Caso: promocionamos productos para niños en Italia

Кейс google shopping товары для детей Italy: сайт на шопифай

Hola a todos. Me llamo Yana Lyashenko, soy Google Logística. Mi trabajo consiste en entregar a los negocios audiencia objetivo con las características necesarias y ayudar a escalar las ventas en línea a través de las herramientas de publicidad de Google. Hoy analizaré uno de los casos de nuestro equipo.

Breve descripción del caso

Mercado: Italia. Moneda: no se asusten si no la han visto antes — corona checa. ¿Qué vendemos? En términos simples: productos infantiles hechos a mano. No son juguetes en el sentido tradicional, sino algo más cercano a muebles y categorías relacionadas.

Dificultades del proyecto

¿Por qué muestro específicamente este caso? Porque aquí se reunió todo un conjunto de dificultades.

La primera y más dolorosa: la plataforma Shopify. Tiene problemas crónicos con la transmisión correcta de conversiones. Esas cifras de ventas que vemos en el panel publicitario están lejos de ser todo. En realidad, hay significativamente más conversiones.

Probamos muchas opciones: conectamos diferentes plugins, construimos esquemas alternativos de seguimiento, experimentamos con UTM y varios formatos de tracking. El resultado es el mismo: Shopify, especialmente al pagar a través de Shopify Payments, insiste en no contar parte de las conversiones.

Nos comunicamos repetidamente con el soporte de Shopify para verificar nuestra hipótesis. Y cada vez recibíamos una respuesta más o menos igual: “Sí, el problema existe desde hace tiempo, estamos trabajando en su solución”. Quizás adjunte aquí una captura de pantalla de una de esas conversaciones — la esencia de las respuestas no cambia de una solicitud a otra.

Así que la única conversión que vemos aquí es la compra. Y su cantidad real es significativamente mayor de lo que muestra la analítica. Lo que significa que el costo real por conversión es mucho menor que el que se muestra en el panel.

Trabajos para maximizar la recolección de analítica

Trabajaré con las cifras que tenemos. El mercado italiano en términos de conversiones unitarias avanzaba muy lentamente. Diferentes estructuras de campañas que probamos también daban resultados forzados. Pero aun así logramos acumular suficiente volumen de analítica como para partir de ahí para la posterior escalada.

¿Por qué los problemas en la transmisión de conversiones es un problema tan crítico específicamente para Performance Max? Porque los performance no reciben el volumen de datos en el que deberían orientarse durante el aprendizaje. En otras palabras, el algoritmo “ve” menos compras de las que realmente ocurrieron, y toma decisiones basándose en una imagen incompleta.

¿Qué hicimos? Llenamos la cuenta con transmisión adicional de datos de remarketing dinámico. Estas conversiones las configuramos en modo “seguimiento adicional” — no como objetivos de optimización principales, sino para que el sistema al menos entienda indirectamente qué sucede después del clic.

¿Es esto ideal? No. La situación ideal es cuando el algoritmo ve el recorrido completo del usuario desde el primer contacto con el producto hasta la compra. Pero trabajamos con lo que tenemos. Y esta es la principal dificultad del proyecto.

Categorización de productos basada en la analítica recolectada

Cuando se acumuló la analítica, en el nicho apareció la clásica división de productos por roles. Uso la analogía con la matriz BCG — creo que muchos la conocen.

Aparecieron las llamadas “vacas lecheras” — productos que generan conversiones de manera estable. En ellos se puede aumentar el tráfico gradualmente, aunque no crecen a ritmos explosivos. Hay “estrellas” — productos con potencial, pero aún sin ventas regulares. Hay “perros muertos” — pero en este proyecto no los desactivamos ni descartamos.

En cambio, intentamos trasladarlos a la categoría de “estrellas”, entrenando a los performance para generar en ellos un cierto tipo de tráfico. Y finalmente, hay productos “cero” — aquellos que en comparación con el resto del volumen reciben mínimas impresiones o no las reciben en absoluto. Este es un recurso oculto para el crecimiento.

Una historia aparte son los productos “nómadas”, que a veces entran en los ceros, a veces salen de ellos. Porque situaciones donde en un nuevo performance con ceros ya acelerados todos los productos de repente comienzan a mostrarse uniformemente — no ocurren. Y si ocurrieran — encarecería el costo por conversión.

Disparos como resultado de la analítica recolectada

Bien, la analítica está recolectada. Pasamos a lo que yo llamo “disparos”. Esto es cuando probamos puntualmente aumentar los presupuestos — en campañas individuales o masivamente en todo un conjunto de campañas. La estructura aquí es bastante voluminosa, y el objetivo de los disparos es verificar varias hipótesis:

1. ¿Podrán las “vacas lecheras” aumentar proporcionalmente la cantidad de conversiones unitarias al aumentar el presupuesto?
2. ¿Aparecerán nuevas “estrellas”, es decir, ¿generarán los performance conversiones en productos que antes se vendían de manera unitaria?
3. ¿Se ajustarán los resultados a los KPI críticos que estableció el cliente?

