Сьогодні у сфері програматик-реклами відбувається фундаментальне зміщення акцентів: боротьба йде не за охоплення чи кількість показів, а за їхню реальну якість та вплив на фінансовий результат. Ми живемо в період «інфляції даних», де просте отримання конверсії вже не є гарантією прибутковості.
Автоматичні стратегії призначення ставок працюють за лінійною логікою. Для них діє принцип: «одна конверсія = однакова цінність». З точки зору системи підписка на розсилку, додавання товару до кошика та покупка преміального продукту мають однаковий пріоритет, якщо їх налаштовано як цілі. Але для реального бізнесу це не так. Такий усереднений підхід призводить до того, що рекламний бюджет не концентрується на залученні клієнтів, які приносять найбільшу цінність для бізнесу.
Щоб подолати цей розрив між медіапоказниками та бізнес-результатами, Google розробив Custom Bidding. Це унікальний функціонал DV360, який дозволяє рекламодавцям вийти за межі стандартних KPI. Замість того, щоб підлаштовуватися під автоматичні стратегії призначення ставок Google, ви отримуєте можливість «навчити» ШІ оцінювати кожен показ через призму ваших конкретних бізнес-завдань: від маржинальності товарів до прогнозованого життєвого циклу клієнта (LTV).
У цій статті ми детально розберемо, як працює ця технологія, чому вона залишається ексклюзивною перевагою екосистеми Google Marketing Platform, і як побудувати власний алгоритм, що приноситиме вашому бренду не просто кліки, а справжню цінність.
Фундаментальна різниця: ключові відмінності від стандартного Automated Bidding
Щоб зрозуміти силу Custom Bidding, варто подивитися на механіку стандартних стратегій. Автоматичне призначення ставок (Automated Bidding) у DV360 оптимізує кампанії на основі ймовірності кліка, конверсії або видимості. Модель ШІ аналізує історичні дані та понад 40 аукціонних сигналів, щоб купити показ за оптимальною ціною.
Проблема стандартного підходу полягає в обмеженості можливостей налаштування цілей. Якщо ви обираєте стратегію «Максимізація конверсій» і додаєте декілька цілей до одного Line Item, то система буде однаково боротися за користувача, який додає товар у кошик, і за того, хто здійснює покупку на великий чек. Наразі єдина стандартна стратегія Value-based bidding, яка орієнтована саме на цінність конверсії, доступна лише для Demand Gen кампаній, тому якщо ви обираєте, будь-який інший тип кампанії, то система при декількох доданих цілях буде орієнтуватися на ті конверсії, які легше досягти, а не ті, що важливіші для бізнесу.
Custom Bidding змінює ж правила гри. Це не створення алгоритму з нуля, а «тонке налаштування» (fine-tuning) наявних моделей Google. Ви використовуєте цей самий алгоритм, але самостійно призначаєте «вагу» або бали для кожної дії користувача.
Які можуть бути сценарії використання Custom bidding
Custom Bidding дозволяє оперувати даними, які раніше були недоступні для автоматизованої оптимізації ставок:
- ROAS транзакцій
Оптимізація безпосередньо на цінність доходу, що передається через Floodlight теги продажів або цілі Google Analytics. Система автоматично коригує ставки, щоб максимізувати загальний прибуток, а не кількість замовлень.
- Зважені конверсії (Weighted Conversions)
Ви можете відобразити всю воронку продажів у алгоритмі. Наприклад, призначити 10 балів за відвідування сторінки товару, 50 балів за реєстрацію на веб-сайті та 100 балів за покупку. Це допомагає алгоритму швидше навчатися, оскільки він бачить цінність у кожному кроці користувача, а не лише у фінальній дії.
- Оптимізація на основі Customer Value
Використовуючи кастомні змінні (u-variables) у Floodlight або цілі GA4, ви можете передавати в систему інформацію про товари в кошику, тривалість проживання під час бронювання номеру в готелі, SKU товару або статус лояльності клієнта. Алгоритм буде ставити вищу ставку за показ користувачу, чий прогнозований чек вищий.
