Yerel Reklam Hedeflemesi Nasıl Çalışır (Bağlamsal, İlgi ve Çerez Sonrası)

Yerel reklamlar, bağlamsal sinyallerin (kullanıcının şu anda okuduğu sayfa ve kategori), ağın zaten sahip olduğu birinci taraf izleyici verisinin (cihaz, coğrafi, kendi yayıncı ağındaki gezinme geçmişi) ve reklamverenin sağladığı girişlerin (yeniden hedefleme pikselleri ve benzer kitle segmentleri) bir karışımıyla kullanıcıları hedefler; bu, sabit bir yerleşim satın alımı yerine gerçek zamanlı bir açık artırma üzerinden gerçekleşir. Tek bir "yerel hedefleme" mekanizması yoktur; bu, örtüşen seçeneklerin bir yığınıdır ve her birine verilen ağırlık, ağ ve kampanya hedefine bağlıdır.

Bağlamsal hedefleme: en eski katman, şimdi en dayanıklı#

Her yerel ağ, içerik kategorisi ve anahtar kelimeye göre hedefleme yapmanıza izin verir: finans makaleleri, sağlık içeriği, otomotiv incelemeleri vb. Bu, bireysel kullanıcı hakkında bir şey bilmeye gerek duymadığı için en az müdahaleci hedefleme biçimidir; sadece şu anda ne okuduklarını bilir. Üçüncü taraf çerezleri kısıtlandıkça en kalıcı katman haline gelmiştir, çünkü bağlamsal hedefleme site çapında tanımlayıcılara hiç dayanmaz.

Yerel ağlarda bağlamsal hedefleme genellikle geniş bir kategoriye göre daha derine gider. Taboola ve Outbrain, site ve bölüm seviyesinde hedefleme sunar; böylece bir yayıncının sağlık dikeyine ya da kişisel finans bölümüne doğrudan teklif verebilirsiniz, tüm alan adına değil. Bu ayrıntı, düzenlenmiş kategorilerdeki reklamverenler için izleyici hedeflemesinden daha iyi bir kaldıraç olur, çünkü komşuluk riskini doğrudan kontrol eder.

İlgi ve davranışsal hedefleme#

Bağlamın ötesinde, ağlar kendi yayıncı ayak izleri boyunca (kullanıcının okuduğu, tıkladığı ve sitede kaldığı şeyler) gezinme davranışından ilgi profilleri oluşturur. Bu, ağın kendi izleme ilişkisi altında toplanan birinci taraf veridir, ancak birçok yayıncı alanını kapsar. Bu, bağlamsal ve coğrafi hedeflemenin üzerine eklenebilen geniş ilgi segmentleri (otomobil alıcıları, seyahat araştırıcıları, sağlık içeriği okuyucuları) oluşturmak için kullanılır.

Yeniden hedefleme: piksel tabanlı ve hâlâ en yüksek niyetli kaldıraç#

Ağın pikselini sitenize ekleyin ve dönüşüm sağlamayan ziyaretçilere, o ağın başka yerlerinde gezinirken yerel yerleşimler göstererek yeniden hedefleme yapabilirsiniz. Bu, doğrudan bir birinci taraf ilişkiye (kendi pikseliniz, kendi ziyaretçiniz) dayandığı için yereldeki en güçlü kaldıraçlardan biridir; üçüncü taraf çerez grafiğine dayanmaz. Bu da yerel yeniden hedeflemenin, çerez kaldırma tartışmalarının en çok etkilendiği görüntüleme ve sosyal platformlarından daha izole kalmasının nedenidir.

Coğrafi, cihaz ve zamanlama#

Bunlar her ağda standarttır: ülke ve genellikle bölge/şehir seviyesinde coğrafi hedefleme, cihaz türü (masaüstü, mobil, tablet) ve işletim sistemi, mobilde bağlantı tipi ve günün saatine/güne göre zamanlama. Bunların hiçbiri kimlik çözümlemesine bağlı değildir; bu da yerel kampanyaların, teklif akışı verilerine dayanan programatik görüntüleme alımlarına göre kimlik kaybına daha az maruz kalmasının bir parçasıdır.

