Hogyan működik a natív hirdetések célzása (kontextuális, érdeklődési és post-cookie)

A natív hirdetések a felhasználókat kontextuális jelek (az oldal és kategória, amit éppen olvasnak), a hálózat által már birtokolt első félű közönségadatok (eszköz, földrajzi hely, böngészési előzmények a saját kiadói hálózatán belül) és a hirdető által szolgáltatott bemenetek (például remarketing pixelek és hasonló szegmensek) keverékén keresztül célozzák, valós idejű aukció révén, nem pedig fix elhelyezési vásárlással. Nincs egyetlen „natív célzási” mechanizmus; átfedő lehetőségek halmaza, és azt, hogy mennyi súlyt kap mindegyik, a hálózat és a kampány célja határozza meg.

Kontextuális célzás: a legrégebbi réteg, most a legellenállóbb#

Minden natív hálózat lehetővé teszi a tartalom kategória és kulcsszó szerinti célzását: pénzügyi cikkek, egészségügyi tartalmak, autós vélemények stb. Ez a legkevésbé invazív célzási forma, mert nem kell semmit tudnia az egyéni felhasználóról, csak arról, hogy mit olvas éppen. Ez vált a legtartósabb réteggé is, ahogy a harmadik féltől származó sütiket korlátozzák, mert a kontextuális célzás egyáltalán nem támaszkodik többoldalas azonosítókra.

A kontextuális célzás a natív hálózatokon általában mélyebbre megy, mint egy széles kategória. A Taboola és az Outbrain is kínál oldal- és szakaszszintű célzást, így konkrétan egy kiadó egészségügyi vertikáljába vagy személyes pénzügyi szakaszába licitálhatsz, nem pedig az egész domainjére. Ez a részletesség gyakran jobb kar, mint a közönségcélzás olyan hirdetők számára, akik szabályozott kategóriákban tevékenykednek, mivel közvetlenül szabályozza az összekapcsolódási kockázatot.

Érdeklődési és viselkedési célzás#

a kontextuson túl, a hálózatok érdeklődési profilokat építenek a böngészési viselkedésből a saját kiadói lábnyomukon belül (amit egy felhasználó olvas, kattint és időzít a hálózat ellátásában lévő oldalakon). Ez első félű adat a hálózat szemszögéből, még akkor is, ha számos kiadói domaint átfog, hiszen a hálózat saját követési kapcsolata alatt gyűjtik össze azokon az oldalakon. Széles érdeklődési szegmensek (autó vásárlási szándékúak, utazást kutatók, egészségügyi tartalmat olvasók) építésére használják, amelyeket a hirdetők a kontextuális és földrajzi célzásra rétegzhetnek.

Remarketing: pixel alapú, és még mindig a legmagasabb szándékú kar#

Helyezd el egy hálózat pixeljét a webhelyeden, és remarketelheted azokat a látogatókat, akik nem konvertáltak, natív elhelyezésekkel, amikor máshol böngésznek abban a hálózat ellátásában. Ez az egyik legerősebb kar marad a natív reklámozásban, mert közvetlen első félű kapcsolatra épül (a saját pixel, a saját látogató), nem harmadik féltől származó süti gráfra. Ez az oka annak is, hogy a natív remarketing viszonylag védett maradt azoktól a süti elavulási beszélgetésektől, amelyek a displayt és a közösségit találták a legjobban.

Földrajzi, eszköz és időzítés#

Ezek alapfelszereltség minden hálózaton: ország és gyakran régió/város szintű földrajzi célzás, eszköztípus (asztali, mobil, tablet) és operációs rendszer, kapcsolat típusa mobilon, valamint napszak/napjánk beosztása szerinti időzítés. Ezek egyike sem függ az identitás feloldásától, ami részben magyarázza, hogy a natív kampányok általában kevésbé vannak kitéve az azonosító elvesztésének, mint a licitfolyam-adatokra támaszkodó programmatic display vásárlások.

Mit változtat a „post-cookie” valójában itt#

A natív célzásnak azok a részei, amelyek a leginkább ki voltak téve a harmadik féltől származó sütik elavulásának, mindig is a legvékonyabb réteg voltak: többoldalas viselkedési profilok, amelyek egyetlen hálózat saját adatain kívül lettek összevarrva. A natív hálózatok kevésbé függtek ettől, mint a nyílt webes programmatic display kezdettől fogva, mert a natív célzási halom nagy része (kontextus, hálózat tulajdonában lévő érdeklődési adatok, hirdetői pixelek, földrajzi/eszköz) soha nem igényelt megosztott harmadik féltől származó azonosítót. Ez részben magyarázza, hogy a natív fennmaradt csatornaként, miközben néhány display és közösségi, identitás alapú célzás zajosabbá vált. A kohorsz-stílusú és valószínűségi megközelítések töltik ki a maradék hézagokat, de az őszinte válasz az, hogy a legtöbb natív vásárlónak nem kellett közel annyit változtatnia a célzási játéktervén, mint a programmatic display vásárlóknak.

Közönségpiaci szegmensek és harmadik féltől származó adatpartnerségek#

Egyes hálózatok harmadik féltől származó közönségszegmenseket rétegeznek be adatkezelési platform partnerségek révén, lehetővé téve a hirdetőknek olyan kategóriák célzását, mint „piacon lévő autóbiztosításért” vagy „nemrégiben utazási ajánlatokat kereső”, amelyeket külső adatszolgáltatók építettek, nem pedig a hálózat saját első félű megfigyelése. Ezek a szegmensek általában drágábbak és, őszintén szólva, kevésbé kiszámíthatóak, mint a hálózat natív kontextuális és remarketing eszközei, mivel az alapvető módszertan szolgáltatóként változik, és nem mindig részletezik. Kezeld a harmadik féltől származó szegmenseket tesztelhető kiegészítő rétegként, nem alapként; futtass ellenőrzést a csak kontextuális célzással szemben, mielőtt jelentős költségvetést köteleznéd rájuk.

