Взлом Чёрного Ящика: Открытие Данных Рекламы на Уровне Продукта от Meta

Онлайн-магазины и Meta (ранее Facebook) отлично работают вместе. Вы можете загрузить весь свой каталог товаров – даже с 20 000 позициями – и установить бюджет. Затем, рекламные инструменты Meta на базе искусственного интеллекта автоматически будут пытаться показать лучшие товары людям, которые с наибольшей вероятностью их купят, будь то новые или вернувшиеся посетители.

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Что на самом деле происходит внутри этих рекламных объявлений? И можем ли мы улучшить эффективность этих Динамических Рекламных Объявлений, которые часто кажутся загадкой?

Рекламодатели могут отслеживать общую эффективность своих рекламных объявлений, но в настоящее время им не хватает информации внутри рекламной платформы о *конкретно каких продуктах* отображаются, на какие кликают или какие игнорируются в динамической кампании с продуктовыми объявлениями.

Принимает ли Алгоритм правильные решения?

Это именно тот вопрос, на который мы хотели ответить.

Существует три распространенные ловушки, в которые попадают бренды:

Как SEO-эксперт, я часто вижу, как бренды случайно ухудшают свою производительность из-за *чрезмерной сегментации*. Они слишком сосредотачиваются на детальных аналитических данных и в итоге разделяют свой каталог продуктов на слишком много крошечных групп, каждая со своей собственной Динамической Продуктовой Рекламой (DPAs). Стремясь к точности, они на самом деле могут размыть свои общие данные и усложнить эффективную оптимизацию кампаний.

Плюсы: Вы можете дать каждому объявлению уникальное имя, которое точно говорит о том, что показывается. Отлично!
Недостатки: Это снижает плотность данных и может уничтожить ROI. Также есть тенденция пытаться предсказать, какая аудитория отреагирует на какие продукты, что больше неэффективно для большинства брендов, поскольку Meta улучшила обновления Andromeda.

Бренды пытаются выяснить, какие продукты предпочитает Meta, комбинируя данные из Google Analytics 4 (показывающие посещения веб-сайта для каждого продукта) с данными из их рекламных кампаний Meta (показывающими, какая реклама привела этих посетителей).

Преимущества: Позволяет проводить определенный анализ, не попадая в ловушку «чрезмерной сегментации».
Недостатки: Требует много времени на настройку и является неполным. Этот метод не дает нам никакой информации об уровне вовлеченности пользователей в конкретные продукты Meta; мы могли бы только предполагать показатели кликабельности, затрат и показов.

3. «Установи и забудь»: Бренды отказываются от всего контроля и позволяют Meta взять управление на себя.

Преимущества: Избегает проблем чрезмерной сегментации.
Недостатки: Существует большой риск полагаться на алгоритм. Вы можете продвигать продукты, которые получают много показов, но низкие продажи, эффективно сжигая свой бюджет и теряя эффективность.

Опираться исключительно на данные из интерфейса Meta Ads Manager при принятии решений может быть рискованно. Кроме того, многие маркетологи не совсем уверены в кампаниях, управляемых искусственным интеллектом.

Я и моя команда разработали решение этой проблемы, и я рад поделиться пошаговым руководством, чтобы вы могли внедрить его для своего бренда.

Мы изначально протестировали нашу новую технологию с крупным розничным продавцом товаров для ванных комнат, который уже использовал динамическую рекламу товаров для улучшения своих онлайн-продаж.

Давайте пройдем через три этапа в нашем путешествии к преодолению этой задачи электронной коммерции.

Фаза первая: Данные о вовлечении пользователей на поверхности.

Первоначально нам нужно было выяснить, какая информация содержится в этих сложных форматах DPA – по сути, сделать содержимое понятным.

Как я упоминал ранее, Meta не показывает вам, какой именно из её продуктов привёл к конкретной продаже в настройках Dynamic Product Ads в Ads Manager. В отличие от таких деталей, как возраст или место размещения рекламы, этот уровень детализации недоступен.

