Met een aantal scripts kon ik de producten classificeren in een aantal categorieën op basis van hun prestaties: over-index, index, near-index, no-index en under-index. Dit script wordt dagelijks uitgevoerd en helpt bij het monitoren van de productprestaties in de loop van de tijd, om de brutowinst per campagne te maximaliseren.

Het script haalt de product-ID's op uit de Google Merchant Center-gegevens. Een product-ID wordt gebruikt om data op te halen en te analyseren. Het script haalt de data op van de afgelopen dagen voor elk product. Deze data omvat onder andere impressies, klikken, kosten, conversies en conversiewaarde.

Kort samengevat, met een aantal scripts kon ik de producten classificeren op basis van hun data uit Google Ads. Ik ben eerst begonnen alle data uit GA4 te halen. Zo heb ik eerst een tweetrapstructuurcampagne opgezet. De ROAS doelen heb ik eerst niet ingesteld. Eerst twee weken laten draaien met een budget om voldoende data te genereren en elk product een eerlijke kans zou geven.

Strategie set-up

Een cruciaal aspect van de aanpak was het opdelen van het productaanbod in verschillende campagnes, wat essentieel is vanwege uiteenlopende doelstellingen en budgetten per product. Het in overweging nemen van winstmarges, die kunnen variëren tussen producten, speelde hierbij een centrale rol. Aangezien budgetten en doelen alleen op campagneniveau kunnen worden ingesteld, was het noodzakelijk om hierop te optimaliseren.

Bij dit project heb ik de winst van een order die voortkomt uit een klik op een productadvertentie zorgvuldig geanalyseerd. Ik keek naar verschillende factoren, zoals inkoopprijs, verzendkosten en mogelijke retourzendingen, om een nauwkeurige winstmarge per product in te schatten. Met deze data heb ik vervolgens een gestructureerde campagne set-up opgebouwd, waarbij vergelijkbare winstmarges werden gegroepeerd in productgroepen.

Het aantal buckets varieerde afhankelijk van de diversiteit in winstmarges en de omvang van het productassortiment. Voor campagnes met veel verschillende marges heb ik bijvoorbeeld mogelijk tot wel tien buckets gebruikt. Daarentegen, bij een groot productassortiment met weinig variatie in marges, koos ik voor één, twee of drie buckets. Dit stelde mij in staat om specifieke doelen voor elke bucket vast te stellen en biedstrategieën aan te passen op basis van de prestaties.

Een belangrijke richtlijn die ik hanteerde, was het streven naar minimaal 30 conversies per maand per campagne. Dit criterium werd niet alleen bepaald door het verschil in winstmarge, maar ook door het conversievolume in elke bucket. Het vermijden van te weinig conversies was cruciaal om de gewenste resultaten te bereiken en voldoende data te genereren voor effectieve automatische biedstrategieën. 

Mensen die op zoek zijn naar exclusieve keukens gaan zelden tot aankoop bij een allereerste bezoek aan een website. Het kooptraject is lang en complex - klanten kunnen een website meerdere keren bezoeken en vaak wisselen tussen apparaten en browsers. Bovendien maken de moderne privacyregels en de beperkingen voor het bijhouden van cookies het onmogelijk om het volledige conversietraject te volgen.

Omdat het traject wat langer duurt dan normaal, sla ik middels een script in Google Tag Manager de UTM en GCLID op. Deze worden als extra velden toegevoegd in het CRM. Met een maandelijkse import wordt de data met behulp van Zapier als geconverteerde lead geïmporteerd naar Google Ads. Met de conversiewaarde. Zo kan ik uiteindelijk op een ROAS-doelstelling sturen.

Belangrijke veranderingen

• Combinatie tussen Search en Performance Max. De Performance Max structuur op basis van THINK-CARE. En stuurden op asset performance en meerdere itemgroepen.
• Gebruikte weerdata en analyseerde met een script de correlatie tussen conversiepercentages en graden Celsius.
• Nieuwe doelgroepen gemaakt op basis van bezoekersgedrag.
• Volledige conversietracking opgezet (ook met offline conversies).
• Herstructureerde de campagnes en gaf de beste assets en signals een lagere ROAS mee.
• A/B-testen met verschillende landingspagina's in search. Ook in de Performance Max campagnes maakten we verschillende doelgroepen aan op basis van bezoekersgedrag. We hebben 4 verschillende soorten landingspagina's gemaakt: 1 hebben we volledig geoptimaliseerd voor de mobiele ervaring, voor terugkerende bezoekers, nieuwe bezoekers en nu werken we aan een pagina op basis van de verschillende assets in combinatie met post click ervaring (en testen we met verschillende CTA's).

