućava da uči brže i efikasnije, preciznije predviđa rezultate i efikasnije optimizuje nabavku zaliha.
Proces kreiranja sopstvenog algoritma pomoću kreatora ciljeva u DV360 korisničkom interfejsu
Efikasnost programmatic kupovine direktno zavisi od preciznosti vrednovanja medijskog inventara. U platformi Display & Video 360, Custom Bidding omogućava oglašivačima da se ne ograničavaju na standardne klikove ili konverzije, već da samostalno odrede vrednost svakog prikaza oglasa.
Kao što logika platforme pokazuje, postoje dva osnovna alata za implementaciju algoritma optimizacije, a svaki zadovoljava različite potrebe poslovne analitike.
Izvorni kreator ciljeva u interfejsu
Prvi pristup se zasniva na ugrađenim alatima DV360 bez potrebe za kodiranjem. Dizajniran je za brzo modeliranje vrednosti na osnovu postojećih faza prodajnog levka.
Specijalista dodeljuje koeficijente težine različitim Floodlight aktivnostima direktno u interfejsu platforme. Ovo omogućava sistemu da razlikuje vrednost jednostavnih radnji (kao što je pregled stranice proizvoda) i konačnih transakcija. Ova metoda je optimalan izbor za klasične kampanje e-trgovine, gde je primarni cilj optimizacija za ponderisane konverzije, maksimiziranje tekućeg prihoda ili uzimanje u obzir osnovnih podataka o oflajn prodaji. Njene ključne prednosti su brzina podešavanja, transparentnost i nema potrebe za programerima.
Prilagođene skripte u Pythonu
Za rešavanje specifičnih poslovnih izazova koji prevazilaze linearne interakcije korisnika, DV360 podržava integraciju prilagođenih skripti napisanih u Pythonu. Reč je o naprednom alatu namenjenom velikim kompanijama, koji omogućava kreiranje fleksibilnih modela za vrednovanje medijskog inventara.
Korišćenje koda daje mogućnost da integrišete preko 40 različitih parametara i funkcija u algoritam, kombinujući ih pomoću uslovne logike. Ova metoda je neophodna za optimizaciju kampanja na osnovu složenih poslovnih metrika, kao što su procenjena neto dobit (marža), vrednost životnog veka kupca (LTV), duboko angažovanje na web-sajtu na osnovu signala Google Analytics 4 ili metrike specifičnog brenda. Glavna prednost Python skripti je njihova praktično neograničena fleksibilnost, što vam omogućava da trenirate algoritam da kupuje samo one prikaze koji donose stvarnu poslovnu vrednost.
Princip rada i obuka algoritma
Bez obzira na izabrani alat, ugrađeni alat za kreiranje ili Python skriptu, osnovni mehanizam Custom Biddinga funkcioniše kroz zatvorenu petlju mašinskog učenja.
Najpre sistem izračunava pojedinačno bodovanje na osnovu pravila ili koda koji navedete, određujući preciznu vrednost svakog pojedinačnog prikaza. Zatim, DV360 algoritmi analiziraju prikupljene podatke, identifikujući obrasce u karakteristikama publike i platforme i kreirajući prediktivni model. U završnoj fazi, obučeni model optimizuje ponude u realnom vremenu, fokusirajući budžet na kupovinu inventara sa najvećom predviđenom vrednošću.
Na taj način, izbor između interfejsa i koda svodi se na ravnotežu između brzine pokretanja i potrebne dubine integracije poslovnih podataka u proces kupovine medija.
Kreator ciljeva u DV360 korisničkom interfejsu
Skripta se može kreirati na osnovu sledećih ključnih metrika i signala:
1. Konverzije (Conversions)
Ovo su ključni signali za optimizaciju vrednosti koji su pomenuti u tekstu i interfejsu:
- Floodlight podaci: korišćenje oznaka za praćenje radnji na sajtu, kao što su pregled stranice, početak ili završetak popunjavanja obrasca i kupovina.
- Google Analytics 4 (GA4) događaji: integracija prilagođenih događaja koje korisnik izvršava na web sajtu ili u aplikaciji.
- Prilagođene promenljive: prosleđivanje dodatnih dinamičkih parametara zajedno sa konverzijom, kao što su ukupna vrednost porudžbine, kategorija proizvoda, tip kupca i slično.