- Якість брендового контакту
Для медійних кампаній важливо, як саме користувач бачив рекламу. Custom Bidding дозволяє враховувати розмір креативу, позицію оголошення на сторінці, тривалість перегляду відео та показники Active View аби бренд був дійсно помітним у полі зору цільової аудиторії.
Порівняння Automated bidding VS Custom bidding
Головна відмінність між стандартними стратегіями призначення ставок та кастомними стратегіями полягає у переході від бінарної оцінки показу до його диференційованої інтелектуальної оцінки.
1. Логіка роботи Automated Bidding (Стандартна автоматизація)
Традиційні алгоритми платформи працюють за спрощеною системою оцінки ефективності показу, де існує лише два стани: «так» або «ні».
- Механіка оцінки
Якщо кампанія оптимізується, наприклад, за критерієм видимості, то зафіксований перегляд оголошення (Ad is Viewed) отримує 100% цінності. Водночас показ, який не став видимим (Ad is Not Viewed), маркується як повністю неефективний і отримує 0% цінності.
- Обмеження
Алгоритм автоматизації не враховує якісні характеристики самого перегляду. Для нього два видимі покази є абсолютно рівноцінними, навіть якщо на першому майданчику користувач взаємодіяв з рекламою 2 секунди, а на другому – понад 10 секунд на великому екрані.
2. Логіка роботи Custom Bidding (Кастомні алгоритми)
Кастомний підхід дозволяє рекламодавцю самостійно визначати, які саме комбінації сигналів та технічних метрик формують дійсно якісний медійний контакт. Замість жорсткої шкали «0 або 100 » впроваджується гнучкий розподіл цінності залежно від сили сигналу.
При такому сценарії цінність одного показу може динамічно змінюватися під впливом комбінації декількох факторів, наприклад: видимості (Ad is Viewed), часу на екрані (ToS > 10 sec) та масштабу креативу (Large Creative):
- 100% цінності (Ідеальний показ)
Присвоюється лише тоді, коли збігаються всі три фактори – оголошення було видимим, відтворювалося понад 10 секунд і сам креатив був великого розміру.
- 70% цінності
Нараховується, якщо оголошення було видимим і креатив був великого розміру.
- 40% цінності
Система фіксує, коли оголошення було видимим і утримувало увагу користувача понад 10 секунд.
Чому це важливо для оптимізації кампаній?
Впровадження Custom Bidding докорінно змінює вектор навчання алгоритму DV360. Замість того, щоб сліпо скуповувати будь-який інвентар, алгоритм навчається визначати, які покази мають найбільшу цінність для досягнення бізнес-цілей.
Бали та множники в Сustom Bidding
Розрахунок кастомного бідингу ґрунтується на математичному моделюванні, яке дозволяє об’єднувати різні типи сигналів в єдину систему оцінки показу. Це дає можливість не просто фіксувати факт виконання дії, а зважувати її контекст.
Компоненти математичної моделі
Для точного скорингу показу алгоритм агрегує суму базових балів та перемножує її на коефіцієнти (множники), що відображають якість або умови самого показу.
- Бали
Це кількісні метрики оцінки взаємодії користувача з оголошенням – наприклад, факт здійснення конверсії або кліку. Кожній дії присвоюється своя вага, яка відображає її значущість для бізнесу.
- Коефіцієнти (множники)
Це якісні параметри, які посилюють або послаблюють (множники <1, наприклад, 0,3, 0,5, 0,8) цінність взаємодії залежно від умов показу. До них можуть належати тип пристрою (наприклад, мобільний) або позиція оголошення на сторінці веб-сайту.
Приклад розрахунку цінності на практиці
Три різні рекламні покази (А, B та C) отримують абсолютно різну фінальну цінність для алгоритму закупівлі завдяки комбінації балів та множників:
- Показ А (Максимальна цінність)
Користувач здійснив конверсію (9 балів) та клікнув по оголошенню (1 бал) на мобільному пристрої (множник 2) з топової позиції оголошення (множник 5). Формула розрахунку (9 + 1) x 2 x 5 дає фінальну цінність показу 100. Це пріоритетний трафік, за який система змагатиметься найактивніше.