Strategie set-up

Deze aanpak richtte zich op het omgaan met de vele uitdagingen van een enkel aanbod (bijvoorbeeld het boeken van een demo) op zowel bottom-of-funnel kanalen als Search, als top-of-funnel kanalen zoals YouTube, Display en Discovery. Ik heb daarom gebruik gemaakt van de ‘Fire and Ice’ techniek:

Fire-campagne:

• Alle assets binnen elke groep zijn gericht op Search en pushen van een bottom-of-funnel (BOFU), de gratis proefperiode of productdemo.
• Ik gebruikte een biedstrategie met een hoger target CPA (Cost Per Acquisition) om agressiever te bieden, aangezien de klantreis van lead tot conversie waarschijnlijk relatief kort was.
• Ik maakte gebruik van zeer specifieke doelgroepsignalen, zoals remarketinglijsten en aangepaste intentie-doelgroepen, om me te richten op BOFU-verkeer.

Ice-campagne:

• Alle assets binnen elke groep waren gericht op het bevorderen van lagere waarde per conversie op TOFU, zoals het downloaden van eBooks, whitepapers, checklists, enz.
• Het kon nodig zijn om sommige koppen en beschrijvingen binnen deze groepen opnieuw te formuleren, gezien het feit dat de doelgroep waarschijnlijk volledig onbekend was met merk/diensten.
• Ik richtte mij op een lagere target CPA, omdat de klantreis van lead tot conversie veel langer zal zijn in vergelijking met de Fire-campagne.
• Ik gebruikte aangepaste intentie-doelgroepen in de doelgroepsignalen, maar verbreedde ze in vergelijking met de Fire-campagne.

In Semrush zagen we een groot zoekvolume op:

• [productcategorie] + grote maten
• [productcategorie] + kleine maten

Dit zagen we terug bij zowel heren, dames als baby's. Met in totaal 18 productcategorieën resulteerde dit in: 18 * 2 * 5 maten = 180 pagina's. Voor baby's gingen de maten net wat anders, maar we hadden uiteindelijk 76 pagina's. We wilden dat elke categorie en categoriepagina minstens 5 producten beschikbaar hadden.

Strategie set-up

In mijn aanpak hanteerde ik een tabel als een manier om contentelementen te organiseren en de data op te halen. Deze tabel, die ik beschouwde als een spreadsheet, omvatte rijen met de use cases of onderwerpen die ik wilde behandelen, en kolommen met de "parameters" of elementen van mijn content, zoals H1, titel, content, afbeeldingen, enzovoort. Deze gestructureerde benadering zorgde ervoor dat ik content niet als afzonderlijke stukken beschouwde, maar eerder als een samenhangend geheel.

Om topic clusters te identificeren zonder traditioneel zoekwoordonderzoek te gebruiken, maakte ik gebruik van case-mapping. Via Google Search Console verzamelde ik de zoekwoorden waarvoor het domein rankte, die ik vervolgens categoriseerde of tagde in algemene onderwerpen om use case-maps te creëren. Deze maps dienden als leidraad voor het selecteren van onderwerpen met daadwerkelijke interesse van bezoekers.

De benadering om data te verkrijgen omvat het gebruik van scrapen voor openbaar beschikbare datasets, data voor specifieke zoekwoorden en in sommige gevallen handmatige invoer door het inhuren van virtual assistants.

Een belangrijk onderdeel was het genereren van content met behulp van ChatGPT voor unieke alinea's op deze programmatic pagina's. Hierbij integreerde ik OpenAI in Airtable om unieke paragrafen te genereren voor elk programmatic record. Ik hield rekening met de kwaliteit van de door AI gegenereerde content om duplicates te vermijden en zorgde voor controle op de waarde en relevantie voor bezoekers.