2. Klikovi (Clicks)
- Optimizacija i licitiranje zasnovani na signalima koji maksimiziraju klikove korisnika ka vašoj ciljnoj web ili landing stranici (konkretno, korišćenje logike zasnovane na pravilima za procenu „kvaliteta“ ili stope klikova pojedinačnih prikaza).
3. Prepoznatljivost brenda / Impresije
- Korišćenje medijskih signala za povećanje vidljivosti brenda i dosezanje šire publike (na primer, skripta može uzeti u obzir vidljivost banera – Viewability, trajanje izloženosti oglasa ili prikaze u određenoj kategoriji premijum inventara).
Kako se ovo uklapa u skriptu?
Proces kreiranja algoritma uključuje izgradnju logike bodovanja (Scoring). U skripti definišete pravila i matematičke koeficijente težine (rezultate) za svaki tip signala.
Primer logike skripte:
- Ako dođe do prikaza oglasa ili klika koji vodi ka sajtu, prikazu se dodeljuje 1 poen.
- Ako korisnik nastavi dalje i započne popunjavanje obrasca, što predstavlja signal mikrokonverzije, dodeljuje se 20 poena.
- Ako se zabeleži završna konverzija, poput kupovine ili uspešnog slanja obrasca evidentiranog putem Floodlighta ili GA4, dodeljuje se najveća vrednost, na primer 100 poena.
Na ovaj način, skripta „objašnjava“ veštačkoj inteligenciji DV360 za koje kombinacije prikaza, klikova i konverzija vredi platiti više kako bi se stekao najvredniji saobraćaj za poslovanje.
Proces kreiranja sopstvenog algoritma
Implementacija prilagođenog licitiranja sastoji se od nekoliko tehničkih faza, od kojih svaka utiče na konačne performanse kampanje:
- Definisanje cilja i prikupljanje signala
Prvo, neophodno je razumeti koje radnje korisnika su najviše povezane sa prihodom. To se može uraditi korišćenjem Floodlight podataka, Google Analytics 4 događaja ili prilagođenih promenljivih. - Izgradnja logike bodovanja (Scoring)
Kreirate skriptu koja sistemu govori: „Ako je korisnik pregledao 3 stranice sajta, dajte tom prikazu 20 poena; ako je proveo više od 2 minuta na sajtu, dajte mu 50 poena.“ Takođe možete dodati negativne koeficijente za nebitne geografske lokacije ili uređaje. - Testiranje i obuka
Nakon učitavanja skripte, sistemu je potrebno vreme za obuku. To obično traje nekoliko nedelja, tokom kojih algoritam analizira rezultate aukcije i korelaciju između ponuda i rezultujuće vrednosti „poena“.
Izbor funkcije za izračunavanje konačnog rezultata
Prilikom kreiranja Custom Bidding algoritama zasnovanih na prilagođenim pravilima, izuzetno je važno precizno definisati kako će sistem obrađivati više signala koji se istovremeno aktiviraju u okviru jednog prikaza. U tu svrhu u kodu skripte koriste se tri osnovne metode agregacije, od kojih svaka na drugačiji način utiče na izračunavanje konačne vrednosti medijskog inventara. Dostupna su sledeća tri načina za izračunavanje konačnog broja poena:
1. Sumiranje rezultata
Ova metoda radi na principu kumulativnog efekta, gde se sve korisne radnje korisnika ili karakteristike utiska sabiraju. Skripta analizira ceo skup navedenih pravila i sabira rezultate za svako uspešno pravilo. Na primer, ako se tokom utiska pokrenu dva različita pravila (jedno sa vrednošću 1, drugo sa vrednošću 1), algoritam će vratiti konačni rezultat 2. Ovaj pristup je optimalan kada treba da uzmete u obzir svaku mikrokonverziju ili dodatni signal angažovanja, akumulirajući ukupnu vrednost kontakta sa publikom.
2. Izbor maksimalne vrednosti
Logika koja stoji iza ove metode jeste da se odredi događaj najvišeg prioriteta i najznačajniji događaj među svima onima koji se dešavaju u okviru jednog prikaza oglasa. Umesto sabiranja rezultata, skripta upoređuje rezultate svih aktiviranih pravila i bira samo jedno – ono sa najvećom težinom. Ako se detektuje više signala sa vrednostima od 0,8, 1 i 0,2, konačni rezultat za ceo prikaz je 1. Ova metoda je idealna za kampanje sa jasno definisanim prioritetima, gde postizanje makro-cilja potpuno negira vrednost međufaza levka.
