OpenAdLibraryOpenAdLibrary
แอฟฟิลิเอทและการซื้อสื่อ

การปรับราคาเสนอราคาตามอุปกรณ์และภูมิศาสตร์: ตัวปรับแต่งที่ขับเคลื่อน ROAS

การเสนอราคาแบบเรียบเท่ากันในทุกอุปกรณ์และภูมิศาสตร์อาจซ่อนความแตกต่างของผลลัพธ์ในแต่ละเซกเมนต์ได้ วิธีสร้างตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์ ทดสอบตัวปรับแต่งกับผลลัพธ์ระดับเซกเมนต์ของคุณเอง และทำให้การเปลี่ยนแปลงย้อนกลับได้ ไม่รับประกันว่าจะได้ ROAS เพิ่มขึ้น

ภาพประกอบบทความ: การปรับราคาเสนอราคาตามอุปกรณ์และภูมิศาสตร์: ตัวปรับแต่งที่ขับเคลื่อน ROAS

การปรับราคาเสนอราคาตามอุปกรณ์และภูมิศาสตร์สามารถเปลี่ยนราคาเสนอราคาสำหรับเซกเมนต์การเข้าชมที่เลือกไว้ได้ ในกรณีที่แพลตฟอร์มและกลยุทธ์การเสนอราคารองรับ ให้เปรียบเทียบมูลค่าการแปลงจริง ต้นทุน และความไม่แน่นอนก่อนเปลี่ยนการตั้งค่า บทความนี้ไม่ได้ยืนยันว่าตัวปรับแต่งช่วยปรับปรุง ROAS ได้เร็วกว่างานครีเอทีฟ

เหตุผลที่การเสนอราคาเดียวสำหรับทุกอุปกรณ์และภูมิศาสตร์ทำให้เสียโอกาส#

การประมูลของทุกเครือข่ายเนทีฟโดยค่าเริ่มต้นไม่ทราบถึงอัตรากำไรของคุณ มันปรับให้เหมาะสมกับราคาเสนอราคาและการกำหนดเป้าหมายที่คุณตั้งไว้ ไม่ใช่กับจุดที่มูลค่าการแปลงจริงของคุณกระจุกตัวอยู่ หากมือถือแปลงผลได้เพียงครึ่งหนึ่งของเดสก์ท็อปสำหรับข้อเสนอของคุณ แต่คุณเสนอราคาเท่ากันทั้งคู่ คุณกำลังจ่ายแพงเกินไปสำหรับปริมาณการเข้าชมบนมือถือ หรือจ่ายน้อยเกินไปสำหรับเดสก์ท็อป และมักจะเป็นทั้งสองอย่างพร้อมกัน ตรรกะเดียวกันนี้ใช้ได้กับทุกภูมิศาสตร์: ประเทศ Tier-1 ที่มีมูลค่าการสั่งซื้อโดยเฉลี่ยสูงกว่าสามารถรองรับราคาเสนอราคาที่สูงขึ้นได้มากกว่าประเทศ Tier-3 ที่การคลิกเดียวกันมีมูลค่าน้อยกว่าสำหรับคุณ

ตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์มีอยู่เพื่อแก้ไขปัญหานี้โดยเฉพาะ โดยไม่จำเป็นต้องสร้างแคมเปญแยกสำหรับทุกชุดผสม

จุดที่ควบคุมได้อยู่ที่ไหน#

ตรวจสอบความพร้อมใช้งานและพฤติกรรมของตัวปรับแต่งในเอกสารฉบับปัจจุบันสำหรับแพลตฟอร์ม บัญชี และกลยุทธ์การเสนอราคาที่แน่นอน การกำหนดเป้าหมายอุปกรณ์หรือประเทศไม่จำเป็นต้องเหมือนกับการใช้ตัวคูณราคาเสนอราคา

ตรวจสอบเอกสารปัจจุบันของแต่ละเครือข่ายสำหรับชื่อฟิลด์ที่แน่นอน และว่าตัวปรับแต่งเป็นตัวคูณแบบแข็งหรือสัญญาณแบบนิ่มที่อัลกอริทึมนำมาชั่งน้ำหนักร่วมกับปัจจัยอื่นๆ สิ่งนี้เปลี่ยนแปลงเป็นระยะและกลไกแตกต่างกันเล็กน้อยตามเครือข่าย ดูว่า โฆษณา Taboola ทำงานอย่างไร และ Outbrain ทำงานอย่างไร เพื่อทำความเข้าใจกลไกการเสนอราคาพื้นฐานที่ตัวปรับแต่งเหล่านี้วางอยู่บน