- Показ B (Мінімальна цінність)
У цьому випадку конверсії не було (0 балів), зафіксовано лише клік (1 бал) на мобільному пристрої (множник 2), при цьому дані про позицію оголошення відсутні. Розрахунок за формулою (0 + 1) x 2 трансформується у фінальну цінність показу 2. Алгоритм маркує такий інвентар як низькопріоритетний.
- Показ C (Нульова цінність)
Показ відбувся на хорошій позиції оголошення (множник 4), проте користувач не здійснив жодної дії – ні кліку, ні конверсії (0 балів). Математична логіка (0 + 0) x 4 призводить до цінності показу 0. Для алгоритму цей показ не має жодного сенсу, тому витрачати бюджет на схожі розміщення система припинить.
Вплив на стратегію призначення ставок
Такий підхід дозволяє вийти за рамки стандартної оптимізації ставок. Замість того, щоб оцінювати всі конверсії чи кліки як однакові, Custom Bidding допомагає системі бачити, які саме фактори супроводжували цю конверсію. Якщо покупка відбулася з мобільного пристрою та преміальної позиції, штучний інтелект моментально зчитує цей сигнал і перебудовує модель призначення ставок, щоб купувати більше саме такого, найбільш конверсійного та якісного інвентарю.
Типи Custom bidding: Attention-based bidding
Сучасний медійний аналіз дедалі частіше відходить від оцінки кліків на користь вимірювання реальної залученості аудиторії. Стратегія Attention-based bidding у DV360 дозволяє налаштувати алгоритм так, щоб він купував інвентар, який гарантує максимальну увагу користувача до рекламного повідомлення.
1. Контекст показу (Placement & User Context)
Ця категорія сигналів описує зовнішні умови, за яких відбувається рекламний контакт. Вони відображають, де і коли демонструється реклама, і повністю незалежні від параметрів самого креативу. До них відносяться:
- Час та геолокація
Година доби (Hour of Day), день тижня (Day of Week) та географічне положення користувача (Geo).
- Технічне середовище
Операційна система (Operating System) та тип пристрою (Device Type).
- Якість майданчика
Тематична категорія веб-сайту або канал (Site category/Channel), а також конкретний домен (Site/Domain).
Ці дані допомагають системі заздалегідь прогнозувати потенціал залученості – наприклад, знижувати ставки в години найменшої активності або на веб-сайтах із низьким рівнем утримання уваги.
2. Якість показу (Attention Proxies)
Це ключовий блок для Attention-based моделей. Проксі-метрики уваги визначають якість показу з точки зору того, чи мав користувач фізичну можливість помітити та сприйняти рекламу. Сюди входять параметри, які безпосередньо впливають на видимість і взаємодію:
- Видимість та звук
Фактична видимість банера чи плеєра (Viewable) та наявність увімкненого звуку під час відтворення відео чи аудіо (Audible).
- Час контакту
Тривалість перебування рекламного оголошення на екрані пристрою (Time on screen).
- Характеристики плеєра та креативу
Фізичний розмір рекламного блоку (Creative Size / Dimensions), масштаби відеоплеєра (Video Player Size), а також факт зміни розміру вікна користувачем (Video Resized).
Бізнес-цінність підходу
Поєднання контекстних сигналів та метрик уваги дозволяє алгоритму DV360 вираховувати ймовірність якісного медійного контакту ще до моменту ставки. Наприклад, система бачить, що показ планується на десктопі, на преміальному домені, у великому форматі плеєра і з високою ймовірністю утримання тривалості відтворення – для Attention-based bidding такий набір сигналів є тригером найвищої цінності показу. Алгоритм автоматично підвищить ставку, щоб викупити цей якісний інвентар, і навпаки – мінімізує витрати на покази, де реклама хоч і завантажиться, але буде прокручена користувачем за лічені секунди.
Типи Custom bidding: Conversion-based bidding
1. Використання всіх даних про конверсії для оптимізації
Головна ідея полягає в тому, що не всі конверсії однаково важливі для бізнесу. Custom bidding дозволяє фокусуватися на найбільш цінних діях користувача, водночас не втрачаючи з поля зору інші корисні конверсії.
2. Як це працює (на прикладі воронки)
Замість того, щоб оптимізуватися лише під одну фінальну дію або робити однакову ставку на всі дії, Custom bidding враховує вклад всіх конверсій (відповідно до налаштованих тегів Floodlight):
- Лендінг (перегляд сторінки) – базова дія, яка має найменшу цінність (сірий колір).
