Esta página web utiliza cookies para la experiencia de navegación. La información de cookies se almacena en tu navegador y sirve por ejemplo para reconocerte cuando vuelves a visitarnos y ayudarnos a saber que secciones de la web te resultan útiles y/o interesantes.
Qué es el Machine Learning y cómo afecta a tus campañas de Google Ads
En el pasado, hace alrededor de 5 años, podríamos considerar al gestor de cuentas PPC (la labor principal en la que nos hemos especializado en nineclicks) como una especie de «piloto» de la cuenta. El gestor era (y remarco este era, en pasado) el encargado de manejar el timón para dirigir a la cuenta por el camino correcto.
Pero ya no es así. Desde hace unos años, y en una tendencia que no para de acelerar, este avión vuela cada vez más tiempo con el piloto automático. Este «piloto automático» es lo que Google llama Smart Bidding (pujas inteligentes) y consiste, básicamente, en un algoritmo de Machine Learning para campañas PPC que toma la decisión sobre la puja óptima en cada momento basándose en miles de señales. Google habla de 500.000 señales diferentes, aunque en todo caso el número total de ellas poco importa para el motivo que nos ocupa.
El caso es que factores como la hora del día, la ubicación geográfica del usuario o la intención de la búsqueda realizada, que antes se afinaban prácticamente a mano, ya son tenidos en cuenta por Google a la hora de ajustar qué anuncios mostrar para cada usuario cada vez que realiza una búsqueda. Esa es la razón, también, por la que tú no sueles ver tus propios anuncios: Google «sabe» que no vas a convertir, y por ello apenas te los muestra.
Colaboración entre humanos y máquinas
¿Cuál es nuestro papel como gestores en esta nueva realidad? Es un rol doble. Por un lado, seguimos estando a cargo de la estrategia, ya que nadie mejor que nosotros (y con nosotros quiero decir un ser humano) para definir los objetivos del cliente y como alcanzarlos. Y por otro, nuestra experiencia como piloto nos permite «tomar el control» cuando los algoritmos no interpretan las señales correctamente, ayudando a reconducir el rumbo por la ruta correcta.
Estos algoritmos de Machine Learning funcionan en su mayor parte como una «caja negra» (no, esta vez no es una metáfora de aviación), ya que en realidad ni sus propios programadores saben realmente qué es lo que está haciendo el algoritmo. Si queréis entender mejor la «magia» detrás de dichos algoritmos, este vídeo del canal de CGP Grey lo explica de forma muy didáctica:
Interesante ¿verdad? Como dice la famosa cita:
Cualquier tecnología suficientemente avanzada es indistinguible de la magia.
Arthur C. Clarke (escritor)
Una vez asumido que esto en cierto modo «magia», y que ya no tenemos el control total de la cuenta, lo que toca es aprender a sacar el máximo partido del algoritmo.
Entrenando al algoritmo
En la mayoría de campañas PPC, una vez alcanzado cierto volumen de tráfico, llega el momento de abandonar las pujas manuales y dar el control de las mismas al algoritmo. A partir de entonces, nuestra labor consiste en entrenar al algoritmo de Machine Learning que opera «en la sombra». ¿Cómo lo hacemos? Dándole señales. Cuanto más específicas, mejor.
En la habilidad para identificar y definir estas señales reside en gran parte de nuestra capacidad de optimizar la cuenta. Pongamos el caso de una tienda online, por ejemplo. Seguramente ya estamos enviando a Google la información sobre ventas, esto es, registramos una conversión en Google Ads cada vez que se produce una transacción.
Pero esta información, por si sola, es escasa. Desde el momento en que el usuario entra en la web hasta que finaliza la transacción, hay un montón de pasos intermedios. Por eso es fundamental analizar el tráfico de nuestra web para identificar patrones que nos ayuden a optimizar las campañas publicitarias.
Por ejemplo, es obvio que un usuario que finalice una transacción siempre habrá tenido que añadir artículos al carrito previamente. Si registramos este hecho (añadir al carrito) como conversión, podremos «pedirle» al algoritmo que nos traiga más visitas con ese perfil (usuarios que añaden artículos al carrito), y mejorar por tanto la calidad del tráfico de pago que llega a la web.
Un modelo predictivo basado en datos
Llegados a este punto, te preguntarás por qué buscar usuarios con potencial de añadir al carrito y no centrarse únicamente en los que tienen potencial de comprar. La razón es que el volumen de conversiones del primer evento (añadir al carrito) es varias órdenes de magnitud superior al segundo (comprar). Y cuando hablamos de Machine Learning, a mayor volumen de datos, mayor y mejor aprendizaje.
Cada vez que se realiza una búsqueda en Google, entra en funcionamiento la «magia» del modelo predictivo de Google. Éste utiliza todas estas señales que comentábamos anteriormente como el patrón de navegación (páginas que ha visitado anteriormente el usuario) o las búsquedas que ha realizado para determinar cuales son los anuncios más relevantes para cada usuario.
El algoritmo puede «afinar» a la hora de la subasta. Cuando un usuario busque alguna de las palabras clave por las que estamos pujando en nuestras campañas, pujará más agresivamente por aquellos que, según las señales que tiene Google, tienen mayor potencial de conseguir conversiones. Esta es también la razón por la que dos personas que realizan la misma búsqueda en Google obtienen resultados completamente diferentes.
Así que, si no lo estás haciendo ya, he llegado el momento de que te sientes a pensar cuales son tus señales: los comportamientos que te permiten identificar a los usuarios con mayor probabilidad de comprar en tu página. Por ejemplo: usuarios que se suscriben a tu newsletter, usuarios que visitan más de 3 secciones de la web, usuarios que añaden artículos al carrito…
Convierte esas señales en conversiones secundarias, regístralas en Google Ads y deja al algoritmo que haga lo que mejor sabe hacer.