Voor scraping van grote directories zoals Yelp, Google Maps en Pinterest, maakte ik gebruik van tools zoals Octoparse, Parsehub en Simplescraper. Bij het creëren van programmatic SEO-content behandelde ik mijn content als een sjabloon, waarbij ik me voorstelde hoe mijn programmatic data dynamisch alinea's zou invullen. Ik schreef placeholders of specifieke alinea's voor bepaalde datarecords op basis van attributen om duplicates te voorkomen.

De klant had 189 campagnes nog op de SKAG-wijze. De data van de afgelopen twee jaar geanalyseerd met behulp van een script. Op basis van alle conversiedata met een Python script worden de thema's bepaald per campagne. De top performer campagnes gingen verder met broad match. In combinatie met een tROAS.

Uitsluitingslijsten werden geïmplementeerd en alle irrelevante en niet-converterende N-grams van de afgelopen 2 jaar werden uitgesloten bij de start van de nieuwe campagnes. RSA's en DSA's werden geïmplementeerd. Alles herschreven rond het thema van de gestructureerde advertentiegroepen.

Strategie set-up

Met smart-bidding is het mogelijk om meer geconsolideerde campagnes te maken. Ik had een test uitgevoerd om te onderzoeken of onze accountstructuur ons mogelijk tegenhoudt.

Een opvallende verandering was het samenvoegen van match types. Voorheen had ik veel campagnes met specifieke thema's en match types. Hoewel dit controle gaf over uitgaven per specifiek zoekwoord, bood smart bidding een kans tot verbetering. De hypothese was dat door zoekwoorden in minder campagnes te groeperen, elke campagne meer data kon benutten, de prestaties kon optimaliseren en het account kon verbeteren.

In deze case had ik het aantal campagnes teruggebracht van 16 naar 6. Dit resulteerde in aanzienlijk meer data die door elke gestroomlijnde campagne liep. Na een aantal weken zag ik een stijging van meer dan 200% in conversies en een daling van 67% in CPA. Het account was ook dagelijks veel eenvoudiger te beheren.

Een andere test toonde een toename van 56% in gratis proefversies met een -46% daling in CPA. Het resultaat was overtuigend, maar het betekent niet dat ik Google het account zomaar laat beheren. Smart bidding presteert alleen goed onder de juiste parameters. Zoekwoorden en zoektermen moeten nauwlettend worden gevolgd, budgetten moeten ruimte bieden voor optimalisatie, en biedingen moeten nauwkeurig worden ingesteld om het algoritme de benodigde informatie te geven.

Door zoekwoorden en zoektermen data te koppelen aan specifieke deals konden we achterhalen welke deals het best presteerden bij welke zoekwoorden en zoektermen. Door de Google Ads API konden we deze data syncen naar ons dashboard en koppelen aan de UTM tags. Naast de harde conversies hebben we ook een OCT tracking template gemaakt om de daadwerkelijke aanmeldingen te meten. Zo konden we precies zien wat het percentage per campagne was dat aanmeldingen afronde en ook na 14 dagen bedenktijd zo bleef.

In Looker Studio konden we uiteindelijk de deals op basis van buckets en verbruik meten door het aanvullen van de dataLayer en terugkoppelen naar de specifieke deals. Zo hebben we op den duur de campagnes kunnen aanpassen naar een zogenoemde bucket structuur.

Strategie set-up

De focus op een bucket-structuur heeft niet alleen de prestaties van de campagnes verbeterd, maar heeft ook gedetailleerd inzicht gegeven in welke deals het beste presteren bij specifieke zoekwoorden en zoektermen.

Een cruciaal aspect van onze optimalisatie was het koppelen van zoekwoorden en zoektermen aan specifieke deals. Met behulp van de Google Ads API hebben we waardevolle data gesynchroniseerd naar ons dashboard en gekoppeld aan UTM-tags. Deze integratie stelde ons in staat gedetailleerde analyses uit te voeren en de prestaties van elke deal in relatie tot specifieke zoekopdrachten te meten.

Naast harde conversies hebben we een OCT tracking-template geïmplementeerd om de daadwerkelijke aanmeldingen te meten, wat ons een nauwkeurig beeld gaf van het percentage aanmeldingen dat de registratie voltooide, zelfs na 14 dagen bedenktijd. Deze tracking verschafte waardevolle inzichten in de volledige klantreis, waardoor we onze campagnes gerichter konden optimaliseren.

