El comercio electrónico y el Meta suelen ir de la mano. Puede darle a Meta un catálogo de 20,000 artículos y un presupuesto, y con sus campañas Advantage+ impulsadas por IA, intentará vincular a la persona adecuada con el producto adecuado, ya sea un cliente nuevo o alguien que ya haya visto esos productos antes.
Pero que es de hecho pasando dentro de ese anuncio? ¿Y hay alguna manera de optimizar este formato de anuncio de producto dinámico (DPA) de “caja negra”?
Los anunciantes pueden ver el rendimiento a nivel de anuncio, pero no tienen información nativa de la plataforma sobre qué productos específicos se muestran, se hace clic o se ignoran dentro de un DPA amplio.
¿El algoritmo está tomando las decisiones correctas?
Esa es exactamente la pregunta que queríamos responder.
Hay tres trampas comunes en las que caen las marcas:
1. Sobresegmentación: Las marcas que desean obtener más información dividen su catálogo en conjuntos de productos especializados con toneladas de DPA.
- Ventajas: Puede asignar a cada anuncio un nombre personalizado, que le indicará exactamente qué se ofrece. ¡Lindo!
- Contras: Esto reduce la densidad de datos y puede acabar con el retorno de la inversión. También hay una tendencia a intentar predecir qué audiencias responderán a qué productos, lo que ya no es efectivo para la mayoría de las marcas desde las actualizaciones mejoradas de Andrómeda de Meta.
2. Informes complicados: Las marcas intentan inferir qué productos prioriza Meta emparejando los datos de sesión de Google Analytics 4 (sesiones por producto) con los datos de Meta anuncios (las campañas/anuncios que enviaron a estos usuarios).
- Ventajas: Permite realizar algunos análisis sin caer en el error de la “sobresegmentación”.
- Contras: Su configuración requiere mucho tiempo y está incompleta. Este método no nos dice nada sobre la interacción con un producto específico dentro de Meta; sólo estaríamos adivinando el porcentaje de clics, el gasto y las impresiones.
3. “Configúralo y olvídate”: Las marcas ceden todo control y dejan que Meta tome el volante.
- Ventajas: Evita problemas de sobresegmentación.
- Contras: Existe un gran riesgo al confiar en el algoritmo. Es posible que esté promocionando productos que generan muchas impresiones pero bajas ventas, lo que efectivamente quema su presupuesto y pierde eficiencia.
Intentar tomar decisiones únicamente a partir de los datos de la interfaz de usuario de Meta Ads Manager es un riesgo. Muchos especialistas en marketing todavía no confían en las campañas impulsadas por IA.
En mi agencia, creamos tecnología para resolver este desafío, pero no temas, puedo guiarte a través de los pasos exactos para que puedas hacer lo mismo por tu marca.
Nuestro cliente piloto para la nueva tecnología fue un importante minorista de baños que invirtió mucho en DPA dentro de sus campañas de conversión.
Repasemos las tres fases de nuestro viaje para superar este desafío del comercio electrónico.
Fase uno: sacar a la luz los datos de participación
La primera etapa fue la visibilidad: comprender lo que estaba sucediendo ahora dentro de estos formatos DPA de “caja negra”.
Como dije anteriormente, Meta no informa directamente qué producto específico generó una compra específica dentro de un DPA en la interfaz del Administrador de anuncios. Simplemente no es un desglose disponible de la misma manera que se ofrece la edad, la ubicación, etc.
Pero la buena noticia es que en las Meta API se esconde un tesoro de conocimientos:
- API de metamercadeo (específicamente el API de información) es la API principal que utilizamos para obtener todos los datos de rendimiento de los anuncios. Así es como obtenemos las métricas clave como gasto, impresiones y clics para cada ad_id y product_id.
- API de plataforma de metacomercio (o API de catálogo). Esta API proporciona la lista de todos los ID de producto y sus detalles asociados (como nombre, precio, categoría, etc.).
Aquí están los pasos:
- Primero debe canalizar los datos de la API a un almacén de datos (usamos BigQuery). Asegúrese de obtener las siguientes métricas de Insights AP: impresiones, clics, gasto, ad_id, product_id. Si no es desarrollador, puede usar conectores ETL (como Supermetrics, Funnel.io) para obtener estos datos en BigQuery o Google Sheets, o usar scripts de Python si tiene un equipo de datos.
- Una vez que tenga estos dos flujos de datos, una estas API en una tabla, utilizando una clave de unión específica. Usamos ID de producto; este es el hilo común que debe existen tanto en los datos del anuncio como en los datos del catálogo para que la conexión funcione.
Una vez que haya hecho esto, podrá ver los datos de rendimiento de sus anuncios (clics, impresiones), pero ahora con un desglose por producto.
Este nuevo conjunto de datos combinado se visualizó en una plantilla de informe de Looker Studio. Nuevamente, hay otras opciones de informes disponibles.