3. Prva uspešna pobeda
Ova metoda se zasniva na krutoj hijerarhijskoj strukturi pravila, gde je redosled njihovog izvršavanja kritičan. Algoritam procenjuje prilagođena pravila jedno po jedno, od vrha do dna, onako kako su napisana u kodu. Čim sistem naiđe na prvo pravilo čiji su uslovi ispunjeni, dodeljuje impresiji njegovu ocenu (na primer, 0,8) i potpuno prestaje sa analizom, ignorišući sve ostale okidače ispod njega. Ova metoda se koristi za izgradnju složenih kaskadnih modela gde oglašivač treba jasno da definiše publiku ili tipove konverzija na osnovu primarne karakteristike interakcije.
Rezime arhitekture kampanje
Izbor metode izračunavanja direktno oblikuje ponašanje DV360 veštačke inteligencije tokom aukcije. Kumulativni sum_aggregate će primorati sistem da traži viševektorsko angažovanje, max_aggregate će se fokusirati isključivo na najskuplje akcije, a first_match_aggregate će omogućiti strogu kontrolu budžeta u skladu sa vašom definisanom hijerarhijom signala.
Custom Bidding na bazi Google Sheets
Za mnoge media buyere i marketinške timove, potreba za pisanjem Python koda je glavna prepreka za implementaciju Custom Biddinga. Da bi rešio ovaj problem i automatizovao proces, Google ima zvanično rešenje dostupno na GitHabu. Ono vam omogućava da generišete složene algoritme za licitiranje koristeći poznati interfejs Google tabela.
Logika rada i arhitektura alata
Umesto manuelnog programiranja if/else logike, stručnjak popunjava standardizovanu tabelu koja se sastoji od nekoliko ključnih blokova:
- Blok identifikacije (User Inputs)
U početnoj fazi, navode se osnovni parametri sistema, kao što su DV360 ID partnera i DV360 ID oglašivača. Ovde se takođe bira metod agregacije pomoću padajuće liste, na primer, max_aggregate. - Fleksibilni uslovi i težinski koeficijenti (Condition & Weight)
Svakom pravilu se dodeljuje redni broj i matematička težina (npr. 150, 100 ili 50), koja određuje vrednost prikaza kada su uslovi ispunjeni. - Konstruktor logičkih izraza
Koristeći jednostavne selektore, možete konfigurisati odnose između promenljivih. Možete kombinovati parametre kao što su klikovi (click), tipovi uređaja (device_type), vreme na ekranu (time_on_screen_seconds), vidljivost (active_view_viewed) i dimenzije banera (creative_width / creative_height). Standardni logički operatori AND i OR se koriste za povezivanje više signala.
Validacija i izvoz završenog skripta
Kada je tabela konfigurisana, korisnik više ne mora manuelno da kombinuje promenljive. Interfejs sadrži dva funkcionalna dugmeta koja dovršavaju proces automatizacije:
- QA Script Inputs
Pokreće automatsku proveru sintakse i logike pravila koja ste konfigurisali, eliminišući rizik od grešaka tokom izvršavanja budućeg algoritma. - Final Script to Copy
Generiše konačni, potpuno operativan Python skript. Specijalista jednostavno treba da kopira ovaj kod jednim klikom i nalepi ga direktno u odgovarajuće polje u DV360 interfejsu.
Prednosti ovog pristupa za biznis
Korišćenje GitHub rešenja zasnovanog na Google tabelama omogućava skalabilan rad sa prilagođenim strategijama. Media buyeri dobijaju alat koji kombinuje jednostavnost izvornog kreatora ciljeva sa tehničkom snagom Python skripti. Ovo značajno smanjuje vreme provedeno u razvoju i testiranju novih hipoteza, omogućavajući kreiranje višefaktorskih modela procene saobraćaja bez učešća programera.
Metodologija testiranja efikasnosti Custom Bidding: Experiments u DV360
Svaka implementacija novih tehnologija marketinške automatizacije zahteva rigoroznu verifikaciju. Prilikom prelaska na Custom Bidding, oglašivači često prave grešku upoređujući rezultate po principu “period po period”. Međutim, u dinamičnom okruženju programskog oglašavanja, ovaj pristup nije reprezentativan. Na konačne brojke u velikoj meri utiču spoljni faktori: promenljivi pejzaži aukcija, aktivnost konkurenata, sezonske fluktuacije potražnje, pa čak i ažuriranja pregledača.