Een belangrijke verbetering was het gebruik van Looker Studio om deals te meten op basis van buckets en verbruik. Door de dataLayer aan te vullen en deze informatie terug te koppelen naar specifieke deals, kregen we een holistisch beeld van de prestaties op basis van verschillende criteria.

In de veiling werd geen rekening gehouden met de prijzen van de concurrenten. Een aantal producten die veel clicks opleveren, maar weinig tot geen transacties is het gevolg. Met behulp van dynamic pricing updaten we dagelijks de prijzen automatisch aan op basis van marktfluctuaties, concurrentiegedrag en vraag en aanbod. Hierdoor konden we snel reageren op veranderende omstandigheden en je concurrentiepositie behouden. Weerdata namen we mee, want we zagen dat tijdens slecht weer (onder de 9 graden) veel meer werd besteld.

Door slimme regels en het importeren van inkoopprijs en andere kosten (percentage retouren, verzendkosten en een fee) konden we per product de marges berekenen. Indien bleek dat het echt niet rendabel is om op producten te adverteren, brachten we deze producten in een reguliere shoppingcampagne met de biedstrategie: maximaliseren voor klikken en een max CPC. Zo konden we op grote schaal en met custom labels de campagnes instellen op basis van prijsconcurrentie en marges.

Strategie set-up

In de veiling hielden we geen rekening met de prijzen van concurrenten, wat resulteerde in een aantal producten met veel clicks maar weinig tot geen transacties. Om dit aan te pakken, hebben we dynamic pricing geïmplementeerd, waarbij we dagelijks de prijzen automatisch aanpasten op basis van marktfluctuaties, concurrentiegedrag en vraag en aanbod. Deze aanpak stelde mij in staat om snel te reageren op veranderende omstandigheden en onze concurrentiepositie te behouden. We integreerden ook weerdata, waarbij we opmerkten dat tijdens slecht weer (onder de 9 graden) de bestellingen significant toenamen.

Met behulp van slimme regels en het importeren van inkoopprijzen en andere variabele kosten, zoals het percentage retouren, verzendkosten en een fee, konden we de marges per product berekenen. Wanneer bleek dat het niet rendabel was om op bepaalde producten te adverteren, plaatsten we deze producten in een reguliere shoppingcampagne met de biedstrategie: maximaliseren voor klikken en een maximale CPC. Zo konden we op grote schaal en met behulp van custom labels de campagnes instellen op basis van prijsconcurrentie en marges.

Om de concurrentie en prijsrange van zoekwoorden effectief te beheren, hebben we onze eigen custom search engine ontwikkeld in Google Console Cloud. Deze engine koppelde zoekwoorden aan de prijzen van producten, waardoor we een gedetailleerd inzicht kregen in de prijsranges van zoekwoorden. Met behulp van een Python script hebben we deze data regelmatig gepusht naar een spreadsheet en met de Google API hebben we de informatie gekoppeld aan producten met custom labels. Deze geavanceerde aanpak stelde mij in staat om prijsstrategieën dynamisch aan te passen op basis van actuele prijzen, wat resulteerde in een betere zichtbaarheid en een verbeterde concurrentiepositie. Deze synchronisatie werd maar liefst 3 keer per dag ververst.

Voor een klant hebben we gebruikgemaakt van Google My Busines labels. Dit heeft geleid tot een flinke budget besparing terwijl de zichtbaarheid en prestaties aanzienlijk werden verbeterd.

Bij de implementatie hebben we Google My Business als de centrale 'feed' gebruikt, die rechtstreeks is gekoppeld aan Google Ads (locatie-extensies). Het voordeel was dat deze aanpak het automatisch verwerken van beschikbaarheid controleert. De klant had meerdere type diensten. Als een dienst vol zat bij een locatie, dan kon deze locatie het label verwijderen vanuit hun eigen Google My Business feed.