Egy versenytárs célzásának kívülről való megértése#

Nem láthatod egy versenytárs pontos szegmensbeállításait, de sok mindent következtethetsz abból, ami valójában fut: mely földrajzi területeken és eszközökön jelenik meg egy hirdetés, mely kiadói vertikálokra koncentrál, és meddig él túl, ami általában azt jelzi, hogy a célzás és a kreatív összetalálkozik-e egy működő közönséggel, egy mintázattal, amelyet részletesebben bemutatunk a médiavásárlás natív hirdetésekhez című útmutatónkban. Hálózatspecifikus útmutatóink a Taboola hirdetések működéséről, az Outbrain működéséről és az MGID natív hirdetések működéséről részletezik az egyes hálózatok konkrét célzási menüjét és aukciós mechanikáját, és a skálázás új földrajzi területekre című cikkünk foglalkozik azzal, hogyan változnak a földrajzi célzási döntések, amikor egy kampány második és harmadik szintű piacokra terjeszkedik.

Az OpenAdLibrary hirdetési intelligencia indexe nyomon követi minden rögzített kreatív földrajzi, eszköz és vertikális lábnyomát, így ahelyett, hogy találgatnál egy versenytárs célzási stratégiájáról, láthatod a tényleges mintázatot: mely országokban élő egy hirdetés, csak mobilon fut-e vagy mindenhol, és hogyan változott ez azóta, hogy először megjelent.

Hasonló és rokon közönségcélzás#

Amint egy remarketing pixel vagy egy egyedi közönséglista elegendő mennyiséget ér el, a legtöbb hálózat képes egy hasonló szegmenst építeni belőle: olyan felhasználók, akiknek a böngészési viselkedése hasonlít a konvertereidére, anélkül, hogy egyéni szinten fel kellene oldani az identitásukat. Itt kezd a natív célzás hasonlítani ahhoz, amit a közösségi platformok évek óta kínálnak, kivéve, hogy a magadatok általában kisebbek (pixel tűz egyetlen hirdető forgalmából), nem pedig platform szintű viselkedési gráfok. A hasonló szegmensek általában a legjobban skálázási karként működnek, miután már van egy konvertáló magközönséged, amelyet a kontextus és a remarketing határoz meg; hideg prospecting eszközként használva vékony maglistával gyakran alulteljesítenek az egyenes kontextuális célzáshoz képest.

Hogyan kapcsolódik a célzás az aukcióhoz, nem csak az eléréshez#

Könnyű a célzást pusztán közönségszűrőként elképzelni, de a natív hálózatokon ez megváltoztatja az effektív költségedet is. Szűkebb, relevánsabb célzás (konkrét kiadói szakasz, meleg remarketing pool) általában azt jelenti, hogy kevesebb más hirdetővel versenyezel ugyanazon impresszióért, ami csökkentheti az effektív CPC-d még a kreatív minőség figyelembevétele előtt. A széles célzás több embert ér el, de egy nagyobb aukciós poolba dob, ami gyakran olyan hirdetőket is magában foglal, akik mennyiségre, nem relevanciára licitálnak. Ez az egyik oka annak, hogy a szűk kontextuális és remarketing első stratégiák gyakran felülmúlják a széles elérésű kampányokat tisztán ROAS alapon, még akkor is, ha a nyers impresszió mennyiség papíron kisebbnek tűnik.

Hol rontják el a hirdetők a célzást#

Két hiba jelenik meg ismételten a natív fiókokban. Az első túl sok korlátozó réteg egyszerre halmozása egy új kampányon: szűk földrajzi terület, egy keskeny érdeklődési szegmens és egy kis kiadó fehérlista együtt, ami megfosztja az algoritmust a tanuláshoz szükséges mennyiségtől, és magasan tartja a költségeket határozatlan ideig. A második ennek az ellentéte: szélesen futtatás minden dimenzióban az első naptól, mert „optimalizálunk később”, ami költségvetést éget egyértelműen irreleváns elhelyezéseken, mielőtt a fióknak lenne bármilyen jelzése, amivel dolgozhatna. A jobb sorrend általában először földrajzi és eszköz (olcsó megfelelően beállítani, drága rosszul beállítani), másodszor kontextus, majd rétegezd be a remarketinget és az érdeklődési bővítést, miután már van egy alapvető valós teljesítményadatod, amire reagálhatsz.

A gyakorlati tanulság#

A natív célzás nem egy tárcsa, hanem öt vagy hat független (kontextus, hálózati érdeklődési adatok, saját pixeleid, földrajzi, eszköz, időzítés), amelyeket egymásra halmozol, és a nyerő kombináció minden vertikálisnál más. Az egészségügyi és pénzügyi hirdetők általában a leginkább a szakaszszintű kontextuális célzásra támaszkodnak, mert ott az összekapcsolódás és a megfelelőség számítanak többet. Az ekereskedelmi jobban támaszkodik a remarketingre és a hasonló szegmensekre, mert a vásárlási szándék könnyebben befogható egy pixellel. Kezdd a kontextussal és a földrajzival egy biztonságos alap megteremtéséhez, rétegezd be a remarketinget, miután a pixeleidnek elegendő mennyisége van, és kezeld az érdeklődési szegmenseket elérési karként, miután a mag már konvertál.