การสร้างตัวปรับแต่งตามอุปกรณ์แรกของคุณ#

ก่อนตั้งตัวปรับแต่งใดๆ ให้ดึงรายงานการแปลงแยกตามอุปกรณ์จากการติดตามของคุณเอง ไม่ใช่รายงานการคลิกจากเครือข่าย คุณต้องการอัตราการแปลงและมูลค่าการสั่งซื้อโดยเฉลี่ยแยกตามอุปกรณ์ ไม่ใช่แค่การคลิกหรือ CTR เพราะอุปกรณ์หนึ่งอาจมี CTR สูงแต่อัตราการแปลงต่ำ ซึ่งจะนำคุณไปสู่การเสนอราคาในทิศทางที่ผิดหากคุณดูแค่การมีส่วนร่วม

แนวทางเริ่มต้นง่ายๆ:

ตรวจสอบต้นทุนและการแปลงแยกตามอุปกรณ์พร้อมจำนวนการแสดงผลและหน้าต่างการแปลงของแต่ละอุปกรณ์ เลือกการเปลี่ยนราคาเสนอราคาใดๆ ภายในขีดจำกัดความเสี่ยงของคุณ และวัดผลของมัน ทั้งการใช้จ่ายเท่ากับ CPA เป้าหมายสองหรือสามเท่า และการรอหนึ่งสัปดาห์ ต่างก็ไม่ได้รับประกันว่าจะมีหลักฐานเพียงพอ

การสร้างตัวปรับแต่งตามภูมิศาสตร์แรกของคุณ#

ตัวปรับแต่งตามภูมิศาสตร์ใช้ตรรกะเดียวกัน แต่มีปฏิสัมพันธ์กับ ระดับภูมิศาสตร์ โดยตรงมากขึ้น ประเทศ Tier-1 โดยทั่วไปรองรับราคาเสนอราคาที่สูงกว่าเพราะมูลค่าการสั่งซื้อโดยเฉลี่ยสูงกว่า ภูมิภาค Tier-2 และ Tier-3 มักต้องการราคาเสนอราคาที่ต่ำกว่าเพื่อให้ยังคงทำกำไรได้ เนื่องจากมูลค่าการสั่งซื้อโดยทั่วไปต่ำกว่า แต่ก็อาจมีการแข่งขันน้อยกว่ามากเช่นกัน ซึ่งหมายความว่าราคาเสนอราคาที่พอเหมาะก็ยังสามารถชนะปริมาณการเข้าถึงได้มาก นี่คือพลวัตเดียวกันกับที่อยู่เบื้องหลัง การขยายเข้าสู่ภูมิศาสตร์ใหม่ ในฐานะวิธีหาพื้นที่โฆษณาที่ถูกกว่าและมีการแข่งขันน้อยลง เมื่อแคมเปญ Tier-1 เติบโตเต็มที่แล้ว

อย่าตั้งตัวปรับแต่งตามภูมิศาสตร์จากข้อสมมติฐานเพียงอย่างเดียว ดึงผลการดำเนินงานจริงแยกตามประเทศหากปริมาณของคุณรองรับ ข้อสมมติฐานเกี่ยวกับภูมิศาสตร์ใดที่ "ควร" แปลงผลได้ดีมักผิดพลาดบ่อยพอที่ข้อมูลจะคุ้มค่ากับขั้นตอนการรายงานเพิ่มเติม

การรวมตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์#

ทั้งสองมีปฏิสัมพันธ์ซึ่งกันและกัน ภูมิภาคที่แปลงผลได้ดีบนเดสก์ท็อปอาจแปลงผลได้แย่บนมือถือภายในประเทศเดียวกัน และการปฏิบัติต่อ "ตัวปรับแต่งภูมิศาสตร์" และ "ตัวปรับแต่งอุปกรณ์" ว่าเป็นการตั้งค่าที่เป็นอิสระโดยสมบูรณ์ อาจทำให้เกิดราคาเสนอราคารวมที่ผิดพลาดในทิศทางใดทิศทางหนึ่ง ในกรณีที่เครือข่ายรองรับ ให้ตรวจสอบรายงานแยกย่อยแบบรวมอุปกรณ์และภูมิศาสตร์ ไม่ใช่แค่แต่ละมิติแยกกัน ก่อนกำหนดตัวปรับแต่งสุดท้าย นี่คือจุดที่การเสนอราคาระดับผู้เผยแพร่เพิ่มมิติที่สามเข้ามา: กลุ่มเป้าหมายของผู้เผยแพร่หนึ่งๆ มีแนวโน้มไปทางส่วนผสมของอุปกรณ์และภูมิศาสตร์เฉพาะ ดังนั้น ตัวปรับแต่งตามผู้เผยแพร่ อุปกรณ์ และภูมิศาสตร์ จึงไม่ใช่คันโยกที่อิสระโดยสมบูรณ์ แม้ว่าแดชบอร์ดของเครือข่ายจะนำเสนอเป็นค่าที่ตั้งแยกกัน

