Přehled vlastních nabídek

Vlastní nabídky vám umožňují využít firemní statistiky a umělou inteligenci od Googlu k automatizaci způsobu, jakým plníte své cíle v kampaních, a současně i maximalizaci návratnosti investic do reklamy.

Cílů své kampaně můžete dosáhnout optimalizací nabídek s ohledem na konkrétní konverzní události, cíle nebo signály zobrazení, které jsou pro vás hodnotnější. Vlastní nabídky můžete používat se signály z následujících zdrojů:

• Události Floodlight a vlastní proměnné Floodlight
• Google Analytics
• Signály zobrazení

Témata v tomto článku

• Jak vlastní nabídky fungují
• Používání vlastních nabídek
  • Příklady
  • Souhrnné statistiky
• Oprávnění a přístup
• Omezení podpory vlastních nabídek
• Trénování algoritmu
  • Stav algoritmu

Jak vlastní nabídky fungují

I když jsou k dispozici standardní automatizované strategie nabídek, které pomohou maximalizovat výkon kampaně, můžete použít vlastní nabídky, pokud potřebujete mít nad strategií nabídek kontrolu sahající nad rámec toho, co umožňují automatické nabídky.

Vlastní nabídky umožňují vytvořit strategii nabídek, která podává automatické nabídky na základě toho, která zobrazení jsou pro vás nejdůležitější.

Poznámka: K nahrávání, ověřování jednotlivých skriptů vlastních nabídek a přiřazování algoritmů vlastních nabídek kampaním můžete používat také rozhraní API Display & Video 360.

Nad algoritmem vlastních nabídek máte detailní kontrolu:

• Pomocí vážených hodnot můžete přiřadit vyšší hodnoty zobrazením, která vám s větší pravděpodobností pomohou dosáhnout cílů kampaně, a nižší hodnoty méně relevantním zobrazením.
• K optimalizaci s ohledem na konkrétní konverzní události můžete použít značky Floodlight, vlastní proměnné, události služby Google Analytics nebo signály zobrazení.

Algoritmus vlastních nabídek prochází tréninkovou fází a pomocí strojového učení se učí z vašich minulých kampaní, aby mohl lépe vyhodnocovat a upřednostňovat nabídky na zobrazení, která jsou z hlediska kampaně správná.

Používání vlastních nabídek

Vlastní nabídky můžete používat pomocí algoritmů vlastních nabídek založených na pravidlech a algoritmů vlastních nabídek založených na skriptech.

Algoritmy vlastních nabídek založených na pravidlech přiřazují váhy signálům v okamžiku zobrazení (například denní době, typu zařízení) nebo výsledkům po zobrazení (například kliknutí, konverzi). Uživatelské rozhraní tyto signály předdefinuje a vy je můžete kombinovat pouze určitými způsoby. Tento přístup je jednoduchý, snadno se nastavuje a udržuje. Kampaně využívající algoritmy založené na pravidlech dosahují srovnatelných nebo dokonce lepších výsledků než skripty. Vděčí za to preciznějšímu modelování výsledků po zobrazení a strukturovanému vrstvení signálů z okamžiku zobrazení.

Vlastní nabídky založené na skriptech vyžadují vytvoření vlastního skriptu k přiřazování vah signálům v okamžiku zobrazení nebo výsledkům po zobrazení. To umožňuje používat jakoukoli (třeba i velmi komplexní) logiku. Podporují více signálů a výsledků než nabídky založené na pravidlech, ale údržba vyžaduje odborné znalosti skriptování.

Tip: Pokud lze KPI kampaně dosáhnout pomocí vlastních nabídek založených na pravidlech i na skriptech, doporučujeme zvolit přístup založený na pravidlech. Skripty byste měli využívat pouze pro vysoce komplexní scénáře, které nelze nastavit v rámci uživatelského rozhraní založeného na pravidlech.

Algoritmy vlastních nabídek založené na skriptech využijte konkrétně v těchto případech:

• Složité matematické operace: Scénáře vyžadující pokročilou logiku nebo vnořené proměnné, které nelze namapovat na pravidla vlastních nabídek.
• Jedinečná externí data: Případy, kdy jsou začleněny konkrétní nestandardní signály, které ještě nejsou k dispozici jako signály zobrazení v pravidlech pro vlastní nabídky.

