TL;DR: Seasonal Adjustment hovorí Google Ads, že počas konkrétnych dní očakávame inú mieru konverzie. Data Exclusion hovorí, že určité obdobie nemá používať na učenie. Pri výpredajoch používame Seasonal Adjustments, nie Data Exclusions. Hodnoty nastavujeme podľa historických dát, nie pocitovo.
Úvod
Automatické stratégie v Google Ads sa rýchlo učia. Niekedy až príliš rýchlo. Počas dlhšieho výpredaja si môžu zvyknúť na vyššiu mieru konverzie ako na „nový normál“. Po skončení akcie potom ešte pár dní míňajú, akoby zvýšený dopyt pokračoval. Výsledok: vyššie náklady, nižší ROAS a potreba ručných zásahov.
Google Ads ponúka dva nástroje pre podobné situácie: Seasonal Adjustments a Data Exclusions. Vyzerajú podobne, ale robia odlišné veci. V článku ukážem, kedy použiť ktorý a ako nastavovať hodnoty podľa dát.
Rozdiel medzi nástrojmi
Seasonal Adjustment hovorí systému: „Počas najbližších dní očakávaj inú mieru konverzie a prispôsob tomu ponuky.“ Google Ads sa počas tohto obdobia stále učí, len má upravené očakávanie.
Data Exclusion hovorí: „Toto obdobie ignoruj pri učení.“ Dáta v reportoch ostanú, ale systém ich nepoužije na budúce rozhodovanie.
Kľúčový rozdiel: Seasonal Adjustment upravuje očakávanie, Data Exclusion vyraďuje dáta z učenia.
Kedy používame Seasonal Adjustment
Predvídateľné, krátke odchýlky od bežnej miery konverzie:
- Niekoľko dní po skončení výpredaja, keď sa dopyt prirodzene ochladí
- Spustenie veľkej promo akcie
- Krátke špičky ako Valentín alebo Black Friday
- Očakávaná zmena dopytu s konkrétnym dátumom
Google odporúča používať tento nástroj skôr na kratšie obdobia. Pri dlhších akciách sa systém často stihne prispôsobiť sám a ručný zásah môže začať škodiť.
Kedy NEpoužívame:
- Brand kampane (majú odlišnú dynamiku)
- Neočakávané anomálie (na to slúži Data Exclusion)
- Trvalé zmeny v správaní zákazníkov
- Bežné zmeny rozpočtu
Kedy používame Data Exclusion
Anomálie, z ktorých sa nemá učiť:
- Problém s meraním, napríklad chýbajúce konverzie
- Server outage, e-shop nedostupný
- Mimoriadna externá udalosť (lockdown, výpadok platobnej brány…)
- Chyba v Merchant Center, ktorá zhodila Shopping
- Krátky experiment, ktorý dramaticky zmenil výkon kampaní
Pravidlo: ak by sa z týchto dní algoritmus naučil niečo skreslené, vylúč ich.
Pri dlhých obdobiach je Data Exclusion riskantná. Systému zoberiete priveľa čerstvých dát a rozhoduje sa horšie.
Prečo NIE Data Exclusion na výpredaj
Toto je častá chyba. Na prvé počutie to znie logicky: „Výpredaj je výnimočný, nech sa z neho systém neučí.“ Problém je, že:
- Výpredaj prináša najviac dát — najviac klikov, najviac konverzií. Vyhodením z učenia stratíme najsilnejší tréningový signál.
- Pre 3+ týždňové akcie Data Exclusion rozbije model — algoritmus má priveľa “slepých dní”.
- Lepšie funguje nechať systém učiť sa z výpredaja a po skončení použiť Seasonal Adjustment, ktorý mu pomôže preklenúť pár dní, kým si všimne, že dopyt klesol.
Naša metodológia: ako určujeme %
Toto je časť, kde sa veľa PPC špecialistov spolieha na intuíciu: „Dáme -20 % a uvidíme.“ My to robíme radšej z dát.
Krok 1: Správna referencia
Nechceme porovnávať bežné obdobie pred výpredajom s obdobím po výpredaji. Pred výpredajom môže byť iný typ návštevníkov a iná sezónnosť. Lepšie je pozrieť sa na predchádzajúci výpredaj a porovnať mieru konverzie počas neho a po ňom.
Krok 2: Historické dáta
Cez Google Ads API stiahneme denné dáta za predchádzajúci porovnateľný výpredaj:
- Rovnaká dĺžka (3-týždňový vs 3-týždňový)
- Podobná výška zľavy
- Rovnaké obdobie roka, ak sa dá (sezónnosť)
Krok 3: Porovnanie rovnakých dní v týždni
Miera konverzie má prirodzený týždenný rytmus. Víkendy sa často správajú inak než pracovné dni. Preto porovnávame pondelok s pondelkom, sobotu so sobotou a podobne. Inak by sme si mohli pomýliť pokles po výpredaji s bežným víkendovým správaním.