- Початок заповнення форми – дія, що свідчить про вищий інтерес (червоний колір).
- Фіналізація заповнення форми – крок за крок до успіху (помаранчевий колір).
- Успішна відправка форми – найцінніша конверсія з найвищою ставкою (зелений колір).
3. Живлення алгоритму машинного навчання
Графік праворуч чітко демонструє різницю в обсязі сигналів, які отримує алгоритм для навчання:
- Automated bidding
Орієнтується переважно на один тип сигналів (наприклад, лише на успішне відправлення форми). Через це обсяг даних для навчання алгоритму є дуже малим (зелений стовпчик зліва).
- Custom bidding
Збирає та інтегрує сигнали з усіх етапів воронки (від відвідування лендінгу до фінальної відправки форми). Завдяки цьому алгоритм машинного навчання отримує значно більший обсяг даних (стовпчик справа), що дозволяє йому швидше та якісніше навчатися, точніше прогнозувати результати та ефективніше оптимізувати закупівлю інвентарю.
Процес створення власного алгоритму
Для налаштування власного алгоритму оптимізації існують два основні підходи:
Нативний конструктор цілей в інтерфейсі DV360 (Goal Builder)
Цей підхід базується на використанні вбудованого в DV360 конструктора цілей без необхідності написання коду. Він призначений для швидкого візуального моделювання цінності на основі доступних сигналів про показ, ви задаєте їм числову вагу прямо в інтерфейсі. Ідеально для старту.
Кастомні скрипти мовою Python
Для більшої гнучкості та більш складних налаштувань в DV360 є можливість написання кастомних скриптів мовою Python. Цей підхід призначений для створення гнучких моделей оцінки інвентарю.
Використання коду дозволяє закласти в алгоритм понад 40 різноманітних параметрів і функцій, об’єднуючи їх за допомогою умовної логіки. Цей метод необхідний для оптимізації кампаній за складними бізнес-метриками, такими як розрахунковий чистий прибуток (маржа), пожиттєва цінність клієнта (LTV), глибока залученість на сайті на основі сигналів Google Analytics або специфічні бренд-метрики. Головна перевага Python-скриптів – це практично необмежена гнучкість, яка дозволяє навчати алгоритм купувати лише ті покази, що приносять реальну цінність бізнесу.
Принцип роботи та навчання алгоритму
На основі заданих вами правил система прораховує індивідуальний скоринг, тобто визначає точну цінність кожного окремого показу. Після цього алгоритми DV360 аналізують отримані дані, виявляють закономірності у характеристиках аудиторії та майданчиків, формуючи предиктивну модель. На фінальному етапі навчена модель оптимізує ставки в реальному часі, фокусуючи бюджет на викупі інвентарю з найвищою прогнозованою цінністю.
Таким чином, вибір між конструктором та скриптом зводиться до вибору між швидкістю запуску та необхідною глибиною інтеграції бізнес-даних у процес медіазакупівлі.
Скрипт можна створювати на основі таких основних метрик та сигналів:
- Конверсії (Conversions)
Це ключові сигнали для оптимізації цінності:
- Дані Floodlight: використання тегів відстеження дій на сайті (як-от перегляди сторінок, початок чи фіналізація заповнення форм, покупки).
- Події Google Analytics: інтеграція кастомних подій, які користувач здійснює на веб-сайті або в додатку.
- Кастомні змінні (Custom Variables): передача додаткових динамічних параметрів разом із конверсією (наприклад, сума чека, категорія товару, тип клієнта тощо).
- Кліки (Clicks)
- На відміну від стандартної стратегії «Maximize Clicks», яка здебільшого шукатиме найдешевший трафік, який клікає незалежно від якості цього трафіку, оптимізація на основі кліків з використанням Custom bidding дозволяє додати алгоритму більше контексту за допомогою множників, наприклад, ми зробили аналіз наших кампаній і бачимо, що з форматів, які генерують найбільше кліків саме 300×600 має найвищий % конверсій після кліку, тому ми задаємо йому множник ×2 в нашому Custom bidding алгоритмі.