Kdy použít vlastní nabídky založené na pravidlech a kdy vlastní nabídky založené na skriptech:

Funkce	Nabídky založené na pravidlech	Nabídky založené na skriptech
Primární případ použití	Kampaně, jejichž cíl lze vyjádřit pomocí dostupných pravidel a multiplikátorů.	Kampaně vyžadující velmi složité scénáře, které nelze nastavit pomocí pravidel.
Přizpůsobení konverzí	Automaticky vynucované a neměnné. Zabraňuje nesouladu mezi algoritmem nabídek a nastavením kampaně.	Doporučujeme ruční sladění. Hrozí riziko neoptimálního nastavení a promarnění příležitostí k dosažení lepšího výkonu.
Údržba	Nenáročná, snadno se upravuje i čte.	Vysoká, vyžaduje znalost skriptování.

Doporučené postupy pro měření konverzí s algoritmy vlastních nabídek

Při zahrnutí konverzí do strategie vlastních nabídek dodržujte tyto doporučené postupy, abyste dosáhli co nejlepšího výkonu:

• Vlastní nabídky s pravidly: Každá objednávka nebo řádková položka používající algoritmus bude danou konverzi automaticky měřit. Ve výchozím nastavení se v přehledech zobrazuje součet všech měřených konverzí. Pokud chcete získat konkrétnější přehled, zahrňte do přehledů dimenzi Floodlight.
  • Pokud jsou konverze měřeny automaticky algoritmem, nelze je odstranit a hloubka pohledu bude nadále upravitelná.
    • Pokud jsou konverze měřeny před přiřazením algoritmu založeného na pravidlech, hloubka pohledu zůstane stejná.
    • Pokud byla konverze přidána v důsledku přiřazení algoritmu, bude hloubka pohledu nastavena na výchozí hodnotu 90 dní, kterou lze upravit.
    • Přiřazení měřených konverzí nelze upravit, pokud jsou konverze používány algoritmem a algoritmus je přiřazen k objednávce nebo řádkové položce.
  • Počítání konverzí bude odpovídat typu hodnocení konverzí použitému v algoritmu. Pokud se používají jen konverze po kliknutí, bude počítání měřených konverzí probíhat „Pouze po kliknutí“. Pokud jsou v algoritmu zohledněny konverze po zobrazení, bude počítání měřených konverzí zahrnovat „Všechny konverze“.
• Skripty vlastních nabídek: Ujistěte se, že všechny řádkové položky, které skript používají jako strategii nabídek, zahrnují konverzi také v nastavení měřených konverzí.

Příklady

Algoritmy vlastních nabídek mohou být jednoduché i složité. Zde uvádíme několik možných cílů optimalizace:

• Klíčové ukazatele výkonu (KPI) značky: Například viditelnost nebo dokončení videa.
• Konverzní aktivity: Optimalizace může probíhat s ohledem na konkrétní konverzní aktivity, pokud přiřadíte větší hodnotu aktivitám, které jsou relevantnější z hlediska cílů kampaně.
• Vlastní proměnné Floodlight: Například věrnost, produkty nebo velikost košíku.
• Tržby z prodeje Floodlight: Měřením parametru tržeb pomocí značky prodeje Floodlight.
• Vážené konverze: Můžete používat měřicí aktivity Floodlight, které vám přinášejí konkrétní hodnoty podle navštívené stránky produktu.
• Google Analytics: Se službou Display & Video 360 můžete propojit službu Google Analytics a definovat váhu událostí na webu inzerenta.

Příklad: Optimalizace značky pomocí vlastních nabídek

Při optimalizaci s ohledem na pokrytí značky můžete nastavit vlastní strategii nabídek tak, aby automaticky nabízela ceny za zobrazení, která jsou pro vás nejcennější, na základě vážených hodnot s údaji o zobrazeních.