Para dar sentido a los datos, necesitábamos un informe fácilmente navegable en lugar de páginas de datos sin procesar. Construimos las siguientes visualizaciones:
Gráfico de dispersión de productos: Separando cada producto en cuatro categorías distintas:
- “Artistas estrella”: Altas impresiones y altos clics.
- “Productos prometedores”: Impresiones bajas pero una tasa de clics alta.
- “Compradores de escaparates”: Altas impresiones pero muy pocos clics.
- “Baja prioridad”: Bajos clics e impresiones.
Gráficos de barras de productos superior/inferior: Vea de un vistazo los 10 productos principales y 10 inferiores por interacción.
Tabla de detalles del producto: Vea métricas detalladas para cada producto.
Todo esto podría filtrarse por nombre de producto, tipo de producto, disponibilidad y cualquier otra métrica que queramos (color, precio, etc.).
Produjimos nuestro primer informe de cliente sobre la participación publicitaria a nivel de producto e incluso con solo datos de participación, aprendimos mucho:
Creativo: Usamos los datos para mejorar los resúmenes creativos.
- En nuestro informe de datos de clientes, fue interesante ver cuánto impulsaba Meta los productos que no eran blancos (lavabos naranjas, bañeras verdes), a pesar de que el 95% de sus ventas de productos son variaciones tradicionales del blanco.
- Inicialmente no habíamos priorizado estos productos para el cliente, pero ahora hemos creado muchos más videos y contenido de creadores que presentan estas variaciones en las que se puede hacer clic.
Segmentación de productos: Creamos conjuntos de productos potentes basados en datos basados en métricas de participación reales.
- Por ejemplo, probamos mostrar solo nuestros productos “Star Performer” más atractivos en anuncios de colección impulsados por feeds en nuestras campañas del embudo superior, donde generalmente el algoritmo tiene menos señales para optimizar.
Eficiencia: Esto automatizó un análisis complejo que antes era difícil de manejar y requería mucho tiempo.
Fundamentalmente, por primera vez teníamos suficiente evidencia para desafiar las “mejores prácticas” de Meta de utilizar el conjunto de productos más amplio posible.
Errores y consideraciones clave
Este fue un gran primer paso, pero sabíamos que había algunas áreas clave que simplemente aprovechar las API de Meta no se resolverían:
- Compromiso vs. Conversiones: El principal inconveniente de esto es que los desgloses a nivel de producto solo están disponibles para los clics y los datos de impresiones, no para los ingresos ni las conversiones. La categoría “Compradores de escaparates”, por ejemplo, identifica productos que obtienen pocos clics, pero no podemos (en esta fase) decir definitivamente que no generan ventas.
- El contexto es clave: Estos datos son una nueva y poderosa herramienta de diagnóstico. Nos dice qué muestra Meta y en qué hacen clic los usuarios, lo cual es un gran paso adelante. El por qué (p. ej., “¿este artículo que causa una gran impresión y pocos clics es simplemente un producto de alto valor?”) todavía requiere el análisis de nuestro equipo.
Fase dos: evolución de los datos de metaparticipación con datos de ingresos de GA4
Sabíamos que los datos meta-solamente anteriores solo exploran una parte del viaje. Para evolucionar, necesitábamos unirnos a los datos de GA4 para descubrir qué compran realmente los clientes después de interactuar con nuestros anuncios de productos dinámicos basados en feeds.
El puente técnico: cómo unimos los datos
Mientras que la Fase Uno se basó en conectores ETL para extraer los datos API de Meta, la Fase Dos requiere un flujo diferente para GA4. Aprovechamos la exportación nativa de BigQuery GA4 específicamente para eventos de compra. Esto proporciona datos sin procesar a nivel de evento, ingresos y unidades vendidas para cada transacción.
La unión no es un solo paso, sino que se basa en dos claves principales para conectar los conjuntos de datos:
- El puente de ID de anuncio: para vincular una sesión GA4 a un metaanuncio específico, capturamos el ad_id a través de parámetros UTM dinámicos. Al configurar sus parámetros de URL en utm_content={{ad.id}}, crea un puente mágico entre el clic y la sesión.
- La coincidencia de ID del artículo: una vez vinculada la sesión, utilizamos el ID del artículo. Esto debe estar perfectamente alineado para que Meta product_id y GA4 item_id sean idénticos; de lo contrario, el modelo se rompe.
Errores y consideraciones clave
Unir datos de Meta y GA4 parece bastante fácil, pero hubo algunos obstáculos clave que superar.
Datos limpios. Todo el modelo se rompe si su Meta ID no coincide claramente con sus ID GA4. Debe asegurarse de que sus catálogos de productos y su etiquetado GA4 estén perfectamente alineados antes de comenzar.
Sin embargo, nuestro segundo problema es más difícil de superar: problemas de atribución. Los datos de GA4 casi siempre mostrarán más bajo números de conversión que la interfaz de usuario de Meta.
Esto se debe a que, según nuestra experiencia, Meta a menudo “sobrecréditos”. Se beneficia de ventanas de atribución más largas, incluidas las conversiones post-impresión, y se otorga todo el crédito por cada conversión que mide (en lugar de distribuirse en múltiples canales).