- Покази та Впізнаваність (Brand awareness / Impressions)
- Використання медійних сигналів для збільшення видимості бренду та охоплення ширшої аудиторії (наприклад, скрипт може враховувати видимість банера – Viewability, тривалість контакту з рекламою або показ у певній преміальній категорії інвентарю).
Як це об’єднується в скрипті?
Процес створення алгоритму передбачає побудову логіки оцінювання (Scoring). У скрипті прописуються правила та математичні вагові коефіцієнти (бали) для кожного типу сигналу.
Приклад логіки скрипту:
- Якщо відбувся показ або клік, який веде на веб-сайт – присвоїти показу 1 бал.
- Якщо користувач перейшов далі й розпочав заповнення форми (сигнал мікроконверсії) – присвоїти показу 20 балів.
- Якщо зафіксовано фінальну конверсію (купівля або успішна відправка форми з Floodlight/GA4) – присвоїти найвищу цінність, наприклад, 100 балів.
У такий спосіб скрипт «пояснює» штучному інтелекту DV360, за які саме комбінації показів, кліків та конверсій варто платити більше, щоб залучати найцінніший для бізнесу трафік.
Процес налаштування власного алгоритму
Впровадження Custom Bidding складається з кількох технічних етапів, де кожен крок впливає на фінальну ефективність кампанії:
- Визначення мети та збір сигналів
Перш за все, необхідно зрозуміти, які дії користувача є найбільш цінними. Для цього використовуються дані Floodlight, події Google Analytics та кастомні змінні.
- Побудова логіки оцінювання (Scoring)
Ви створюєте скрипт, який каже системі: «Якщо користувач переглянув 3 сторінки веб-сайту, дай цьому показу 20 балів; якщо він провів на веб-сайті понад 2 хвилини – 50 балів».
Також можна додавати коефіцієнти (множники) менше 1 (0,5;0,3) для нерелевантних гео або пристроїв аби навпаки “відсікти” небажані покази.
- Тестування та навчання
Після завантаження скрипта системі потрібен час на навчання. Зазвичай це займає від декількох тижнів, протягом яких алгоритм аналізує результати аукціонів та кореляцію між ставками та отриманими «балами» цінності.
Вибір функції для розрахунку фінального балу
При створенні алгоритмів Custom Bidding на основі кастомних правил вкрай важливо визначити, як саме система оброблятиме кілька сигналів, якщо вони спрацюють одночасно під час одного показу. Для цього в коді скрипту використовуються три базові методи агрегації, кожен з яких повністю змінює логіку підрахунку підсумкової цінності інвентарю. Доступні наступні три основні способи підрахунку фінального балу:
1. Сумування результатів (sum_aggregate)
Цей метод працює за принципом кумулятивного ефекту, коли всі корисні дії користувача або характеристики показу додаються одна до одної.
Скрипт аналізує весь набір заданих правил і підсумовує бали за виконання кожного з них. Наприклад, якщо під час показу спрацювали два різні правила (одне з цінністю 1, інше – з цінністю 1), алгоритм видасть фінальний результат 2. Такий підхід є оптимальним, коли вам важливо врахувати кожну мікроконверсію або додатковий сигнал залученості, накопичуючи загальну цінність контакту з аудиторією.
2. Вибір максимального значення (max_aggregate)
Логіка цього методу полягає у визначенні найбільш пріоритетної та вагомої події серед усіх, що відбулися в межах одного рекламного показу.
Замість додавання балів, скрипт порівнює результати всіх правил, що спрацювали, та обирає з них лише одне – те, яке має найбільшу вагу. Якщо зафіксовано кілька сигналів з цінностями 0.8, 1 та 0.2, фінальним балом усього показу стане 1. Цей метод ідеально підходить для кампаній з чітко розставленими пріоритетами, де досягнення макроцілі повністю нівелює цінність проміжних етапів воронки.
3. Перший успішний збіг (first_match_aggregate)
Цей спосіб базується на жорсткій ієрархічній структурі правил, де критичне значення має послідовність їхнього виконання.