V praxi: namiesto porovnania “priemer počas výpredaja 6.4%” vs “sobota po výpredaji 4.8%” porovnávame “soboty počas výpredaja 6.0%” vs “soboty po výpredaji 4.8%”. Reálny pokles nie je -25%, ale -20%.
Krok 4: Tvar poklesu
Sledujeme, ako sa CR vyvíja v čase po výpredaji:
- Rýchly pokles a rýchle zotavenie — prvé dni sú slabé, potom sa výkon vracia
- Dlhší pokles — slabšie výsledky trvajú celé obdobie
Podľa toho sa rozhoduje, či nastavíme silnejší zásah iba na prvé dni, alebo miernejší zásah na dlhšie obdobie.
Krok 5: Únava z výpredaja
Pri dlhšom výpredaji miera konverzie často ku koncu klesá. Kto chcel nakúpiť, už nakúpil. Preto systém pred koncom výpredaja nemusí vidieť vrchol výkonu, ale už slabšie dni.
Príklad z reálneho dátasetu — 3-týždňový výpredaj:
| Obdobie | CR |
|---|---|
| Týždeň 1 | 7.1% |
| Týždeň 2 | 6.7% |
| Týždeň 3 | 6.4% |
| Posledných 5 dní | 5.2% |
Pokles po výpredaji preto nemeriame od najlepšieho dňa, ale realistickejšie podľa posledných dní výpredaja a celkového priemeru.
Krok 6: Triangulácia
Jeden príklad nestačí. Berieme aspoň dva historické výpredaje a sledujeme, či sa správali podobne. Ak áno, použijeme priemer. Ak nie, volíme opatrnejší kompromis.
Príklad z praxe
Nedávno sme pripravovali plán po trojtýždňovom výpredaji. Dáta z dvoch predchádzajúcich akcií na rôznych trhoch ukázali odlišné správanie:
Trh A — rýchle zotavenie:
- Deň +1 až +6: -20%
- Deň +7 až +14: -13%
Trh B — dlhší pokles:
- Deň +1 až +14: stabilne -18%
Trh A naznačoval postupné zmierňovanie zásahu. Trh B hovoril, že pokles drží dlhšie. Keďže sme nevedeli, ktorý scenár sa zopakuje, zvolili sme kompromis:
- Deň +1 až +5: -22%
- Deň +6 až +10: -15%
- Deň +11 až +14: -10%
Tým sme pokryli oba scenáre: ak sa výkon rýchlo zotaví, zásah postupne slabne; ak pokles trvá dlhšie, korekcia pomáha aj v druhom týždni.
Bežné chyby, ktorým sa vyhýbame
Odhadnutie % bez dát. “Dáme -20% a uvidíme” občas náhodou trafí, ale bez kalibrácie strieľame slepo.
Aplikovanie na brandové kampane. Brandová návštevnosť má iné správanie a po výpredaji nepadá rovnako ako nebrandové dopyty. Brandové kampane zo Seasonal Adjustments vynechávame.
Jeden plán pre všetky typy kampaní. PMax, Search a Shopping sa nesprávajú rovnako. Niektoré kampane reagujú rýchlejšie, iné pomalšie.
„Nastavené a zabudnuté.“ Po spustení treba kontrolovať, či realita zodpovedá plánu. Ak nie, ďalšie fázy treba upraviť.
Snaha zvlášť riešiť víkendy. Google Ads sa týždenné vzorce učí samostatne. Seasonal Adjustment má riešiť výnimočný posun, nie bežný rozdiel medzi sobotou a pondelkom.
Oneskorené konverzie. V prvých dňoch po výpredaji ešte dobiehajú objednávky z klikov počas akcie. Pri vyhodnocovaní treba nechať dátam čas dosadnúť.
Data Exclusion na predvídateľné udalosti. Ak vieš dopredu, že akcia príde, používame Seasonal Adjustment. Data Exclusion je pre anomálie, nie pre odlišné, ale predvídateľné podmienky.
Záver
Seasonal Adjustments a Data Exclusions sú silné nástroje, ale len ak ich používame s metodológiou, nie s odhadom. Náš prístup:
- Data Exclusions používame iba na technické anomálie a krátke incidenty. Nie na výpredaje.
- Seasonal Adjustments používame najmä po výpredaji, aby systém rýchlejšie zareagoval na pokles dopytu.
- Percentá určujeme z historických dát, nie pocitovo.
- Plán prispôsobujeme tvaru poklesu, ktorý sa môže líšiť podľa trhu a typu kampane.
Najväčšia hodnota tohto prístupu nie je v “lepších” adjustments ako takých. Je v tom, že prestaneme strieľať od oka a začneme kalibrovať podľa dát. Po pár výpredajoch máme znalosti, ktoré nám každú ďalšiu akciu výrazne zjednodušujú.