ตัวอย่างการทำงาน#

สมมติว่า CPA โดยรวมของแคมเปญอยู่ที่เป้าหมายพอดี คือ $35 ผสมกันระหว่างอุปกรณ์และภูมิศาสตร์ การดึงข้อมูลแยกย่อยแสดงให้เห็นว่าเดสก์ท็อปในสหรัฐฯ แปลงผลที่ CPA $22 มือถือในสหรัฐฯ ที่ CPA $48 และภูมิภาค Tier-2 รองที่ $30 บนทั้งสองอุปกรณ์รวมกัน ค่าเฉลี่ยแบบผสมกำลังซ่อนส่วนเดสก์ท็อปในสหรัฐฯ ที่ทำกำไรได้ดีอยู่แล้ว และส่วนมือถือในสหรัฐฯ ที่กำลังขาดทุนเมื่อเทียบกับเป้าหมาย

ในตัวอย่างสมมติเรื่องนี้ แต่ละเซกเมนต์มี CPA ที่สังเกตได้แตกต่างกัน นั่นชี้ให้เห็นคำถามที่ควรตรวจสอบ ไม่ใช่การปรับ 25–30% ที่พิสูจน์แล้ว หรือการคาดการณ์ผลลัพธ์ของสัปดาห์หน้า ตรวจสอบมูลค่าการแปลง ขนาดตัวอย่าง และพฤติกรรมของแพลตฟอร์มก่อนตั้งตัวปรับแต่ง

ข้อผิดพลาดทั่วไป#

  • ตั้งตัวปรับแต่งจากข้อสมมติฐานของอุตสาหกรรมแทนที่จะใช้ข้อมูลของคุณเอง "มือถือมักแปลงผลได้แย่กว่า" ไม่เป็นจริงเสมอไป มันขึ้นอยู่กับหน้า Landing Page ข้อเสนอ และขั้นตอนการชำระเงินของคุณ
  • แก้ไขเกินเหตุจากตัวอย่างเล็กน้อย ตัวปรับแต่งตามอุปกรณ์ -50% จากข้อมูลสามวัน มักเป็นการตอบสนองต่อสัญญาณรบกวน ไม่ใช่รูปแบบจริง
  • ลืมกลับมาตรวจสอบหลังจากมีการเปลี่ยนแปลงหน้า Landing Page หรือครีเอทีฟ หน้า Landing Page ที่ไม่เหมาะกับมือถือซึ่งได้รับการแก้ไขในภายหลัง หมายความว่าตัวปรับแต่งมือถือเดิมของคุณตอนนี้ล้าสมัยและอาจอนุรักษ์นิยมเกินไป
  • ไม่สนใจผลกระทบจากการมีปฏิสัมพันธ์ การปรับแต่งอุปกรณ์และภูมิศาสตร์อย่างอิสระโดยไม่ตรวจสอบรายงานแยกย่อยแบบรวม อาจทำให้เสียโอกาสทำกำไรที่แท้จริง หรือที่แย่กว่านั้น อาจกดทับชุดผสมที่ทำกำไรได้

การผนวกตัวปรับแต่งเข้ากับรอบการรายงานปกติของคุณ#

ตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์ไม่ใช่การตั้งค่าครั้งเดียวแล้วจบ สร้างมันให้เป็นส่วนหนึ่งของรอบรายงานรายสัปดาห์เดียวกับที่คุณใช้สำหรับการทบทวนราคาเสนอราคาระดับผู้เผยแพร่: ดึงรายงานแยกตามอุปกรณ์และภูมิศาสตร์ควบคู่ไปกับรายงานผู้เผยแพร่ ตรวจสอบว่าตัวปรับแต่งของสัปดาห์ที่แล้วขับเคลื่อน CPA แบบผสมไปในทิศทางที่ถูกต้องหรือไม่ และปรับแบบค่อยเป็นค่อยไป แทนที่จะรีเซ็ตใหม่ทุกครั้ง เนื่องจากทั้งสามมิติ ได้แก่ ผู้เผยแพร่ อุปกรณ์ และภูมิศาสตร์ มีปฏิสัมพันธ์กัน การเปลี่ยนทั้งสามพร้อมกันทำให้ยากที่จะบอกว่าการปรับแต่งใดที่ทำให้เกิดผลลัพธ์จริงๆ หากเป็นไปได้ ให้เปลี่ยนหนึ่งมิติต่อสัปดาห์ จนกว่าคุณจะรู้สึกได้ว่าบัญชีเฉพาะของคุณไวต่อคันโยกแต่ละอันแค่ไหน