Алгоритм перевіряє кастомні правила по черзі, зверху вниз, як вони прописані в коді. Щойно система стикається з першим правилом, умови якого були виконані, вона присвоює показу його бал (наприклад, 0.8) і повністю припиняє подальший аналіз, ігноруючи решту тригерів нижче за списком навіть якщо пізніше спрацювали правила з вищим балом. Даний метод використовується для побудови складних каскадних моделей, де рекламодавцю необхідно чітко розмежувати аудиторію або типи конверсій за первинною ознакою взаємодії.
Резюме для архітектури кампанії
Вибір методу підрахунку безпосередньо формує поведінку штучного інтелекту DV360 на аукціоні. Накопичувальний sum_aggregate змусить систему шукати багатовекторну залученість, max_aggregate фокусуватиметься виключно на найдорожчих діях, а first_match_aggregate дозволить жорстко контролювати бюджет відповідно до заданої вами ієрархії сигналів.
Custom bidding на базі Google Sheets
Для багатьох медіабайерів та маркетингових команд необхідність написання коду на Python стає головним бар’єром на шляху до впровадження Custom Bidding. Щоб розв’язати цю проблему та автоматизувати процес, існує ще одне рішення від Google на GitHub. Це рішення дозволяє генерувати складні алгоритми призначення ставок за допомогою звичного інтерфейсу Google Sheets.
Логіка роботи та архітектура інструменту
Замість ручного програмування логіки if/else, спеціаліст заповнює стандартизовану таблицю, яка складається з кількох ключових блоків:
- Блок ідентифікації (User Inputs)
На початковому етапі вказуються базові параметри системи, такі як DV360 Partner ID та DV360 Advertiser ID. Тут же за допомогою випадаючого списку обирається метод обробки даних (Aggregation Method), наприклад, max_aggregate.
- Гнучкі умови та вагові коефіцієнти (Condition & Weight)
Для кожного правила задається його порядковий номер та математична вага (наприклад, 150, 100 або 50), яка визначає цінність показу при виконанні умов.
- Конструктор логічних виразів
За допомогою простих селекторів ви налаштовуєте зв’язки між змінними. Ви можете комбінувати такі параметри як кліки (click), типи пристроїв (device_type), тривалість перебування на екрані (time_on_screen_seconds), видимість (active_view_viewed), геометричні розміри банера (creative_width / creative_height) та інші сигнали. Для зв’язку між кількома сигналами використовуються стандартні логічні оператори AND та OR.
Валідація та експорт готового скрипту
Після завершення налаштування таблиці користувачу не потрібно самостійно комбінувати змінні. Інтерфейс містить дві функціональні кнопки, які завершують процес автоматизації:
- QA Script Inputs
Запускає автоматичну перевірку синтаксису та логіки налаштованих вами правил, виключаючи ризик виникнення помилок під час виконання майбутнього алгоритму.
- Final Script to Copy
Генерує фінальний, повністю готовий до роботи Python-скрипт. Спеціалісту залишається лише скопіювати цей код в один клік та вставити його безпосередньо у відповідне поле в інтерфейсі DV360.
Переваги підходу для бізнесу
Використання GitHub-рішення на базі Google Sheets дозволяє масштабувати роботу з Custom bidding. Медіабайери отримують інструмент, який поєднує у собі простоту нативного конструктора цілей та технічну потужність Python-скриптів. Це значно скорочує час на розробку та тестування нових гіпотез, дозволяючи створювати багатофакторні моделі оцінки трафіку без залучення програмістів.
Методологія тестування ефективності Custom Bidding: Experiments у DV360
Будь-яке впровадження нових технологій в автоматизації маркетингу потребує суворої верифікації. Коли мова йде про перехід на Custom Bidding, рекламодавці часто припускаються помилки, порівнюючи результати за принципом «період до періоду». Проте в динамічному середовищі програматику такий підхід не є репрезентативним. На підсумкові цифри занадто сильно впливають зовнішні фактори: зміна аукціонного ландшафту, активність конкурентів, сезонні коливання попиту або навіть оновлення браузерів.
Щоб отримати чистий результат і зрозуміти реальний вплив кастомного алгоритму на бізнес-показники, необхідно використовувати науковий підхід. Єдиним релевантним методом перевірки гіпотез у DV360 є запуск контрольованого A/B-тестування через вбудований інструмент Experiments.