Dit zorgde ervoor dat Google Ads stopte met adverteren als een dienst gevuld was. Het resultaat? Een werkwijze die ons in staat stelt om complexe uitdagingen moeiteloos op te lossen. Met de mogelijkheid om campagnes, advertentiegroepn en advertenties te activeren en pauzeren via Google My Business Labels, konden we slim inkopen op basis van beschikbaarheid. Dit leidde tot een geoptimaliseerde budgetbesteding en resulteerde in kostenbesparingen.

Door gebruik te maken van Smart Bidding op filiaalniveau konden we specifieke locaties nauwkeurig afstemmen op de individuele doelen. Als bepaalde locaties meer aandacht nodig hadden en een grotere aanwezigheid in zoekresultaten vereisten, schakelden we moeiteloos over naar een portfolio-biedstrategie die gericht was op conversies.

Bovendien hadden we scherpe targeting mogelijk gemaakt door middel van radius-targeting rondom de filialen. Deze gerichte aanpak zorgt voor maximale relevantie en aanwezigheid in de buurt van de locaties, en bespaart aanzienlijk veel tijd vergeleken met traditionele methoden.

Met behulp van de Semrush API en een Python script konden we het zoekvolume in kaart brengen van een bulk aan interessante zoekwoorden. Zo kwamen we erachter dat het zoekwoord 'verlichte toetsenborden' een zoekvolume heeft van 2800 zoekopdrachten per maand.

Door de feed te koppelen aan de API konden we dit koppelen aan de database en op grote schaal categoriepagina's aanmaken. Tegelijkertijd werden de juiste producten gekoppeld aan deze categoriepagina.

Voor de quick wins schreven we content. Door de pagina's goed in de gaten te houden in GSC konden we de posities 5-20 verbeteren door het schrijven van goede content. En schreven we een aantal artikelen die we live konden plaatsen op andere websites.

Strategie set-up

De uitdaging was het snel en efficiënt uitvoeren van een zoekwoordenonderzoek in bulk. Ik heb de SEMrush API geïntegreerd met behulp van Python, waardoor ik binnen enkele minuten data over 50.000 zoekwoorden kon verkrijgen. Bovendien heb ik Python op Pipedream ingezet om marketingtaken te automatiseren, zoals het monitoren van prestaties, rapportage en optimalisatie.

De combinatie van SEMrush API en Python op Pipedream resulteerde in aanzienlijke tijdsbesparingen en inzichten in zoekwoorden, concurrentie en CPC. De geautomatiseerde workflows hebben verschillende marketingtaken gestroomlijnd en verbeterd, wat leidde tot een effectievere campagnevoering en optimalisatie.

Met een XML-feed van alle programma's op TV konden we de max CPC automatiseren op basis van aantal dagen voor populaire TV-programma's en voetbalwedstrijden. 3 dagen voor de wedstrijd werd het zoekvolume hoger. We wilden breed en exact targeten op zoekwoorden als: 'Manchester City kijken'. Ook op zoekwoorden als 'Premier Leage kijken', vlak voor een aantal interessante wedstrijden, zorgen dit voor veel extra abonnees per maand.

Met Channable konden we op basis van deze data meerdere search campagnes maken. Op basis van de wedstrijden en andere populaire programma's konden we budgetten alloceren naar de dagen vlak voordat het werd uitgezonden. We zagen in de data dat deze dagen ook resulteerden in abonnees.

Strategie set-up

Met een geautomatiseerde XML-feed van alle TV-programma's hebben we met succes de max CPC geautomatiseerd op basis van het aantal dagen voor populaire TV-programma's en voetbalwedstrijden. Door het zoekvolume te monitoren zagen we dat het 3 dagen voor de wedstrijd significant toenam. We hebben breed en exact getarget op zoekwoorden zoals 'Manchester City kijken' en 'Premier League kijken', vooral vlak voor boeiende wedstrijden, wat resulteerde in aanzienlijk meer abonnees per maand.

Channable speelde een cruciale rol doordat we op basis van deze dynamische data meerdere search campagnes konden creëren. Door budgetten toe te wijzen aan de dagen net voor de uitzending van populaire programma's en wedstrijden, konden we de impact maximaliseren. Onze analyses toonden aan dat deze benadering daadwerkelijk resulteerde in een toename van abonnees.

