SEA-specialisten: Investeer in AI en Automation voor search advertising

Artificial intelligence is everywhere. Ook binnen zoekmachinemarketing, waar Google haar AI aan ons opdringt. Maar hoe zet je eigen AI succesvol in ter verbetering van de resultaten van je Google Ads? 

Tijdens de Europese variant van het PPC-congres Heroconf liet de internationale SEA-gemeenschap zich bijpraten over onder andere slimme Google Ads Audience targeting, Excel Tips&Tricks, Team Building en zogenaamde Reporting Squirrels. Hét overheersende thema was echter AI en Automation. Met twee keynotes en meerdere talks over AI en automation via Google Ads Scripts werd het snel duidelijk welke kant het opgaat in de SEA-wereld.

Google zet haar eigen AI in om onder andere de omvang van advertentiebudget te optimaliseren, automatisch biedingen mogelijk te maken. Google’s AI gaat zelfs zo ver dat het eigen tekstadvertenties schrijft. De resultaten van deze inzet van AI zijn niet altijd even rooskleurig voor de adverteerder, en velen zoeken dan ook naar manieren om zelf de touwtjes  in handen te houden.

Gelukkig was daar de presentatie van Philipp Mainka en Christopher Gutknecht. Twee nog vrij onbekende sprekers die wel met de publieksprijs wonnen voor ‘beste presentatie van het event’. Ze spraken dan ook over de vraag hoe je zelf Artificial Intelligence in kunt zetten om geautomatiseerd de prestaties van je Google Ads kunt verbeteren.  Zij zetten AI in om search query reports te analyseren. SEA-specialisten zijn namelijk een groot deel van de tijd kwijt met het doorploegen van lijsten met zoekopdrachten waarvoor de advertenties bij Google zijn getoond. Tijdrovend, en soms behoorlijk saai werk waar slimme algoritmes ons bij kunnen helpen. Denk daarbij aan het beroemde N-gram analyse script, of een script voor het monitoren van Google’s laatste aanpassing aan Exact Match en Close Variants.

Mainka en Gutknecht stellen zichzelf de uitdaging om automatisch zogenaamde ‘entities’ in de zoekopdrachten te herkennen. Deze entities gebruiken ze voor het uitbouwen van de accountstructuur om zo relevantere ads te kunnen tonen en beter biedingen mogelijk te maken.

Google Ads-legende Brad Geddes heeft dit proces deels uitgewerkt in een flowchart:

Bron: https://www.youtube.com/watch?v=TcYZi9rEvgo

In essentie komt het erop neer dat je de search query reports gebruikt om nieuwe negative keywords te ontdekken waarvoor je geen ads wilt tonen. Daarnaast creëer je nieuwe ad groups voor nieuwe “positieve” keywords waarvoor je aparte ads en biedingen wilt gebruiken.

Philip en Christopher voegen hier nu automatisch gedetecteerde ‘entiteiten’ aan toe die je automatisch aan de juiste ad groups kunt toevoegen, en automatisch van de juiste biedingen kunt voorzien.

Denk bij entiteiten aan zaken als kleur (‘rode zomerjurkjes’), materiaal (‘houten keukentafel’), afmetingen (‘nike air max 180 maat 42’) , prijs-qualifiers (‘goedkope skivakantie Zwitserland’). Als je de search terms automatisch kunt categoriseren/labelen met de entiteiten die erin voorkomen dan kun je snel veel inzicht krijgen wat normaliter voor je verborgen blijft. Zo kunnen er honderden verschillende search terms zijn die individueel een laag zoekvolume hebben, en allemaal een kleur bevatten. Je kunt met de scripts van Philip en Christopher deze search terms automatisch in de groep ‘kleur’ gooien. Als deze groep significante verschillen in conversion rate of ROAS vertoont tov de rest dan zou je dit inzicht kunnen gebruiken voor je bid management. Voorwaarde is wel dat je deze search terms dan als keyword aan de jusite ad group hebt toegevoegd. Hetzelfde geldt voor de andere entiteiten.

De uitdaging zit hier in het bepalen van de entiteiten die je wilt herkennen, en vervolgens algoritmen bouwen die deze ook daadwerkelijk herkennen (niet zo makkelijk voor computers). De heren lossen dit op door in eerste instantie entities uit de (shopping) feed van de adverteerder te gebruiken. Hiermee wordt al in zo’n tachtig procent van de search terms tenminste één entiteit herkend. Vervolgens worden respectievelijk de Natural Language API, Knowledge Graph API, div Python Machine Learning functies en een Supervised machine learning algoritme ingezet om uiteindelijk tot negentig procent herkenning te komen.

Een fraaie prestatie, maar wel eentje die de nodige doorlooptijd en manuren heeft gekost. Op de vraag wat het rendement van de investering in het project was gaf Christopher het voor mij meest interessante antwoord van de dag: “We kijken bij de toepassing van de nieuwe mogelijkheden van AI niet naar direct rendement. We zien het als de weg naar de toekomst en investeren daar in, ongeacht het rendement op korte termijn.”

Een verrassend antwoord in een SEA-wereld waarin we gewend zijn te sturen op meetbaar rendement op de korte termijn. Deze instelling zou zo maar eens noodzakelijk kunnen zijn om mee te kunnen blijven lopen met de ontwikkelingen binnen AI en Automation voor SEA.