Da bi se dobio jasan rezultat i razumeo pravi uticaj prilagođenog algoritma na poslovne metrike, naučni pristup je neophodan. Jedini relevantni metod za testiranje hipoteza u DV360 je pokretanje kontrolisanih A/B testova putem ugrađenog alata Experiments.
Ova funkcija vam omogućava da izolujete uticaj vaše strategije određivanja uloga od svih ostalih faktora. Kreirate dva identična okruženja (testno i kontrolno), gde je jedina promenljiva algoritam licitiranja. Samo ovaj format testiranja pruža sigurnost da je povećanje vrednosti rezultat vaše skripte, a ne slučajna koincidencija na tržištu.
Delite svoj inventar u dve identične grupe:
- Kontrolna grupa koristi standardnu strategiju (npr. Maximize Conversions).
- Test grupa koristi vašu Custom Bidding skriptu.
Ovaj pristup vam omogućava da vidite neto povećanje (Lift) vrednosti. Primetićete da, iako cena po konverziji (CPA) u test grupi može biti identična ili čak malo viša, ukupan prihod Revenue ili broj „teških“ konverzija (npr. skupih porudžbina) značajno raste.
Evolucioni pristup: od jednostavnog do složenog
Jedna od najvećih prepreka pri prelasku na prilagođene strategije je želja oglašivača da odmah kreira „savršen algoritam“ koji uzima u obzir desetine varijabli. Međutim, iskustvo pokazuje da pokušaj pokretanja „monstruoznog algoritma“ na početku često rezultira nedovoljnim podacima za edukovanje veštačke inteligencije.
Najefikasnija strategija je postepeno povećanje složenosti modela. Ovo omogućava algoritmu da postepeno uči, a timu da vidi stvarni uticaj svake nove varijable na ukupni rezultat.
Faza 1: Ponderisane konverzije (Weighted Conversions)
Prvi i najvažniji korak je naučiti sistem da razlikuje mikro- i makro-konverzije. Umesto optimizacije samo za konačnu kupovinu (što možda nije dovoljno za brzo obuku algoritma), dodeljujemo „težinu“ ili ocenu svakoj akciji korisnika unutar levka.
- Pregled ključne stranice = 1 poen (signal interesovanja).
- Registracija na web-sajtu = 10 poena (jaka namera).
- Transakcija = 100 poena (konačni cilj).
Takva hijerarhija daje DV360 algoritmu ogroman skup podataka. Čak i ako postoji samo nekoliko transakcija, sistem vidi hiljade „malih“ vrednosnih signala i brzo razume koji korisnički profil ima najveće šanse da dođe do konačne konverzije.
Faza 2: Korišćenje u-variables (Custom Variables)
Kada se model zasnovan na rezultatima stabilizuje, vreme je da se pređe na integraciju stvarnih poslovnih metrika. U ovoj fazi koristimo Floodlight prilagođene promenljive (u-variables), koje nam omogućavaju da prosledimo određene informacije o događajima skripti.
Ovo omogućava algoritmu da donosi odluke na osnovu:
- Marginalnosti: da postavi višu ponudu za proizvode koji donose veći profit.
- Kategorije proizvoda: dajte prioritet kupovini saobraćaja za nove kolekcije ili preostale zalihe.
- Statusa kupca: razlikujte nove korisnike od postojećih, što je ključno za strategije pronalaženja potencijalnih kupaca.
Na ovom nivou, vaše oglašavanje više ne traži samo kupce, već profitabilne kupce.
Faza 3: Sinergija sa Google Cloud ekosistemom
Ovo je najviši nivo zrelosti kupovine medija, gde je strategija oglašavanja potpuno integrisana sa poslovnom analitikom. Koristeći BigQuery integraciju, možete učitati složene prediktivne modele u DV360.
Algoritam dobija pristup podacima koji se ne mogu prikupiti samo pomoću piksela web stranice:
- Predviđena LTV (Lifetime Value): Sistem kupuje prikaze oglasa za korisnike koji će, prema vašim podacima, ostati uz brend godinama.
- Oflajn podaci: Obračun prodaje u fizičkim prodavnicama ili putem call centra radi prilagođavanja onlajn ponuda.
- Složeni modeli atribucije: Procena stvarnog doprinosa svakog prikaza višekanalnom levku.
Ova duboka integracija transformiše DV360 u centar za obaveštajne podatke koji kupuje ne samo saobraćaj, već i dugoročnu profitabilnost za celokupno poslovanje.