Daarnaast hebben we met behulp van een script in Google Tag Manager gedetailleerd gekeken naar de reclames en de tijden voor en na het programma en/of wedstrijd. Dit gaf ons diepgaand inzicht en verbeterde de besluitvorming. Door te analyseren welke programma's en wedstrijden de meeste abonnees opleverden, konden we onze strategie verder verfijnen en de marketinginspanningen nog gerichter inzetten. Deze geïntegreerde aanpak van geautomatiseerde feeds, campagne-optimalisatie en diepgaande analyses heeft geleid tot aantoonbare successen in het vergroten van het abonneebestand en het maximaliseren van de ROI.

Ik beheer een klant met een assortiment van 40.000 verschillende producten (SKU's). Een klein percentage van deze producten vertoonde aanzienlijk hoge winstmarges. Mijn doel was om deze specifieke producten te segmenteren, maar ik wilde vermijden dat ik te gedetailleerd segmenteer. Ik heb ervoor gekozen om ze niet uit de huidige Pmax-campagne te verwijderen en een volledig nieuwe campagne op te zetten. Dit kwam doordat elk product in een ander productsegment of assetgroep viel en zijn eigen specifieke doel had.

Het creëren van een aparte Pmax-campagne zou niet efficiënt zijn, omdat het algoritme niet voldoende data heeft om te testen met slechts een paar producten per itemgroup. Daarom heb ik een standaard shoppingcampagne opgezet met één advertentiegroep, waarin ik de producten van de specifieke lijst met hoge winstmarges had gelabeld met een aanzienlijk lage Return on Ad Spend (tROAS).

Voor de top presterende producten had ik ook een reguliere shoppingcampagne opgezet met een relatief hoog Cost Per Click (CPC). Het idee hierachter was dat de Performance Max-campagne deze producten uiteindelijk zal overnemen en ze door middel van remarketing zal aantrekken.

Recentelijk heeft Pmax een nieuwe functie geïntroduceerd waarmee ik de prestaties van de hele campagne op het niveau van het aangepaste label kan analyseren. Hierdoor kon ik eenvoudig de Pmax-verbeteringen in deze specifieke producten inzien, geholpen door de standaard shoppingcampagne. Sinds de lancering van deze campagne was er een stijging van meer dan 350% in conversies waargenomen.

Verlaag geleidelijk het filter voor gemiddelde CPC om het effect op conversies en CPA te begrijpen.

Deze analyse is onlangs uitgevoerd in een account met hevige concurrentie, wat heeft geleid tot de keuze voor een tROAS met een maximale bod limiet vanwege het verschil in ROAS tussen klikken met een hoge CPC en de gemiddelde CPC.

Het wordt benadrukt dat er geen one-size-fits-all oplossing is, omdat verschillende accounts verschillende resultaten kunnen opleveren. Het advies is om grondig onderzoek te doen binnen je account en op maat gemaakte acties te ondernemen.

Strategie set-up

Geleidelijk verlagen van het filter voor gemiddelde CPC is van cruciaal belang om het effect op conversies en CPA te begrijpen. Ondanks dat deze modellen de prestaties kunnen verbeteren, kunnen ze leiden tot verhoogde CPC's en mogelijke nadelige gevolgen. In een recente analyse van een account met veel concurrentie werd gekozen voor een tROAS met een maximale bodlimiet, gebaseerd op het verschil in ROAS tussen klikken met een hoge CPC en de gemiddelde CPC.

Deze benadering benadrukt het belang van maatwerk, aangezien er geen standaardoplossing is. Verschillende accounts kunnen verschillende resultaten opleveren, en daarom wordt aanbevolen om grondig onderzoek te doen binnen het account en aangepaste acties te ondernemen.

Bovendien heb ik CPC's geautomatiseerd door dure CPC's te pauzeren met behulp van een script. Ik heb nauwlettend gekeken naar hoe deze dure CPC's de CPL beïnvloeden en hebben een geautomatiseerde biedstrategie geïmplementeerd om de CPC te monitoren. Mijn doel was om met een slimme biedstrategie zo kostenefficiënt mogelijk clicks te verkrijgen. Deze aanpak van automatisering en strategisch bieden heeft geleid tot een beter begrip van de impact van CPC-veranderingen op de algehele prestaties en heeft mij in staat gesteld om kosten-effectieve en doelgerichte beslissingen te nemen.