GA4 a menudo “subcréditos” a canales como Meta. Utiliza atribución basada en datos para intentar dar crédito a múltiples puntos de contacto. Sin embargo, no puede seguir completamente los recorridos de los usuarios, especialmente aquellos que no incluyen clics en el sitio. Esto significa que GA4 no sabe dar crédito a un anuncio social, incluso si ese anuncio fue el factor decisivo en el proceso de compra.
Aunque nos encantaría poder obtener una coincidencia 1:1 de cada compra de producto con un producto específico con el que se interactuó en Meta, ni GA4 ni Meta pueden lograr esta información fácilmente. Sin embargo, todavía hay valor en el relativo ideas y tendencias.
He aquí un ejemplo:
- Interfaz de usuario de Meta: Informó que nuestro producto “Baño de lujo – Verde” tuvo el mejor desempeño el mes pasado, con altos volúmenes de clics e impresiones en nuestros anuncios dinámicos.
- El problema: Cuando unimos nuestros datos de GA4, no vimos ventas para eso. baño específico ¡El mes pasado, en absoluto, desde cualquier canal!
- La asunción: Si solo usáramos datos de participación publicitaria, asumiríamos que este producto está desperdiciando inversión al generar tráfico de baja calidad.
Pero, al mirar todo artículos comprados en esas sesiones GA4 que se originaron en el producto “Baño de lujo – Verde”, descubrimos que muchos usuarios que hicieron clic en el baño pasaron a realizar la conversión, solo por la variación blanca.
La percepción: El anuncio de “Baño de lujo” no fue un fracaso; Fue un producto Halo muy eficaz para nuestro cliente. Como resultado, atrajo a clientes aspiracionales que luego se convirtieron para comprar otros productos.
La acción: Podemos encargar con confianza contenido a creadores, centrándonos en el baño verde, para atraer nuevos usuarios, incluso si sabemos que es probable que los usuarios compren un color diferente cuando se trata de comprar.
Fase tres: feeds de rendimiento mejorado
Una vez que tuvimos estos datos a nuestro alcance, la tentación fue centrarnos en ellos únicamente para obtener información y datos.
El siguiente nivel fue aún mejor, utilizando estos datos para crear feeds complementarios automatizados.
Ya era hora de recuperar esos cuatro segmentos de rendimiento de productos de nuestros gráficos de dispersión.
Utilizando nuestras herramientas de gestión de feeds, incorporamos los segmentos de rendimiento del producto a nuestro feed de metaproductos como nuevas etiquetas personalizadas. Esto significa que pudimos configurar dinámicamente nuevos conjuntos de productos según el rendimiento del producto; por ejemplo, se creó una regla para el conjunto de productos donde la etiqueta personalizada 0 es igual a Star Performer.
Luego podríamos realizar las siguientes pruebas de conjuntos de productos:
- “Compradores de escaparates”: (Altas impresiones, bajos clics/ventas). Introdúzcalos en un conjunto de exclusión para comprender si la eficiencia mejora cuando los eliminamos del feed.
- “Productos prometedores”: (CTR alto, CVR alto, impresiones bajas). Introdúzcalos en un conjunto de escala con más presupuesto para comprender si la demanda está oculta.
- “Artistas estrella”: (Altas impresiones, muchos clics). Introdúzcalos en un conjunto de retargeting para recuperar usuarios comprometidos con nuestros rangos exclusivos.
Errores y consideraciones clave
Las pruebas anteriores son simplemente ejemplos de hipótesis. Sin embargo, ¡su kilometraje variará! Recomendamos encarecidamente la experimentación estructurada para comprender los impactos en el rendimiento general.
¿Está su marca lista para salir de la ‘caja negra’?
Puede salir parcialmente de la “caja negra” de Meta y esto puede ser un movimiento estratégico para las marcas de comercio electrónico.
El viaje pasa de sacar a la luz datos básicos de participación (Fase Uno) a unirlos con datos de ventas para obtener información verdadera y orientada a las ganancias (Fase Dos) y, en última instancia, a automatizar su estrategia con feeds de rendimiento mejorado (Fase Tres).
Así es como se pasa de confiar en el algoritmo a desafiarlo con evidencia. Si usted es una persona que toma decisiones y se pregunta por dónde empezar, estas son las tres preguntas que debe hacerse:
- “¿Puedes mostrarme qué productos en nuestro catálogo están siendo priorizados por Meta?
- “¿Son idénticos nuestros Meta product_ids y GA4 item_ids?”
- “¿Estamos capturando el ad.id en nuestros parámetros UTM en cada anuncio?”
Si las respuestas a estas preguntas son “No sé”, probablemente todavía estés operando dentro de la caja negra. Es posible romperlo. Sólo requiere los datos correctos, la experiencia técnica adecuada y la voluntad de ver finalmente qué es lo que realmente impulsa el rendimiento.
Más recursos:
Imagen de portada: Roman Samborskyi/Shutterstock