Příklad:

Můžete upřednostnit nabídky na zobrazení videí, u kterých je větší pravděpodobnost, že zvýší expozici značky, a to vytvořením vlastního cíle nabídky nebo skriptu, který přiřadí:

• vyšší hodnotu zobrazením, při kterých bylo video sledováno se zapnutým zvukem,
• nižší hodnotu zobrazením, při kterých bylo video sledováno méně než 3 sekundy,
• vyšší hodnotu zobrazením, při kterých bylo video sledováno na televizi připojené k internetu.

To vám pomůže vytvořit vlastní strategii nabídek, která vyhodnotí prioritu vašich nabídek na zobrazení videa. Další příklady najdete v článku Použití údajů na úrovni zobrazení.

Příklad: Maximalizace výkonu s ohledem na konverzní aktivitu

Při maximalizaci výkonu s ohledem na konkrétní konverzní aktivity můžete nastavit strategii nabídek tak, aby na základě vážených hodnot a značek Floodlight automaticky nabízela ceny za zobrazení, která jsou pro vás nejhodnotnější.

Příklad:

Můžete upřednostnit nabídky ve prospěch nejcennějších aktivit Floodlight, které s větší pravděpodobností přispějí ke zvýšení příjmů z prodeje, tím, že vytvoříte vlastní cíl nabídky nebo skript, který přiřadí:

• vyšší hodnotu zobrazením na konci cesty, jako je dokončený prodej,
• nižší hodnotu zobrazením na začátku cesty, jako je zobrazení stránky.

Vlastní nabídky lze také používat společně se:

• značkami prodeje Floodlight k definování parametru tržeb, v jehož prospěch chcete optimalizovat,
• vlastních proměnných Floodlight, abyste mohli optimalizovat ve prospěch definované velikosti košíku, produktu nebo zobrazení, která zvyšují věrnost značce.

To pomáhá vytvořit vlastní strategii nabídek, která upřednostňuje aktivity zvyšující objem a optimalizující příjmy z prodeje. Další příklady najdete v článku Použití dat Floodlight.

Příklad: Maximalizace návratnosti investic do reklamy pomocí Google Analytics a vlastních nabídek

Můžete sdílet data o konverzích ze služby Google Analytics, která slouží jako podklad pro vlastní nabídkový algoritmus ve službě Display & Video 360. To vám umožní optimalizovat s ohledem na cíle, jako je maximalizace návratnosti investic do reklamy pomocí dat ze služby Google Analytics.

Příklad:

To, jak vlastní nabídky maximalizují návratnost investic do reklamy, můžete optimalizovat tím, že se zaměříte na zobrazení, která vám pomohou oslovit zákazníky, u nichž je větší pravděpodobnost, že se na váš web vrátí.

Pomocí vlastních nabídek a dat ze služby Google Analytics můžete upřednostnit zobrazení od uživatelů, kteří prokliknou více než 5 stránek na návštěvu.

Další příklady najdete v článku Použití dat z Google Analytics.

Souhrnné statistiky

V souhrnném zobrazení vlastních nabídek vidíte, jak byla vaše zobrazení ohodnocena. V grafu je vyjádřeno rozdělení skóre zobrazení. To vám pomůže lépe porozumět efektivitě vašich algoritmů vlastních nabídek.

Přístup k souhrnným statistikám:

1. Otevřete inzerenta nebo partnera.
2. V nabídce vlevo klikněte na Zdroje a vyberte Vlastní nabídky.
3. Vyberte algoritmus a klikněte na kartu Souhrn.

Zobrazení časového období na kartě Souhrn můžete změnit z posledních 30 dní na mezitýdenní. Grafy se aktualizují a zobrazí statistiky o tom, jak se data změnila oproti předchozímu týdnu.

První tři grafy zobrazují data za posledních sedm dní a porovnávají je s předchozím sedmidenním obdobím. Graf rozdělení skóre zobrazuje graf za posledních sedm dní a překrývá ho černými vodorovnými čárami, které představují předchozích sedm dní. Můžete tak rychle porovnat změny mezi jednotlivými týdny.

Poznámka: Pokud máte více než 10 různých hodnot, pro snazší analýzu se v grafu zobrazí jako skupiny hodnot.

Oprávnění a přístup

Než začnete, zkontrolujte, zda máte potřebné oprávnění a přístup.

