Google Demand Gen Targeting: Nye muligheder for alder og køn

Google advarer også om, at alt for snæver målretning kan påvirke kampagnens ydeevne negativt. Algoritmen bruger forskellige signaler, herunder brugeradfærd og landingssideindhold, til at optimere konverteringer. Indsnævring af det demografiske interval kan reducere trafik og konverteringsrater.

Demand Gen-kampagner (kampagner med fokus på at skabe efterspørgsel) har til formål at skabe interesse og efterspørgsel efter produkter eller tjenester. Ved hjælp af præcis målretning og annonceoptimering når de ud til potentielle kunder i de tidlige faser af købsprocessen og øger dermed kendskabet til brandet og forbereder dem på fremtidige køb.

Andre platforme har også for nylig annonceret målretningsændringer – LinkedIn har elimineret lookalike-målgrupper, mens Meta er gået i den modsatte retning. Den anbefaler, at virksomheder bruger kopimålgrupper, når de opretter en kampagne og bevæger sig væk fra præcis målretning.

Ændringer i Gen-kampagner

1. Målretning efter alder og køn:
Annoncører kan begrænse synligheden af deres annonce til bestemte alders- og kønsgrupper. Denne nye mulighed er integreret i de optimerede målretningsindstillinger for kampagner til generering af efterspørgsel.

2. Fleksible målretningsmuligheder:
Annoncører kan vælge ubegrænset eller begrænset målretning afhængigt af kampagnemål og målgruppekrav. Dette giver marketingfolk mulighed for bedre at skræddersy deres strategier til specifikke forretningsmål.

Effektiv brug af målretning

For e-handelsvirksomheder er det vigtigt at finde en balance mellem præcis målretning og kampagneeffektivitet. Opdateringen giver mulighed for at tilpasse kampagner mere præcist til forretningsmål, men kræver også omhyggelige overvejelser for at sikre, at målgruppebegrænsning ikke bringer opnåelsen af de ønskede resultater i fare.

Den nye funktion er endnu et skridt i retning af at give annoncører mulighed for bedre at tilpasse deres kampagner ved hjælp af avancerede Google-målretningsværktøjer, samtidig med at de stadig kan udnytte fordelene ved optimering af maskinlæring.