Google ostrzega również, że zbyt wąskie kierowanie może negatywnie wpłynąć na skuteczność kampanii. Algorytm wykorzystuje różne sygnały, w tym zachowanie użytkowników i zawartość strony docelowej, aby zoptymalizować konwersje. Zawężenie zakresu demograficznego może zmniejszyć ruch i współczynniki konwersji.
Kampanie Demand Gen (kampanie skoncentrowane na generowaniu popytu) mają na celu wzbudzenie zainteresowania i popytu na produkty lub usługi. Za pomocą precyzyjnego targetowania i optymalizacji reklam docierają do potencjalnych klientów już na wczesnym etapie procesu zakupowego, zwiększając tym samym świadomość marki i przygotowując ich do przyszłych zakupów.
Inne platformy również niedawno ogłosiły zmiany w targetowaniu – LinkedIn wyeliminował lookalike audiences, podczas gdy Meta poszła w przeciwnym kierunku. Zaleca się, aby firmy korzystały z grup podobnych odbiorców podczas tworzenia kampanii i odeszły od precyzyjnego kierowania.
Zmiany w kampaniach Gen
1. Targetowanie ze względu na wiek i płeć:
Reklamodawcy mogą ograniczyć widoczność swoich reklam do określonych grup wiekowych i płci. Ta nowa opcja jest zintegrowana ze zoptymalizowanymi ustawieniami kierowania w kampaniach Generowanie popytu.
2. Elastyczne opcje kierowania:
Reklamodawcy mogą wybrać kierowanie nieograniczone lub ograniczone w zależności od celów kampanii i wymagań dotyczących odbiorców. Dzięki temu marketerzy mogą lepiej dostosować swoje strategie do konkretnych celów biznesowych.
Efektywne wykorzystanie targetowania
Dla firm zajmujących się handlem elektronicznym ważne jest, aby znaleźć równowagę między precyzyjnym targetowaniem a skutecznością kampanii. Aktualizacja wprowadza możliwość bardziej precyzyjnego dostosowywania kampanii do celów biznesowych, ale wymaga również starannego rozważenia, aby ograniczenie grupy odbiorców nie zagroziło osiągnięciu pożądanych rezultatów.
Nowa funkcja to kolejny krok w kierunku umożliwienia reklamodawcom lepszego dostosowywania kampanii za pomocą zaawansowanych narzędzi kierowania Google, przy jednoczesnym zachowaniu możliwości wykorzystania korzyści płynących z optymalizacji pod kątem uczenia maszynowego.