Но хорошие новости в том, что сокровищница ценной информации скрыта в Meta APIs:

Meta Marketing API (в частности, Insights API) – это основной API, который мы используем для получения всех данных об эффективности рекламы. Именно с его помощью мы извлекаем ключевые показатели, такие как расходы, показы и клики для каждого ad_id и product_id.
API платформы Meta Commerce (или API каталога). Этот API предоставляет список всех product_ids и связанных с ними деталей (например, название, цена, категория и т.д.).

Вот шаги:

Вам сначала необходимо передать данные API в хранилище данных (мы использовали BigQuery). Убедитесь, что вы извлекаете следующие метрики из Insights AP: impressions, clicks, spend, ad_id, product_id. Если вы не являетесь разработчиком, вы можете использовать ETL-коннекторы (например, Supermetrics, Funnel.io), чтобы получить эти данные в BigQuery или Google Sheets, или использовать Python-скрипты, если у вас есть команда по работе с данными.
Как только у вас будут эти два потока данных, объедините эти API в таблице, используя определённый Ключ объединения. Мы использовали ID продукта; это общая нить, которая должна присутствовать как в данных Рекламы, так и в данных Каталога, чтобы соединение работало.

После выполнения этих шагов вы сможете увидеть, как работает ваша реклама – включая клики и показы – и теперь с разбивкой по каждому продукту.

Затем мы использовали шаблон отчета Looker Studio для отображения объединенных данных. Однако, доступны и другие инструменты отчетности.

Как SEO-эксперт, я часто получаю огромное количество данных, и, честно говоря, просто цифры не помогают. Мне *действительно* нужен чёткий и понятный отчёт. Именно поэтому мы сосредоточились на создании этих визуализаций, чтобы данные стали действительно полезными. Вот что мы создали:

Диаграмма рассеяния продуктов: Разделение каждого продукта на четыре отдельные категории:

«Звёздные исполнители»: Высокие показы и большое количество кликов.
«Многообещающие продукты»: Низкое количество показов, но высокий процент кликов.
«Покупатели-прохожие»: Высокое количество показов, но очень низкий CTR (количество кликов).
«Низкий приоритет»: Низкое количество кликов и показов.

Top/Bottom Products Bar Charts: Посмотрите на графиках топ-10 и антирейтинг топ-10 продуктов по вовлечению.

Таблица сведений о продукте: Просмотр подробной статистики для каждого продукта.

Мы могли бы легко уточнить эти результаты по названию продукта, типу, наличию товаров на складе и другим деталям, таким как цвет или цена.

Мы создали наш первый отчёт, показывающий, как пользователи взаимодействуют с рекламой конкретных продуктов, и даже используя только эти данные о взаимодействии, мы получили ценные сведения.

Креатив: Мы использовали данные для улучшения брифов по креативу.

В отчете о данных наших клиентов было интересно наблюдать, насколько Meta продвигала не-белые продукты (оранжевые раковины, зеленые ванны), несмотря на то, что 95% их продаж составляют традиционные белые вариации.
Изначально мы не уделяли приоритетного внимания этим продуктам для клиента, но теперь создали гораздо больше видео и контента от создателей, демонстрирующих эти чрезвычайно кликабельные варианты.

Сегментация продуктов: Мы создали мощные наборы продуктов, основанные на данных и реальных показателях вовлеченности.

Например, мы протестировали показ только наших самых привлекательных продуктов «Star Performer» в карусельных объявлениях, управляемых лентой, в наших кампаниях верхнего уровня воронки, где обычно у алгоритма меньше сигналов для оптимизации.

Эффективность: Это автоматизировало сложный анализ, который ранее был неудобным и занимал много времени.

Впервые у нас собралось достаточно доказательств, чтобы поставить под сомнение подход Meta, заключающийся в предложении максимально широкого ассортимента продуктов.

