Définir des enchères plus intelligentes sur le Réseau de Recherche

Les enchères automatiques Google Ads constituent une solution professionnelle qui permet aux annonceurs de définir automatiquement des enchères en fonction de leurs objectifs de performances. Les stratégies d’enchères intelligentes regroupent plusieurs stratégies d’enchères automatiques qui utilisent le machine learning pour optimiser les conversions ou la valeur de conversion. Les stratégies d’enchères intelligentes définissent des enchères précises pour chaque mise aux enchères. Elles permettent de générer un plus grand nombre de conversions ou une valeur de conversion plus élevée, avec une rentabilité comparable ou supérieure aux objectifs de performances existants. Ces stratégies incluent trois fonctionnalités principales :

• Enchères réellement définies lors de la mise aux enchères
• Apprentissage adaptatif au niveau de la requête
• Signaux utilisateur détaillés et analyse de signaux multiples

Vous trouverez ci-dessous des informations complètes à ce sujet.

Pour les stratégies d’enchères basées sur la valeur et sur les conversions, les stratégies d’enchères intelligentes proposent une réelle optimisation lors de la mise aux enchères, car elles définissent des enchères pour chaque mise aux enchères, et pas seulement quelques fois par jour. Les annonceurs peuvent optimiser les enchères de façon plus précise et les adapter au contexte de recherche unique de chaque utilisateur. Au lieu de n’ajuster les enchères qu’en fonction des performances cumulées des utilisateurs, les algorithmes d’enchères Google Ads évaluent aussi des signaux contextuels pertinents au moment de la mise aux enchères. Il peut s’agir, par exemple, de l’heure de la journée, de la création publicitaire spécifique affichée, ou de l’appareil, de la zone géographique, du navigateur et du système d’exploitation de l’utilisateur.

Identifier l’opportunité de conversion de chaque mise aux enchères permet de différencier les enchères et d’optimiser la configuration avec plus de précision. Prenons l’exemple d’un annonceur spécialisé dans la finance. Il est possible que les utilisateurs d’iOS soient plus enclins à ouvrir un compte courant ou que les possesseurs d’un smartphone habitant dans une grande ville aient plus de chances de se rendre dans un établissement bancaire. Grâce aux enchères définies lors de la mise aux enchères, Google Ads peut détecter la présence de tels signaux afin de prédire plus précisément le taux ou la valeur de conversion, et définir une enchère plus judicieuse pour chaque requête de recherche.

Les algorithmes de machine learning s’appuient sur des données de conversion fiables pour créer des algorithmes d’enchères précis qui prédisent les performances à différents niveaux d’enchères. Les mots clés générant un volume élevé fournissent souvent de nombreuses données de conversion pour la modélisation. Toutefois, les comptes incluent généralement des mots clés nouveaux ou générant un faible volume (et donc associés à un historique de performances limité) qui doivent aussi être pris en compte. Pour ces mots clés générant un faible volume, les solutions d’enchères s’appuient sur des modèles de machine learning pour définir les enchères qui représentent la meilleure estimation des taux de conversion à ce moment-là.

Par exemple, les solutions d’enchères peuvent tester différents niveaux d’enchères afin de créer un modèle de taux de conversion pour un mot clé spécifique. Toutefois, cela peut donner de mauvais résultats lorsque le mot clé accumule des données, ce qui peut prendre du temps selon le volume de recherche. Pour modéliser les performances des taux de conversion sur les mots clés générant un faible volume, vous pouvez aussi “emprunter” les données d’un même mot clé avec différents types de correspondance, ou issues de campagnes et de groupes d’annonces plus performants.

Les stratégies d’enchères intelligentes s’appuient sur cette méthode et l’améliorent grâce aux données au niveau des requêtes dans votre compte. Si vous utilisez le suivi des conversions multicomptes, il peut aussi s’appuyer sur les données au niveau des requêtes issues de votre compte administrateur. Les algorithmes d’enchères peuvent ainsi tenir compte d’un volume de données beaucoup plus important pour prendre leurs décisions. Cela permet de réduire les fluctuations de performances lorsque les données de conversion au niveau des mots clés sont peu nombreuses.

Chaque requête de recherche est différente, et les enchères associées à chaque requête doivent refléter les signaux contextuels uniques présents au moment de la mise aux enchères. Les signaux comme l’heure de la journée, la présence sur une liste de remarketing, ou l’appareil et la localisation de l’utilisateur sont des dimensions clés à prendre en compte pour déterminer les enchères optimales. En plus d’évaluer ces signaux lors de chaque mise aux enchères, les stratégies d’enchères intelligentes tiennent compte de bien d’autres signaux comme le système d’exploitation, le navigateur Web et les paramètres linguistiques afin d’optimiser la configuration selon les différences de performances entre les plates-formes et les utilisateurs. Ce contexte supplémentaire permet aux stratégies d’enchères intelligentes de prédire plus précisément la probabilité de conversion de chaque mise aux enchères et de définir l’enchère optimale. La liste ci-dessous récapitule un grand nombre des signaux prédictifs importants que les stratégies d’enchères intelligentes prennent en compte pour optimiser les enchères.

Les stratégies d’enchères intelligentes utilisent des combinaisons de deux signaux ou plus. Par exemple, elles peuvent tenir compte de la zone géographique, de l’OS et de la langue avant de définir une enchère au moment des enchères.