Aclaro: considero “estrellas” a los productos con conversiones irregulares — todo lo que está por debajo de 15 ventas al mes.

En el gráfico se ve claramente el momento del disparo — el crecimiento abrupto del presupuesto. Luego lo redujeron de nuevo. Mientras tanto, las conversiones se mantuvieron más o menos estables. En algún momento el costo por conversión se disparó — pero esto es explicable: el performance sigue sin ver la imagen completa de las ventas.

En general, estoy relativamente satisfecha con los resultados de este período. Sí, en la captura de pantalla del panel publicitario la imagen es aterradora: pocas ventas, costos por conversión caros, una cifra enorme de gastos con una sola conversión (aunque los clics fueron considerables). Pero en el panel de administración de Shopify había conversiones. Y si se correlacionan con los gastos — el proyecto estaba más o menos al borde de la rentabilidad. No en pérdida, pero tampoco en esa ganancia tangible que esperaba el cliente.

Ahora mostraré esta misma imagen en un formato ligeramente diferente. Me gusta analizar cualquier performance precisamente en dinámica — así se ve la imagen real.

Análisis de performance en dinámica por valores promedio

Para mayor claridad elimino los clics y miro la imagen específicamente por conversiones. Tomamos un cierto período de tiempo y medimos el valor promedio.

En el primer período, la cantidad promedio de conversiones se mantuvo en un nivel. En el segundo período, este promedio ya es notablemente más alto. El delta de crecimiento es sustancial. Y lo que es aún más importante: si se observan las fluctuaciones alrededor de la línea promedio del segundo período, los “picos” hacia arriba en unidades de conversión superan notablemente las caídas hacia abajo. Este es un buen indicador.

Incluso si se corrige ligeramente la línea del promedio, desplazándola un poco hacia abajo — la tendencia general se mantiene. Las penetraciones hacia abajo siguen siendo significativamente menores que las penetraciones hacia arriba. Para mí, esta es una señal suficientemente positiva: el tráfico que genera Performance Max, en su conjunto, es de calidad. Lo que significa que la mecánica de aprendizaje del performance, la selección de audiencias y las pruebas A/B internas del sistema funcionan en la dirección correcta.

¿Por qué es importante prestar atención a la atribución?

El único momento que periódicamente arruina la imagen son los saltos en el costo por conversión. Y aquí hay que entender de qué dependen. Dos factores clave: el modelo de atribución y los patrones de comportamiento de los compradores. Analicemos con cifras concretas.

Entramos al reporte “Caminos hacia la conversión”. La conversión seleccionada es la compra, la única que rastreamos. Y esto es lo que vemos — el indicador más crítico, que influye directamente en el costo por conversión: la cantidad promedio de interacciones antes de la compra es de 4,1. Es decir, antes de que un comprador italiano realice un pedido, hace clic en nuestro anuncio un promedio de cuatro veces. Algunos hacen menos, y otros se las arreglan para hacer clic 12 veces antes de decidirse. Y estos usuarios de 12 clics también aportan su parte de las ganancias.

Momento importante: esta analítica se construye solo sobre quienes finalmente compraron. No podemos apuntar exclusivamente a personas que compran desde el primer clic. Nos dirigimos a quienes quieren comprar el producto, pero antes se toman su tiempo: comparan precios, estudian condiciones de envío, eligen colores, recorren a la competencia. Y esto sin contar el coeficiente de devoluciones, que en Italia es tradicionalmente alto.

Ahora agreguemos aquí el costo promedio por clic (avg. CPC) — es de casi 10 coronas checas. Calculamos: mínimo 4 clics a 10 coronas — son 40 coronas solo para que se concrete una conversión. Y este es el valor promedio, puede ser tanto más barato como más caro. Performance Max se adapta de manera adaptativa a aquellos usuarios que finalmente compran, pero el margen de maniobra que tiene es pequeño.

La situación se complica adicionalmente con la cantidad promedio de días hasta la conversión — 2,5 días. Este es el tiempo que tarda una persona en tomar la decisión de compra. Y tuvimos que aumentar específicamente la ventana de conversión para Italia: cuando estaba en 1,2 días, se registraban menos conversiones. Ampliamos la ventana — y la imagen mejoró.