Подводные камни и ключевые моменты.

Это было хорошее начало, но мы поняли, что существуют важные проблемы, которые простое использование инструментов Meta не могло решить.

Вовлечение против конверсий: Основной недостаток заключается в том, что детализация на уровне продукта доступна только для данных о кликах и показах, а не для доходов или конверсий. Например, категория «Посетители, которые просто смотрят» определяет продукты, которые получают мало кликов, но мы не могли (на этой стадии) однозначно сказать, что они не приводят к продажам.
Контекст – ключ: Эти данные – мощный новый диагностический инструмент. Они показывают нам, что Meta демонстрирует и на что пользователи нажимают, что является огромным шагом вперед. Почему (например, «является ли этот элемент с высоким количеством показов и низким количеством кликов просто высококачественным продуктом?») все еще требует анализа нашей командой.

Этап два: Развитие данных вовлеченности в мета с использованием данных о доходах GA4

Мы поняли, что просмотр данных Meta в одиночку показывал нам лишь часть картины. Чтобы по-настоящему понять, как работают наши рекламные объявления, нам нужно было объединить их с данными из GA4, чтобы увидеть, что клиенты на самом деле покупают после просмотра наших динамических товарных объявлений.

Технический мост: Как мы объединили данные

Первоначально мы использовали стандартные коннекторы для получения данных из API Meta. Теперь, для Phase Two, нам нужны данные из GA4, поэтому мы используем прямой экспорт GA4 в BigQuery. Это дает нам детальные данные на уровне транзакций – включая доход и количество проданных товаров – для каждой покупки.

Соединение – это не один шаг – оно опирается на два основных ключа для соединения наборов данных:

Мост Ad ID: Чтобы связать сессию GA4 с конкретной рекламой Meta, мы зафиксировали ad_id через динамические UTM-параметры. Установив параметры URL на utm_content={{ad.id}}, вы создаете волшебный мост между кликом и сессией.
Сопоставление ID товара: После привязки сессии мы используем ID товара. Это должно быть идеально согласовано, чтобы ваш Meta product_id и GA4 item_id были идентичными; в противном случае модель сломается.

Подводные камни и ключевые моменты.

Объединение данных Meta и GA4 звучит достаточно просто, но пришлось преодолеть некоторые ключевые блокираторы.

Убедитесь, что ваши данные точны. Если Meta IDs и GA4 IDs не совпадают точно, ваше отслеживание не будет работать должным образом. Перед началом работы дважды проверьте, что информация о вашем продукте и GA4 отслеживание настроены идентично.

Мы также сталкиваемся с более сложной задачей в отношении того, как засчитываются или приписываются конверсии. Как правило, Google Analytics 4 будет сообщать о меньшем количестве конверсий, чем вы видите непосредственно в рекламном интерфейсе Meta.

Мы обнаружили, что Meta склонна приписывать себе слишком много заслуг при отслеживании результатов. Это, вероятно, связано с тем, что она использует более длительные периоды отслеживания, включая конверсии от людей, которые просто *увидели* рекламу, и приписывает себе полную заслугу за каждую конверсию, вместо того чтобы делиться ею с другими маркетинговыми каналами, которые также могли сыграть роль.

Трудно напрямую связать каждую покупку продукта с конкретным продуктом, с которым пользователь взаимодействовал на Meta, как в Google Analytics 4, так и в данных Meta. Однако мы все еще можем получить ценное понимание из общих закономерностей и тенденций.

Вот пример:

UI от Meta: Сообщаем, что наш продукт «Luxury Bath – Green» показал наилучшие результаты в прошлом месяце, с высоким объемом кликов и показов в наших динамических объявлениях.
Проблема: Когда мы объединили наши данные GA4, мы не увидели продаж для конкретной ванны в прошлом месяце, абсолютно никаких, ни по одному каналу!
Предположение: Если бы мы использовали только данные о вовлечении рекламы, мы бы предположили, что этот продукт тратит бюджет впустую, генерируя трафик низкого качества.