"Çerez sonrası" burada ne değiştiriyor#

Üçüncü taraf çerez kaldırılmasına en çok maruz kalan yerel hedefleme katmanları, her zaman en ince katman olmuştu: tek bir ağın kendi verileri dışındaki çapraz site davranış profilleri. Yerel ağlar, başlangıçta açık web programatik görüntülemeye göre daha az bağımlıydı, çünkü yerelin hedefleme yığını (bağlam, ağ sahipliğindeki ilgi verileri, reklamveren pikselleri, coğrafi/cihaz) ortak bir üçüncü taraf tanımlayıcıya hiç ihtiyaç duymuyordu. Bu, yerelin bir kanal olarak ayakta kalmasının ve bazı görüntüleme ve sosyal kimlik tabanlı hedeflemelerin daha gürültülü hale gelmesinin nedenidir. Kümeye dayalı ve olasılıksal yaklaşımlar kalan boşlukları dolduruyor, ancak dürüst cevap şudur: çoğu yerel alıcı, programatik görüntüleme alıcılarının yaptığı kadar hedefleme oyun kitabını değiştirmek zorunda kalmadı.

İzleyici pazar yeri segmentleri ve üçüncü taraf veri ortaklıkları#

Bazı ağlar, veri yönetim platformu ortaklıkları aracılığıyla üçüncü taraf izleyici segmentlerini katmanlayarak, reklamverenlerin "otomobil sigortası pazarında" ya da "son zamanlarda seyahat fırsatları arayan" gibi kategorileri hedeflemesine olanak tanır; bu segmentler dış veri sağlayıcıları tarafından oluşturulur, ağın kendi birinci taraf gözlemlerinden değil. Bu segmentler genellikle daha pahalıdır ve dürüst olmak gerekirse, ağın yerel bağlamsal ve yeniden hedefleme araçlarından daha çok deneme-yanılma gerektirir; çünkü temel metodoloji sağlayıcıya göre değişir ve her zaman ayrıntılı olarak açıklanmaz. Üçüncü taraf segmentlerini bir test edilebilir ek katman olarak değerlendirin, temel bir katman olarak değil; bağlamsal yalnız hedeflemeye karşı bir kontrol çalıştırın ve anlamlı bir bütçe ayırmadan önce sonuçları ölçün.

Bir rakibin hedeflemesini dışarıdan okumak#

Bir rakibin tam segment ayarlarını göremezsiniz, ancak gerçekte ne çalıştığını gözlemleyerek çok şey çıkarabilirsiniz: bir reklamın hangi coğrafi bölgelerde ve cihazlarda gösterildiği, hangi yayıncı dikeylerine odaklandığı ve ne kadar süre ayakta kaldığı; bu genellikle hedefleme ve yaratıcıların işe yarayan bir izleyiciye ulaşıp ulaşmadığının bir göstergesidir ve bu konu daha derinlemesine yerel reklamlar için medya satın alma rehberimizde ele alınmıştır. Taboola reklamlarının nasıl çalıştığı, Outbrain'in nasıl çalıştığı ve MGID yerel reklamlarının nasıl çalıştığı üzerine ağ‑spesifik rehberlerimiz, her ağın hedefleme menüsü ve açık artırma mekaniklerini ayrıntılı olarak inceler; ayrıca yeni coğrafi bölgelere ölçekleme makalemiz, kampanya tier‑2 ve tier‑3 pazarlara genişledikçe coğrafi hedefleme seçimlerinin nasıl değiştiğini kapsar.

OpenAdLibrary'nin reklam istihbaratı indeksi, her yakalanan yaratıcıyı coğrafi, cihaz ve dikey ayak izi açısından izler; böylece bir rakibin hedefleme stratejisini tahmin etmek yerine gerçek deseni görebilirsiniz: bir reklamın hangi ülkelerde aktif olduğu, sadece mobilde mi yoksa her yerde mi çalıştığı ve ilk ortaya çıktığından bu yana nasıl değiştiği.

