O que os dados da SMEC revelam sobre o desempenho máximo do AI
Desde que o Google introduziu as campanhas AI Max for Search, a maior parte da discussão se concentrou nos próprios benchmarks do Google.
Esses benchmarks sugerem que os anunciantes podem esperar um crescimento significativo nas conversões sem grandes mudanças na eficiência. Mas, como muitas estatísticas de plataforma, elas deixam questões em aberto sobre como o recurso se comporta em contas adultas.
Para obter uma visão mais clara, Mike Ryan, chefe de insights de comércio eletrônico da Smarter Ecommerce (SMEC), analisou dados de desempenho de mais de 250 campanhas de pesquisa usando AI Max.
As descobertas fornecem uma verificação da realidade útil para os anunciantes que testam o recurso, especialmente para contas de comércio eletrônico onde o Google não publicou benchmarks oficiais de desempenho.
AI Max geralmente funciona junto com outras automações
Um dos primeiros padrões identificados pela SMEC é como o AI Max está sendo implantado em contas reais.
Quase metade dos anunciantes que testam o AI Max também estão executando anúncios dinâmicos de pesquisa (DSA) e campanhas Performance Max ao mesmo tempo.
Essa sobreposição cria uma quantidade surpreendente de redundância.
No conjunto de dados analisado pelo SMEC:
- 1 em cada 6 anunciantes usou AI Max junto com DSA
- 1 em cada 4 anunciantes usou AI Max junto com Performance Max
- Quase 50% das contas executaram os três simultaneamente
Isto levanta um importante desafio operacional.
Cada um desses tipos de campanha foi projetado para expandir o alcance além das palavras-chave existentes. Quando executados em paralelo, eles podem competir pelas mesmas consultas ou dividir os dados de conversão em várias campanhas.
Essa fragmentação pode dificultar a análise de desempenho e interferir no aprendizado dos modelos de Lances inteligentes.
A posição oficial do Google é que os anunciantes deveriam se preocupar menos com sobreposições e focar nos objetivos de negócios. Em teoria, a classificação do anúncio determina qual campanha veicula o anúncio.
Na prática, porém, os anunciantes ainda precisam de estruturas de campanha claras para manter a visibilidade sobre a origem das conversões.
A maior parte da expansão de consultas AI Max ainda vem de palavras-chave de correspondência exata
Outra descoberta interessante da pesquisa de Ryan foi como o AI Max interage com os tipos de correspondência de palavras-chave.
Depois de analisar um milhão de impressões do AI Max, o estudo encontrou a seguinte distribuição:
- Correspondência exata: 80,11%
- Correspondência de frase: 19,52%
- Correspondência ampla: 0,38%
Muitos anunciantes presumem que o AI Max opera principalmente como uma extensão da correspondência ampla. Em vez disso, os dados mostram que na maioria das vezes ela se expande para fora das palavras-chave de correspondência exata existentes.
Em outras palavras, o AI Max frequentemente pega uma palavra-chave bem definida e amplia o conjunto de consultas consideradas relevantes.
Esse comportamento está alinhado com o esforço mais amplo do Google em direção à correspondência de intenções, em vez da correspondência estrita de palavras-chave.
No entanto, isso também significa que os anunciantes precisam de forte visibilidade nas consultas capturadas por meio dessas expansões.
Sem o monitoramento ativo dos termos de pesquisa, as contas podem começar a fazer correspondências com consultas que nunca fizeram parte da estratégia de palavras-chave original.
AI Max gera mais receita, mas com um custo por conversão mais alto
A mensagem oficial do Google sobre o AI Max afirma que os anunciantes podem esperar um aumento de cerca de 14% nas conversões ou no valor da conversão em níveis de eficiência semelhantes.
Os dados da SMEC fornecem a primeira referência significativa sobre como essa afirmação se sustenta nas campanhas de comércio eletrônico.
Nas 250 campanhas analisadas, o AI Max gerou:
- Aumento médio da receita: +13% do valor da conversão
- Aumento médio do CPA: +16%
O aumento do valor de conversão chega notavelmente próximo da reivindicação não varejista do Google.
No entanto, o lado dos custos conta uma história com mais nuances.
As conversões incrementais geradas por meio do AI Max tendem a custar mais do que o tráfego básico de palavras-chave.
Como Ginny Marvin explicou em resposta às perguntas dos anunciantes, o volume incremental normalmente segue a lei dos retornos decrescentes. Uma vez que as consultas de alta intenção já são cobertas por conjuntos de palavras-chave selecionados, o crescimento adicional vem de consultas menos previsíveis ou menos eficientes.
Por outras palavras, a próxima conversão marginal custará frequentemente mais do que a primeira.
Para os anunciantes, a principal conclusão é que o AI Max se comporta mais como uma camada de expansão de volume do que como pura otimização de eficiência.
Os resultados do ROAS variam drasticamente entre as contas
Embora o impacto médio do ROAS do AI Max pareça neutro em geral, a distribuição dos resultados entre as contas é excepcionalmente ampla.
SMEC descobriu que o desempenho variou entre:
- 42% acima do ROAS basal
- 35% abaixo do ROAS basal
Apenas 22% das campanhas chegaram perto de suas metas originais de ROAS.
Os restantes 78% tiveram um desempenho superior ou inferior significativamente.
Isso sugere que o desempenho do AI Max é altamente dependente da estrutura da conta individual, da cobertura de palavras-chave e da configuração da campanha.
Estruturas de palavras-chave legadas podem causar canibalização do AI Max
Outro padrão descoberto na pesquisa envolve a interação inesperada do AI Max com palavras-chave de correspondência ampla existentes.
Em algumas contas, o AI Max correspondeu a consultas de correspondência ampla com muito mais frequência do que o esperado.
Exemplos incluídos:
- 49% de sobreposição com consultas de correspondência ampla em uma conta
- 63% de sobreposição em outra conta
A SMEC descobriu que a causa raiz geralmente vem de palavras-chave herdadas de correspondência ampla modificada (BMM).
Quando o Google migrou o BMM para a correspondência ampla, há vários anos, muitas dessas palavras-chave continuaram se comportando mais como a correspondência de frase. AI Max então expande essas partidas, criando a aparência de sobreposição.
Limpar estruturas de palavras-chave legadas pode esclarecer significativamente os relatórios e reduzir a confusão ao avaliar o desempenho do AI Max.
Considerações finais sobre o estudo AI Max
Os dados da SMEC reforçam algo que os anunciantes mais experientes já entendem.
Camadas de expansão podem gerar mais volume. Mas esse volume raramente atinge a mesma eficiência que seu conjunto principal de palavras-chave.
AI Max parece seguir o mesmo padrão. As campanhas analisadas tiveram um aumento médio de 13% no valor da conversão, mas essas conversões incrementais tiveram um custo mais alto.
Para os anunciantes que estão testando o recurso, a conclusão é bastante direta. Trate o AI Max como uma camada de expansão controlada, não como um substituto para a base de suas campanhas de pesquisa.
Os interessados na análise completa podem explorar o guia AI Max completo da SMEC, que detalha a metodologia e as descobertas adicionais com mais detalhes.
