Cómo probar el desempeño de tus anuncios PPC

PPC (Pay per click) es un componente clave en muchas campañas de marketing online. Aunque puede generar ingresos significativos, es uno de los que cuenta con costos constantes más elevados.

Probar el desempeño de tus anuncios PPC, esencial para captar conversiones

Por lo tanto, es esencial que pruebes tus anuncios regularmente, para asegurarse de captar todas las posibles conversiones.

Probar y optimizar es una labor importante del trabajo como profesionistas de marketing digital.

Este artículo hablará brevemente de métodos que se pueden usar para pruebas exitosas, así como diversos tips para ayudarte a mejorar el desempeño de tus anuncios.

Decidir qué método usar

Primero es necesario diseñar un buen experimento, de hecho, es el paso más importante para obtener resultados en los que se pueda trabajar. Qué método de prueba se usará dependerá de qué datos tengas disponibles y qué variables quieres probar.

En general, existen 3 métodos básicos de prueba:

Borradores y experimentos
Pruebas A/B programadas
Pruebas de “antes” y “después”

Todos estos métodos tienen ventajas y desventajas que a continuación enunciaremos.

Pruebas y experimentos

Las pruebas y experimentos son las herramientas de prueba más diversa. Estos dos métodos de prueba te dejan proponer y probar cambios en tus campañas de búsqueda.

Los borradores te permiten crear una imagen espejo de tu campaña y cambiarle el o los elementos que quieras probar.

Esto te permite jugar con la configuración sin echar a perder algo de tu campaña.

Una vez que creaste tu borrador, puedes convertirlo en un experimento. Los experimentos te ayudan a medir tus resultados para entender el impacto de tus cambios antes de aplicarlos a una campaña.

Una vez que completaste el borrador, lo conviertes a un experimento y eliges el porcentaje de tu tráfico con el que lo probarás, así como el lapso de tiempo.

A través de este método puedes probar casi cualquier cosa en una campaña, como:

Elementos estructurales: anuncios, landing page…
Influencia en variables como modificadores (dispositivo, horario, geotargeting)
Estrategias (eCPC, CPA objetivo).

Finalmente, este método te permite probar cambios en funciones en tus campañas, como extensiones de anuncios y listas de audiencias.

Sin embargo, los borradores y experimentos sólo están disponibles en anuncios de texto.

Pruebas A/B programadas

Todavía es posible, en algunos escenarios, usar pruebas A/B programadas, en las cuales las pruebas corren alternadamente en lugar de simultáneamente.

Estas son especialmente útiles en los casos en que los borradores y experimentos no funcionan porque podrían causar que tus campañas se canibalicen una a otra.

Este tipo de prueba funciona mejor con cosas como términos de búsqueda donde la composición de estos es importante, por ejemplo, cambios negativos.

Para usarlos, crea un duplicado de tu campaña, cambia un elemento y usa la configuración de la campaña para compartir horas entre las dos.

Pruebas de “antes” y “después”

Estas pruebas son un tipo versátil, usada a menudo para componentes de un feed.

En este tipo de prueba es importante que tengas un buen grupo de control, de esta manera sabrás mucho mejor si el crecimiento del desempeño se debe a cambios de presupuesto o de temporada, y cuánto se debe a tu experimento.

Usar este método es mejor para cosas que son difíciles o toman un largo tiempo en cambiar, como títulos de producto, precios e imágenes.

En estas pruebas, mides el cambio entre tu prueba y los grupos de control. A menudo es la única forma de probar variables en Google Shopping.

Sin embargo, Google está comenzando a permitir optimizaciones de feed directamente en la interfaz del Merchant Center. Estas pruebas incluyen Fase 1 y Fase 2, que se comparan con la base.

No obstante, la idea todavía está en beta, y no existe mucha evidencia sobre si funciona o no. El tema más relevante a considerar en este método es que Google elige al azar los productos que pueden incluirse tanto en la prueba como en el grupo de control, lo que significa que las sugerencias no están basadas en el crecimiento potencial real de la cuenta.