Benzer kitle ve look‑alike hedefleme#

Bir yeniden hedefleme pikseli ya da özel izleyici listesi yeterli hacme ulaştığında, çoğu ağ bu veriden bir look‑alike segmenti oluşturabilir: dönüştürenlerin gezinme davranışıyla benzer kullanıcılar, bireysel kimlik çözümlemesi gerektirmez. Bu, yerel hedeflemenin sosyal platformların yıllardır sunduğu şeylere benzemeye başladığı yerdir; ancak tohum verisi genellikle daha küçüktür (tek bir reklamverenin trafiğinden gelen piksel) ve platform çapında davranış grafiği yerine tek bir reklamverenin verisidir. Look‑alike'lar, bağlam ve yeniden hedefleme ile tanımlanmış bir çekirdek izleyiciniz olduğunda ölçekleme kaldıraçı olarak en iyi çalışır; ince bir tohum listesiyle soğuk prospektleme aracı olarak kullanıldıklarında, doğrudan bağlamsal hedeflemeden daha düşük performans gösterebilirler.

Hedeflemenin açık artırmayla etkileşimi, sadece erişim değil#

Hedeflemeyi sadece bir izleyici filtresi olarak düşünmek kolaydır, ancak yerel ağlarda aynı zamanda etkin maliyetinizi de değiştirir. Daha dar ve ilgili hedefleme (belirli bir yayıncı bölümü, sıcak bir yeniden hedefleme havuzu) genellikle aynı gösterim için daha az rakip reklamverenle rekabet anlamına gelir; bu da yaratıcı kalitesi faktörüne girmeden bile etkin CPC'nizi düşürebilir. Geniş hedefleme daha fazla kişiye ulaşır ancak sizi daha büyük bir açık artırma havuzuna sokar; bu havuz genellikle hacim odaklı, ilgili olmayan teklif verenleri içerir. Bu, dar bağlamsal ve yeniden hedefleme‑ilk stratejilerin, geniş‑erişim kampanyalarına göre saf ROAS bazında daha iyi performans göstermesinin bir nedenidir, hatta ham gösterim hacmi kağıt üzerinde daha düşük görünse de.

Reklamverenlerin hedeflemede yanıldığı noktalar#

Yerel hesaplarda iki yaygın hata tekrar tekrar görülür. Birincisi, yeni bir kampanyada aynı anda çok fazla kısıtlayıcı katmanı (sıkı coğrafi, dar ilgi segmenti ve küçük bir yayıncı beyaz listesi) yığmak; bu, algoritmanın öğrenmesi için yeterli hacmi almasını engeller ve maliyetleri süresiz olarak yüksek tutar. İkincisi ise tam tersidir: kampanyanın ilk gününden itibaren her boyutta geniş hedefleme yapmak ve "daha sonra optimize ederiz" demek; bu, hesabın henüz sinyal üretmediği bir aşamada alakasız yerleşimlere bütçe yakar. Daha iyi bir sıralama genellikle önce coğrafi ve cihaz (düzeltmesi ucuz, hatası pahalı), ardından bağlam ve ardından gerçek performans verisi elde edildikçe yeniden hedefleme ve ilgi genişletme katmanları eklemektir.

Pratik çıkarım#

Yerel hedefleme tek bir kadran değil, beş ya da altı bağımsız kadrandır (bağlam, ağ ilgi verileri, kendi pikseliniz, coğrafi, cihaz, zamanlama) ve bunları bir araya getirirsiniz; kazanan kombinasyon her dikey için farklıdır. Sağlık ve finans reklamverenleri, komşuluk ve uyumluluk risklerinin daha fazla olduğu için bölüm‑seviyesi bağlamsal hedeflemeye daha çok yönelir. E‑ticaret, satın alma niyetini bir pikselle yakalamak daha kolay olduğu için yeniden hedefleme ve look‑alike'lara daha çok yönelir. Bağlam ve coğrafiyle güvenli bir temel oluşturun, pikseliniz yeterli hacme ulaştığında yeniden hedeflemeyi ekleyin ve ilgi segmentlerini, çekirdek zaten dönüşüm sağladığında bir erişim kaldıraçı olarak değerlendirin.