Цей функціонал дозволяє ізолювати вплив стратегії призначення ставок від усіх інших факторів. Ви створюєте два ідентичні середовища (тестове та контрольне), де єдиною змінною буде саме алгоритм бідингу. Тільки такий формат тестування дає впевненість, що приріст цінності є результатом роботи вашого скрипта, а не випадковим збігом обставин на ринку.
Як працює експеримент:
DV360 випадковим чином розподіляє користувачів між двома ідентичними Insertion Order, які мають доступ до одного й того самого інвентарю. Єдина змінна — стратегія призначення ставок:
- Контрольна група (Baseline) — частина аудиторії, яка бачить рекламу з IO зі стандартною стратегією призначення ставок.
- Тестова група — частина аудиторії, яка бачить рекламу з IO, де ставки розраховуються за вашим Custom Bidding алгоритмом.
Саме такий підхід дозволяє побачити чистий приріст (Lift) у цінності.
Еволюційний підхід: від простого до складного
Однією з найбільших перешкод при переході на кастомні стратегії є бажання рекламодавця одразу створити «ідеальний алгоритм», який би враховував десятки змінних. Проте практика показує: спроба запустити такий «ідеальний алгоритм» на старті часто призводить до браку даних для навчання ШІ.
Найбільш ефективною стратегією є поступове ускладнення моделі. Це дозволяє алгоритму стабільно навчатися, а команді – бачити реальний вплив кожної нової змінної на загальний результат.
Етап 1: Зважена воронка (Weighted Conversions)
Перший і найважливіший крок – навчити систему розрізняти мікро- та макроконверсії. Замість того, щоб оптимізуватися лише на фінальну покупку (яких може бути недостатньо для швидкого навчання алгоритму), ми призначаємо «вагу» або бали кожній дії користувача в межах воронки:
- Перегляд ключової сторінки = 1 бал (сигнал інтересу).
- Реєстрація на веб-сайті = 10 балів (високий намір).
- Транзакція = 100 балів (фінальна мета).
Така ієрархія дає алгоритму DV360 величезний масив даних. Навіть якщо транзакцій небагато, система бачить тисячі «дрібних» сигналів цінності та швидше розуміє, який профіль користувача з більшою ймовірністю дійде до фінальної мети.
Етап 2: Використання u-variables (Custom Variables)
Як тільки модель на базі балів стабілізувалася, час переходити до інтеграції реальних бізнес-метрик. На цьому етапі ми використовуємо кастомні змінні Floodlight (u-variables), які дозволяють передавати в скрипт специфічну інформацію про подію.
Це дозволяє алгоритму приймати рішення на основі:
- Маржинальність: ставити вищу ставку за покупку товарів з вищою прибутковістю.
- Категорії товарів: пріоритезувати закупівлю трафіку для нових колекцій або складських залишків.
- Статусу клієнта: відрізняти нових користувачів від існуючих, що критично важливо для стратегій залучення (Prospecting).
На цьому рівні ваша реклама вже не просто шукає покупців, а шукає вигідних покупців.
Етап 3: Синергія з екосистемою Google Cloud
Це найвищий рівень зрілості медіабаїнгу, де рекламна стратегія повністю зливається з бізнес-аналітикою. Використовуючи інтеграцію з BigQuery, ви можете завантажувати в DV360 складні прогнозні моделі.
Алгоритм отримує доступ до даних, які неможливо зібрати лише пікселем на веб-сайті:
- Прогнозований LTV (Lifetime Value): система купує покази оголошень користувачам, які, згідно з вашими даними, залишатимуться з брендом роками.
- Офлайн-дані: врахування продажів у фізичних магазинах або через кол-центр для коригування ставок в онлайні.
- Складні моделі атрибуції: оцінка реального внеску кожного показу в багатоканальну воронку.
Така глибока інтеграція перетворює DV360 на інтелектуальний центр, який купує не просто трафік, а довгострокову прибутковість для всього бізнесу.
Вимірювання ефективності
Перехід на Custom Bidding вимагає зміни парадигми оцінки результатів. Якщо в стандартних кампаніях ми фокусуємося на вартості дії (CPA), то в кастомних стратегіях головним орієнтиром стає сукупна цінність (Total Value). Ключовий показник успіху тут – не те, наскільки дешево ми купили конверсію, а те, наскільки якісний та прибутковий «об’єм» цих конверсій ми отримали за той самий бюджет.
