Automatisering van advertentiecampagnes in Google en Facebook; het klinkt als dé oplossing om een maximaal resultaat te behalen met minimale moeite. De keerzijde is dat de exacte inhoud van de algoritmes die worden gebruikt voor automatisering niet altijd bekend zijn. Daardoor moet je als consultant of klant gissen naar de wijze waarop campagnes worden geoptimaliseerd. De machine learning technieken van Facebook en Google besparen tijd, maar leiden deze vormen van automatisering ook daadwerkelijk tot betere resultaten? Door het uitvoeren van een A/B-test maak je op korte termijn inzichtelijk of automatisering in jouw campagne het gewenste effect heeft.
Vergelijk en optimaliseer
In een A/B-test worden twee campagnestrategieën met elkaar vergeleken om inzichtelijk te maken welke strategie het meest effectief is ten aanzien van de doelstellingen. Als je bijvoorbeeld gebruik maakt van Facebook Campagnes kun je het resultaat vergelijken met het resultaat zonder Facebook Campagnes. Dit maakt de impact inzichtelijk en op basis van die informatie valt te bepalen of de investering in Facebook Campagnes opweegt tegen de opbrengsten die daaruit komen. Zo kun je op basis van één testvariabele bepalen welke campagnestrategie leidt tot de beste prestaties, of kun je achterhalen wat de bijdrage is van een branding campagne op de merkperceptie. In Google Ads is het mogelijk een A/B-test uit te voeren door gebruik te maken van ‘Experimenten’ en binnen Facebook vind je A/B-testen in de ‘Test and Learn’ omgeving.
Voorwaarden voor een geslaagde A/B-test
Om zoveel mogelijk voordeel te halen uit een automatische strategie en de resultaten ten opzichte van een handmatige strategie te verbeteren, is het van belang om de campagnes af te stemmen op de algoritmes. Belangrijke onderdelen om rekening mee te houden bij de implementatie van een automatische strategie zijn de volgende:
- De campagnedoelstelling moet in lijn liggen (max. 10% afwijkend) met de resultaten van de afgelopen periode.
- Voldoet een campagne aan de minimale voorwaarden? Denk bijvoorbeeld aan een minimum aantal conversies in de afgelopen dertig dagen. Als er te weinig conversiedata aanwezig is, kun je deze data zelf creëren door softe conversies als een ‘add to cart’ of ‘product view’ toe te voegen.
- Bepaal de grenzen waarbinnen een algoritme vrij kan testen door het instellen van een maximum en minimum CPC aan de hand van data van de afgelopen periode. Als je geen grenzen aangeeft, zal het algoritme ook exotische biedingen testen. Dit kan leiden tot grote (ongewenste) stijgingen in advertentiekosten.
- Creëer zoveel mogelijk signalen waar het algoritme gebruik van kan maken in de vorm van doelgroeplijsten en advertentievarianten.
- Geduld en vertrouwen: de leerperiode duurt, afhankelijk van de hoeveelheid conversiedata, een aantal dagen tot drie weken. Het is belangrijk om in de leerperiode geen grootschalige wijzigingen in de campagne door te voeren, omdat de leerperiode dan weer opnieuw kan starten.
A/B-test voor automatische budgetoptimalisatie
Het doel in een remarketing campagne is om zoveel mogelijk klikken naar de website te realiseren binnen het beschikbare budget. En door gebruik te maken van budgetoptimalisatie kun je een daling in de kosten per klik bereiken, terwijl de doorklikratio gelijk blijft. Als je wilt testen of automatische budgetoptimalisatie werkt, leent de A/B-test zich hier perfect voor.
Dat dit eenvoudig te testen is, wordt duidelijk uit het volgende voorbeeld van een werkelijke A/B-test. De betreffende campagnes heten voor het gemak campagne A en B. Campagne A is een kopie van een huidige remarketing campagne waarin budgetten handmatig worden verdeeld over de advertentiesets op basis van resultaten van het afgelopen jaar. In campagne B verdeelt Facebook het budget zelf over de onderliggende advertentiesets. De looptijd van de A/B-test (zeven dagen) is vooraf door Facebook bepaald.
Na zeven dagen van deze test zijn grote verschillen zichtbaar, ondanks een relatief laag aantal klikken. Zo is de CTR (link clicks) in campagne B bijna twee keer zo hoog als de CTR (link clicks) in campagne A. Ook de kosten per klik zijn in campagne B 52% lager dan in campagne A het geval is. Aan de hand van deze resultaten is het mogelijk om met overtuiging te zeggen dat een omschakeling naar automatische budgetoptimalisatie in deze campagne daadwerkelijk leidt tot een verbetering van de resultaten. Belangrijk om te onthouden, is dat deze uitkomst alleen inzichtelijk is door het uitvoeren van een A/B-test en alleen geldt voor deze campagne. Voor inzichten in andere campagnes moeten nieuwe A/B-testen worden opgezet. Wil je meer zekerheid over de resultaten, dan is het een optie om de looptijd van de A/B-test te verlengen. Vanwege de hoeveelheid data is het verlengen van deze test een verstandige keuze, maar geen vereiste.
Verbeter de resultaten
Een automatische strategie leidt niet per definitie tot een effectievere advertentiecampagne. De grote uitdaging is om van de huidige situatie over te schakelen naar geautomatiseerde strategieën met behoud van de huidige resultaten. Door de juiste voorwaarden te scheppen voor jouw campagnes kun je maximaal profiteren van alle algoritmes en de huidige resultaten behouden of zelfs verbeteren. Om met zekerheid voor het behoud van dezelfde resultaten over te schakelen, is het uitvoeren van een A/B-test en handelen naar aanleiding van de resultaten uit deze test onvermijdelijk.