Algoritmy vytvořené na úrovni inzerenta:

• K úpravě algoritmu potřebujete přístup na úrovni partnera nebo konkrétního inzerenta.
• Algoritmus nelze sdílet s jinými inzerenty.

Algoritmy vytvořené na úrovni partnera:

• K úpravě algoritmu potřebujete přístup na úrovni partnera.
• Algoritmus lze sdílet s více partnery.
• S přístupem na úrovni inzerenta můžete algoritmus zobrazit, ale nemůžete zjistit, se kterými inzerenty je sdílen.

Omezení podpory vlastních nabídek

Vlastní nabídky nejsou k dispozici na YouTube, při programatickém prodeji zaručeného inventáře a u inventáře reklam ke generování poptávky.

Trénování algoritmu

Pokud má model vlastních nabídek dobře fungovat, potřebuje určité minimální množství údajů o zobrazeních, aby se mohl učit. Zde jsou minimální požadavky na data, které musíte splnit u každého inzerenta a jednotlivé řádkové položky:

	Cíle vlastních nabídek	Skripty pro vlastní nabídky
Minimální požadavky na data u každého inzerenta	Alespoň 10 000 zobrazení se skóre a alespoň 500 zobrazení s kladným skóre	Alespoň 500 zobrazení s kladným skóre
Minimální požadavky na data u každé řádkové položky	Alespoň: 50 zobrazení s kladným skóre Hodnoty jednotlivých zobrazení musí být větší než nula a v rozsahu od 0,000001 do 1 000 000. Cíle Google Analytics vyžadují kliknutí. Zkontrolujte, zda máte dostatek dat k vygenerování modelu.	Alespoň 50 zobrazení s kladným skóre

Stav algoritmu vlastních nabídek

Než budete moci použít svou vlastní strategii nabídek v aktivní kampani, budete muset zkontrolovat stav modelu vlastních nabídek, abyste zjistili, zda je připraven. Úprava nebo aktualizace algoritmu může změnit stav modelu vlastních nabídek, takže příležitostně musíte stav kontrolovat.

Následující část popisuje, v jakém stavu se model vlastních nabídek může nacházet a co to znamená:

Stav	Co je třeba vědět
Školení	Váš model se stále učí a potřebuje ještě trochu času. Co je třeba vědět: Pokud k aktivní kampani přiřadíte nenatrénovaný model, řádková položka přestane čerpat rozpočet. Než otestujete výkon algoritmu, dopřejte mu čas na učení. Čím více dat bude k dispozici, tím přesnější budou výsledky.
Nedostačující údaje	Váš model nemá minimální množství dat, které učení vyžaduje. Co je třeba vědět: Vlastní nabídky využívají údaje o zobrazeních za posledních 30 dní. Je proto možné, že: budete muset několik dní čekat, než budou splněny minimální požadavky na data, pokud vlastní nabídky pozastavíte na více než 30 dní, budete muset počkat, dokud nesplníte požadavky na data k natrénování algoritmu vlastních nabídek, až budou splněny minimální požadavky na data, potrvá trénování ještě 1 až 3 dny. Vy můžete zkusit: upravit kritéria, podle kterých algoritmus uděluje skóre, nebo zvýšit objem zobrazení, abyste získali data dostatečná k trénování modelu.
Připraveno	Váš model je vyškolen a připraven k použití. Co je třeba vědět: Pokud chcete předejít pozastavení, přiřaďte model k aktivní řádkové položce.
Pozastaveno	Pozastavený model se přestane učit pomocí nových dat. Co je třeba vědět: Pokud s nějakým modelem po dobu 21 dní nesouvisí žádná útrata, bude model pozastaven. Je to proto, aby nepoužívané modely nezabíraly zdroje. Pokud pozastavený model potřebujete použít, můžete ho znovu aktivovat tím, že ho do 21 dní přiřadíte k aktivní řádkové položce nebo objednávce, u níž jsou nastaveny budoucí rozpočty nebo období.
Aktivní	Model je přiřazen k aktivní kampani. Systém se neustále optimalizuje a aktivně používá nabídky. Co je třeba vědět: Je důležité průběžně sledovat, jak si model vede, a upravovat algoritmus tak, abyste výkon zlepšili nebo udrželi.