- Кількісні метрики оцінених показів
- Impressions with custom value (Покази з кастомною цінністю):
- Визначення: Кількість (#) показів, яким ваш скрипт присвоїв будь-яку цінність.
- Примітка: Сюди входять покази з оцінкою «0» та виключаються ті покази, які не потрапили під логіку скрипта.
- Impressions with positive custom value (Покази з позитивною кастомною цінністю):
- Визначення: Кількість (#) показів, яким ваш скрипт присвоїв цінність > 0.
- Примітка: Виключає покази з оцінкою «0» та покази, які не були оцінені логікою скрипта.
- Метрики сумарної та відносної цінності
- Total impression custom value (Загальна кастомна цінність показів):
- Визначення: Сума значень цінності всіх показів.
- % Impressions with positive custom value (% показів з позитивною кастомною цінністю):
- Визначення: Відношення показів із цінністю > 0 до загальної кількості оцінених показів.
- Фінансові та вартісні метрики
- Estimated total cost for impressions with custom value (Очікувана загальна вартість показів із кастомною цінністю):
- Визначення: Загальна вартість показів, які потрапили під логіку скрипта (в аналізованій валюті рекламодавця).
- Примітка: Цю метрику можна порівняти з показником Revenue у стандартних звітах.
- Estimated CPM for impressions with custom value (Очікуваний CPM для показів із кастомною цінністю):
- Визначення: Вартість 1000 показів, яким було присвоєно цінність.
- Примітка: Співставно з метрикою Revenue CPM у стандартних звітах.
- Метрики ефективності алгоритму
- Impression Custom Value / Cost (Кастомна цінність показу / Вартість):
- Формула: (Сума цінностей показів) / (Орієнтовні загальні витрати).
- Примітка: Це ключова метрика для безпосередньої оцінки ефективності роботи вашого алгоритму.
- Impression Value per 1000 Impressions (Цінність показу на 1000 показів):
- Формула: (Сума цінностей показів) * 1000 / (Загальна кількість оцінених показів).
Синергія в межах Google Marketing Platform
Повна інтеграція продуктів GMP перетворює Custom Bidding на автономну систему прийняття рішень. CM360 перевіряє якість інвентарю та відсіює підозрілий трафік, який надходить на веб-сайт аби алгоритм Custom bidding отримував дані лише від реальних користувачів. Дані, які збирає Google Analytics, автоматично стають паливом для DV360. Завдяки цьому ви створюєте безшовний досвід: аналітика фіксує нюанси поведінки реальних користувачів, а алгоритм у ту ж секунду отримує інструкцію, яку ставку зробити на наступному аукціоні. Це перетворює медіабаїнг із механічного процесу на стратегічне управління цінністю бізнесу.
Custom bidding у DV360 – це логічний крок для команд, які вже вичерпали потенціал стандартних стратегій і шукають способи глибшої оптимізації та збільшення прибутку. Замість того, щоб покладатися на базові алгоритми, ви отримуєте можливість самостійно визначати пріоритети для ШІ. Це перетворює медіабаїнг із звичного процесу закупівлі «кліків» на інструмент точкового інвестування в найбільш прибуткових клієнтів.
Налаштування кастомних стратегій потребує часу на підготовку та технічну експертизу, проте цей шлях забезпечує стабільне зростання ROAS та прозору аналітику. Ви починаєте купувати не просто покази, а реальну цінність, яку кожен контакт приносить вашому бізнесу.
CoobX, як офіційний Google Marketing Platform Sales Partner, допомагає брендам та агенціям інтегрувати Custom Bidding у рекламні стратегії. Якщо ви готові перейти до складніших моделей оптимізації, наші фахівці допоможуть із технічним налаштуванням, запуском та аналізом перших результатів. Зв’яжіться з нами, якщо бажаєте налаштувати власний Custom bidding алгоритм для досягнення поставлених KPI.
Матеріал підготовлено на основі вебінарів CoobX – офіційного GMP Sales Partner.