Merenje učinka i najbolje prakse
Prelazak na Custom Bidding zahteva promenu paradigme u merenju rezultata. Dok se u standardnim kampanjama fokusiramo na cenu po akciji (CPA), u prilagođenim strategijama, primarna referentna vrednost je ukupna vrednost (Total Value). Ključni pokazatelj uspeha ovde nije koliko smo jeftino kupili konverziju, već koliko smo kvalitetnu i profitabilnu „količinu“ ovih konverzija dobili za isti budžet.
1. Kvantitativne metrike za procenjene prikaze
- Prikazi sa prilagođenom vrednošću (Impressions with custom value):
- Definicija: Broj prikaza kojima je skripta dodelila bilo koju vrednost.
- Napomena: Obuhvata prikaze sa vrednošću 0, ali ne i prikaze koji nisu ispunili uslove definisane logikom skripte.
- Prikazi sa pozitivnom prilagođenom vrednošću (Impressions with positive custom value):
- Definicija: Broj prikaza kojima je skripta dodelila vrednost veću od 0.
- Napomena: Ne obuhvata prikaze sa vrednošću 0 niti prikaze kojima nije dodeljena vrednost.
2. Metrike ukupne i relativne vrednosti
- Ukupna prilagođena vrednost prikaza (Total impression custom value):
- Definicija: Zbir vrednosti svih prikaza.
- Procenat prikaza sa pozitivnom prilagođenom vrednošću (% Impressions with positive custom value):
- Definicija: Odnos broja prikaza sa vrednošću većom od 0 i ukupnog broja procenjenih prikaza.
3. Finansijske i vrednosne metrike
- Procenjeni ukupni trošak prikaza sa prilagođenom vrednošću (Estimated total cost for impressions with custom value):
- Definicija: Ukupan trošak prikaza koji su ispunili uslove definisane logikom skripte, izražen u valuti oglašavača.
- Napomena: Ova metrika se može porediti sa metrikom Revenue u standardnim izveštajima.
- Procenjeni CPM za prikaze sa prilagođenom vrednošću (Estimated CPM for impressions with custom value):
- Definicija: Cena na 1.000 prikaza kojima je dodeljena vrednost.
- Napomena: Ova metrika se može porediti sa metrikom Revenue CPM u standardnim izveštajima.
4. Metrike efikasnosti algoritma
- Prilagođena vrednost prikaza / trošak:
- Formula: (Zbir vrednosti prikaza) / (Procenjeni ukupni trošak).
- Napomena: Ovo je ključna metrika za direktnu procenu efikasnosti algoritma.
- Vrednost prikaza na 1.000 prikaza:
- Formula: (Zbir vrednosti prikaza) * 1.000 / (Ukupan broj procenjenih prikaza).
Sinergija unutar Google Marketing Platforme
Potpuna integracija GMP proizvoda pretvara Custom Bidding u autonomni sistem za donošenje odluka. Podaci koje prikuplja Google Analytics automatski pokreću DV360. Ovo stvara besprekorno iskustvo: analitika beleži nijanse ponašanja korisnika, a algoritam odmah dobija uputstva o tome kako da odredi ulog na sledećoj aukciji. Ovo transformiše kupovinu medija iz mehaničkog procesa u strateško upravljanje poslovnom vrednošću.
Custom Bidding u DV360 je logičan korak za timove koji su iscrpeli potencijal standardnih strategija i traže dublju optimizaciju. Umesto oslanjanja na osnovne algoritme, dobijate mogućnost da samostalno određujete prioritete za veštačku inteligenciju. Ovo transformiše kupovinu medija iz mehaničkog procesa kupovine klikova u alat za ciljano ulaganje u najprofitabilnije klijente. Implementacija prilagođenih strategija zahteva vreme i tehničku stručnost, ali ovaj pristup osigurava stabilan rast ROAS i transparentnu analitiku. Više ne kupujete samo prikaze, već pravu vrednost koju svaki kontakt donosi vašem poslu.
CoobX, kao zvanični prodajni partner Google Marketing Platform, pomaže brendovima i agencijama da integrišu Custom Bidding u svoje reklamne strategije. Ako ste spremni da pređete na složenije modele optimizacije, naši stručnjaci mogu vam pomoći sa tehničkim podešavanjem, pokretanjem i analizom početnih rezultata. Kontaktirajte nas za konsultacije i da biste započeli implementaciju.
Ovaj materijal je zasnovan na webinarima kompanije CoobX, zvaničnog GMP prodajnog partnera.