Si se mira por purchase en Google Analytics, las cifras allí son considerablemente más modestas que en la conversión principal — de nuevo, problemas en la transmisión de datos. Y allí el plazo de toma de decisión puede llegar hasta 8 días, porque la recolección de datos sigue una lógica diferente.

Para entender la magnitud: 104 conversiones se realizaron en las primeras 24 horas después del clic, y 9 conversiones — después de más de 12 días. Analizo usualmente una ventana de 30 días, aunque considero ideal de 7 días. Pero en una semana la analítica rara vez está completa — la cantidad real de conversiones de ayer solo la verá después de 72 horas. Google recalcula, corrige, complementa los datos.

Así es como los italianos compran productos para niños — con detenimiento, con múltiples visitas y comparaciones. Esto no es un problema en el sentido tradicional, sino más bien una tarea compleja con la que se enfrentan la mayoría de los proyectos en nichos similares. Inyectar un gran presupuesto y obtener al menos algunas conversiones no es difícil.

Pero llevar una campaña Performance Max a un estado donde el aumento de clics proporcionalmente genera crecimiento de conversiones — esa ya es una tarea con asterisco. Eliminar completamente el ciclo largo de toma de decisión es irreal, pero hay que tenerlo en cuenta y ajustar la estrategia. Recuerden este matiz — es clave.

Algunas particularidades de la configuración de publicidad de Google

Hay situaciones donde todo se alinea perfectamente: alta demanda del producto, competencia moderada en el nicho, comprador “caliente” y listo para hacer el pedido ahora mismo. En estas condiciones, incluso una publicidad de Google mal configurada comenzará a generar ventas. Estarán satisfechos con el resultado — hasta que choquen con cierto techo de presupuesto. Tan pronto como lo alcancen, la rentabilidad comenzará a caer.

Pero si en el proceso de compra hay dificultades y matices — ciclo de toma de decisión largo, comprador compara, regresa — simplemente aumentar el presupuesto no tiene sentido. La parte de gastos crecerá, la rentabilidad caerá a cero, y no obtendrán un resultado tangible.

¿Cómo se ve esto en la práctica? Recuerden el primer disparo del que hablé arriba — el aumento de tráfico que llevó a un crecimiento notable de conversiones. Si se observa con atención, el volumen de clics estaba aproximadamente en el mismo nivel. Pero apenas se elevó bruscamente el presupuesto — los gastos se dispararon, el costo por conversión se fue a las nubes, y la rentabilidad se desplomó. Y se quedan atascados, sin entender qué hacer a continuación.

Por eso es críticamente importante controlar la analítica con la que “alimentan” la cuenta publicitaria. En Performance Max está integrada una inteligencia artificial que aprende precisamente de esos datos que ustedes le proporcionan. Qué datos den — tales conclusiones sacará.

Particularidades de los resultados del trabajo de inteligencia artificial en performance

Para que la IA en performance pueda salir por sí sola de cualquier situación crítica — caídas, saltos en el costo por conversión, caídas de volumen — necesita un mínimo de 50 conversiones por semana. Exactamente 50 ventas reales, no microconversiones. En nuestro caso, todavía no alcanzamos este umbral, aunque quizás con el tiempo lleguemos incluso a 50 ventas por día.

Para los mercados europeos, incluyendo Italia, hay una complicación adicional — Consent Mode. Este es un mecanismo de recolección de consentimientos para el uso de cookies. El sistema pide que en 7 días se acumulen mínimo mil usuarios que rechazaron el acceso a cookies, y mil que dieron su consentimiento.

Solo entonces el aprendizaje automático se activa a plena potencia y puede salir de situaciones críticas: nivelar caídas, estabilizar conversiones, hacer la imagen más uniforme y predecible.

Conclusiones

No se puede simplemente acumular mil o dos mil eventos en la cuenta que no aporten valor real. Google de todos modos ganará — ustedes pagan por cada clic. Pero si ustedes ganarán — es una gran pregunta.

Hay proyectos y nichos donde hay que armarse de paciencia en el proceso de optimización del performance. Lanzar montones de pruebas simultáneamente justo después del inicio — es arriesgado. Pueden difuminar el retrato real del cliente que el performance ya casi había detectado. Hacer disparos bruscos y frecuentes de presupuesto tampoco se puede.

Miren cómo actuamos: después del primer disparo redujimos el presupuesto de nuevo, llevamos la imagen a un estado comprensible, analizamos — y solo después hicimos el siguiente. Y esto no es un “copiar campaña — pegar — cambiar señal” mecánico. Detrás de cada una de estas decisiones hay un gran bloque de trabajo intelectual: análisis constante de campañas, interpretación de datos, cálculo de consecuencias.

Quería mostrarles un caso complejo e interesante — espero haberlo logrado. ¡Nos vemos en nuevos casos y episodios!