การตรวจสอบแผนกับพฤติกรรมตลาดจริง#

ข้อมูลที่จับได้จากคู่แข่งสามารถแสดงการปรากฏของอุปกรณ์และภูมิศาสตร์แบบสุ่มตัวอย่างได้ แต่ไม่ได้เปิดเผยว่าพื้นที่โฆษณาใดทำกำไร หรือตัวปรับแต่งใดสร้างตำแหน่งโฆษณาเหล่านั้น ให้ใช้หลักฐานจากแคมเปญของคุณเองสำหรับการตัดสินใจเหล่านั้น

สรุป#

ใช้ตัวปรับแต่ง ในกรณีที่รองรับ เป็นสมมติฐานหนึ่งเพื่อทดสอบกับผลลัพธ์ระดับเซกเมนต์จริง เก็บการตั้งค่าเดิมและช่วงการวัดไว้ เพื่อให้สามารถประเมินและย้อนกลับการเปลี่ยนแปลงได้ ไม่รับประกันว่า ROAS จะดีขึ้น

คำถามที่พบบ่อย

การปรับราคาเสนอราคาตามอุปกรณ์และภูมิศาสตร์คืออะไร?
มันคือการตั้งค่าที่อาจเพิ่มหรือลดราคาเสนอราคาสำหรับเซกเมนต์การเข้าชมหนึ่งๆ ความพร้อมใช้งานและปฏิสัมพันธ์กับการเสนอราคาอัตโนมัติแตกต่างกันไป โปรดตรวจสอบเอกสารของแพลตฟอร์มและกลยุทธ์ฉบับปัจจุบันที่แน่นอน
ฉันควรปรับราคาเสนอราคาสำหรับมือถือมากแค่ไหน?
ใช้ต้นทุนและมูลค่าการแปลงที่คุณวัดได้เอง โดยคำนึงถึงความไม่แน่นอนและพฤติกรรมของแพลตฟอร์ม ความแตกต่างของ CPA 30% ไม่ได้ยืนยันด้วยตัวมันเองว่าการเปลี่ยนราคาเสนอราคา 20–30% เป็นค่าที่ถูกต้อง
ฉันควรเสนอราคาสูงขึ้นในภูมิภาค Tier-1 หรือไม่?
ไม่ใช่โดยอัตโนมัติ ให้เปรียบเทียบมูลค่าการแปลงจริงและต้นทุนการได้มาของข้อเสนอคุณแยกตามตลาด ป้ายระดับภูมิภาคไม่ได้กำหนดราคาเสนอราคาที่เหมาะสม
ฉันควรรอเท่าไหร่ก่อนจะปรับตัวปรับแต่งราคาเสนอราคา?
ใช้หน้าต่างการวัดที่คำนึงถึงการส่งมอบ ความล่าช้าของการแปลง และความไม่แน่นอนของการตัดสินใจ หนึ่งสัปดาห์ไม่ใช่เกณฑ์สากลสำหรับหลักฐานที่น่าเชื่อถือ
ตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์มีปฏิสัมพันธ์ซึ่งกันและกันหรือไม่?
ใช่ ภูมิภาคหนึ่งอาจแปลงผลได้ดีบนเดสก์ท็อปแต่แย่บนมือถือภายในประเทศเดียวกัน ดังนั้นการตั้งตัวปรับแต่งตามอุปกรณ์และภูมิศาสตร์เป็นค่าที่เป็นอิสระโดยสมบูรณ์อาจทำให้ราคาเสนอราคารวมที่ได้ผิดพลาดได้ ตรวจสอบรายงานแยกย่อยแบบรวมกันในกรณีที่เครือข่ายรองรับ ไม่ใช่แค่ตรวจสอบแต่ละมิติแยกกัน
ทีม OpenAdLibrary
เขียนโดยทีม OpenAdLibrary
วิจัยข่าวกรองโฆษณาและโฆษณาเนทีฟ

เราสร้าง OpenAdLibrary แพลตฟอร์มเปิดเพื่อความโปร่งใสด้านโฆษณา ทุกวันระบบของเราจับโฆษณาเนทีฟสดจาก Taboola, Outbrain, MGID, Revcontent, Teads, Yahoo และ MSN ระบุผู้โฆษณาจริงที่อยู่เบื้องหลังแต่ละรายการ และติดตามคลิกไปยังหน้า Landing Page คู่มือเหล่านี้สรุปสิ่งที่เราเห็นจากข้อมูลนั้น เพื่อให้คุณวิจัยตลาดได้เร็วขึ้น