Однако, когда мы анализируем все покупки, совершённые во время веб-сессий, которые начались с клика по продукту ‘Luxury Bath – Green’, мы обнаруживаем, что многие из этих пользователей в конечном итоге купили белую версию ванны вместо этого.

Реклама ‘Luxury Bath’ не была безуспешной; на самом деле, она сработала очень хорошо, привлекая клиентов, которые хотели образ жизни, который она изображала. Эти клиенты затем приобрели другие продукты у нашего клиента.

Мы можем уверенно запрашивать контент у авторов, в котором представлен зелёный продукт для ванн, даже если клиенты в конечном итоге могут выбрать другой цвет. Этот подход поможет нам привлечь новых пользователей.

Фаза Третья: Ленты с Улучшенной Производительностью

Как SEO-эксперт, когда мы наконец получили доступ к этим данным, моя первая мысль – и, честно говоря, это довольно распространенное явление – была погрузиться в цифры и найти немедленные выводы. Легко потеряться в самих данных и забыть о общей картине.

Следующий уровень был еще лучше, используя эти данные для создания автоматизированных дополнительных каналов.

Пришло время вернуть эти четыре сегмента производительности продукта из наших диаграмм рассеяния.

Мы использовали наши инструменты, чтобы добавить данные об эффективности продукта в виде новых тегов в наш продукт-фид Meta. Это позволило нам автоматически создавать группы продуктов в зависимости от их эффективности – например, мы могли создать группу под названием ‘Star Performers’ для продуктов, помеченных определенным уровнем эффективности.

Мы могли бы затем провести следующие тесты для набора продуктов:

«Посетители без покупок»: (Высокое количество показов, низкий уровень кликов/продаж). Добавьте их в исключающий набор, чтобы понять, улучшится ли эффективность после удаления из ленты.
«Многообещающие продукты»: (Высокий CTR, высокий CVR, низкое количество показов). Загрузите их в масштабируемый набор с большим бюджетом, чтобы понять, скрыт ли спрос.
«Звёздные исполнители»: (Высокие показы, высокие клики). Загрузите их в набор для ретаргетинга, чтобы повторно привлечь заинтересованных пользователей нашими фирменными линейками.

Подводные камни и ключевые соображения

Эти тесты являются лишь примерами, и ваши результаты могут отличаться. Мы настоятельно рекомендуем проводить собственные структурированные эксперименты, чтобы увидеть, как вещи влияют на вашу общую производительность.

Готов ли ваш бренд вырваться из ‘чёрного ящика’?

Бренды электронной коммерции могут получить преимущество, найдя способы увидеть за пределами закрытой системы Meta и понять, как она работает.

Наш подход развивается в три этапа: сначала мы собираем исходную информацию о вовлеченности. Затем мы объединяем ее с вашими данными о продажах, чтобы понять, что действительно влияет на вашу прибыль. Наконец, мы автоматизируем вашу стратегию, используя оптимизированные каналы данных.

Вот как перейти от простого принятия того, что говорит вам алгоритм, к его оспариванию с помощью фактов. Если вы находитесь в положении, когда вам нужно принимать решения, и хотите знать, с чего начать, вот три вопроса, которые следует учитывать:

«Можете ли вы показать мне, какие конкретные продукты в нашем каталоге приоритезирует Meta?»
«Совпадают ли наши Meta product_ids и GA4 item_ids?»
«Захватываем ли мы ad.id в наших UTM-параметрах для каждой рекламы?»

Если вы не уверены, как всё работает – если ваши ответы на ключевые вопросы – «Я не знаю» – вероятно, вы всё ещё работаете, не имея полного понимания. Но вы *можете* обрести ясность. Для этого нужны правильная информация, квалифицированные люди и стремление понять, что на самом деле влияет на ваши результаты.

Смотрите также

2026-01-27 16:42