En un escenario en el que la IA ha abierto un mundo de posibilidades en la industria tecnológica y publicitaria, OMD España está utilizando las soluciones de Google basadas en Inteligencia Artificial para hacer crecer el negocio de sus clientes de automoción. En esta entrevista, Beatriz López, Digital Manager en OMD España, cuenta cómo están trabajando en esta dirección. 

Con más de 10 años de experiencia en publicidad y marketing digital, Beatriz López ha trabajado para diferentes verticales como entretenimiento, retail, banca y automoción, entre otros. Comenzó su carrera profesional en el mundo de la creatividad, social media y contenidos. Después se especializó y profundizó en todas las áreas de marketing digital, trabajando en agencia y en cliente: allí se centró en planificar y ejecutar estrategias de SEM, SEO, Social, Display, Analítica, Data, E-commerce, etc. con fuerte foco tanto en negocio como en notoriedad de marca. Actualmente, desempeña el rol de Manager de Performance y Programática en OMD, gestionando un equipo de Paid Media, definiendo estrategias y campañas de grandes cuentas. 

¿Cómo ha sido vuestra experiencia en OMD como agencia de performance marketing a la hora de trabajar para empresas del sector de automoción? 

Nuestro día a día es analizar las campañas performance y exprimirlas todo lo posible para obtener los mejores resultados en un entorno tan competitivo como es el sector de la automoción. Tenemos que tener en cuenta que la venta final en una marca de auto es un proceso largo porque no estamos hablando de una compra impulsiva sino racional y de un alto desembolso; por tanto, es importante trabajar el funnel en todas sus fases. En el caso de Search hay que estar presentes tanto en búsquedas de marca y de modelo como en búsquedas genéricas tipo SUV, coche híbrido, etc. para que el cliente potencial tenga un recorrido más fluido, desde el conocimiento de la marca a su consideración y finalmente al lead para obtener ese cliente potencial interesado en la adquisición de uno de los vehículos.

El objetivo final de una marca de automoción es la venta de un vehículo, pero el enfoque que le damos desde la parte de Digital es conseguir diferentes leads que ayuden a ello, desde una oferta comercial o un test drive hasta descarga de catálogos y configurador. Cada una en su grado, son acciones valiosas ya que el usuario deja sus datos para que luego el call center pueda tratarlos y ofrecerle una experiencia lo más personalizada posible para que finalmente adquiera el coche.

¿Qué retos y oportunidades veis en el entorno de Google Search Ads para generar leads en la industria de automoción?

El reto es adaptarse a la necesidad del usuario y trazarla hacia la del anunciante a través de cada palabra clave. Dentro de una misma búsqueda de un usuario puede haber todo tipo de intenciones en cuanto a leads y el hecho de servirnos de inteligencia artificial en las estrategias de puja nos ayuda mucho a descubrir esa intención para llevarle al formulario adecuado, con el anuncio más atractivo. Es decir, usar RSA (Responsive Search Ads), estrategias de ROAS para optimizar a todos los objetivos de negocio y darles el peso según importancia de cada lead, nos permite optimizar de una manera nunca antes vista que, combinándola con el trabajo diario de los especialistas, nos da como resultado un mejor performance de las campañas.

Dentro de las oportunidades, tenemos la posibilidad de innovar probando betas, nuevas fórmulas, etc. para marcar la diferencia. Tenemos el ejemplo de broad match pero también cuando hicimos el cambio de CPA a ROAS en algunas campañas, Custom Bidding en programática, etc. Y con ello, siempre estamos abiertos a los avances en inteligencia artificial, que avanza a pasos agigantados y se está implantando cada vez en más productos como Performance Max o Discovery Ads. Que lleven IA por detrás ayuda a la plataforma a obtener una mayor información sobre los usuarios y así poder tener un mayor tráfico más cualificado que nos ayude a obtener el mayor volumen de leads.

¿Qué otras soluciones de Google basadas en AI utilizáis en OMD Spain? ¿Cómo creéis que pueden ayudar a conseguir los objetivos de marketing?

En estos años en Search la evolución ha sido de tal magnitud con el machine learning y la inteligencia artificial que la optimización está basada en ese aprendizaje continuo de los algoritmos. Esto ayuda al equipo a dedicar menos tiempo a la optimización manual de las campañas para poder aportar valor a nivel estratégico e incluso a un nivel más directo al negocio del cliente, aportando ese conocimiento que las máquinas nunca tendrán y a su vez dejándolas hacer lo que mejor conocen, a una rapidez mayor y captando todo tipo de señales sobre los usuarios. 

Por ejemplo, en el caso concreto de la concordancia amplia de palabras clave, antes esta concordancia era demasiado abierta, colándose búsquedas que no terminaban de tener relación con las campañas. La mejora de la concordancia amplia con la IA por detrás aportando información extra del usuario ha permitido muchas mejoras, de tal forma que la herramienta aprende fácilmente identificando las búsquedas que sí tienen relación con nuestras campañas y su comunicación, consiguiendo un mayor volumen de impresiones y un tráfico más cualitativo. Aquí es clave analizar más allá de las campañas, comprobando en Google Analytics cómo se comporta ese tráfico y el ratio de mejora en tiempos de permanencia en página, bajadas de la tasa de rebote, etc. Esto es algo que en OMD trabajamos mucho, el ir más allá de los datos de plataforma y muy de la mano con el cliente. 

 ¿Por qué decidisteis probar Broad Match en las campañas de Search de vuestros clientes de automoción? 

En cuentas de automoción como las que manejamos, de tanto volumen y años de histórico, confiábamos en que el algoritmo de Google tendría los requisitos para poder testarlo en campañas y obtener buenos ratios. Además, las especialistas Cristina Martínez y Raquel Frías, ante la necesidad del cliente de mejorar algunas de sus áreas de negocio, no pararon hasta dar con la solución adecuada para conseguir los objetivos marcados.

En el sector de automoción, la entrada de híbridos y eléctricos ha supuesto una revolución ya que es la gran apuesta de muchas marcas. Pero la demanda, aunque va creciendo, todavía es pequeña en comparación con los vehículos térmicos. Además, el proceso de decisión se ha hecho más complejo en los últimos años. Ha cambiado el comportamiento del cliente, la cantidad de búsquedas que se hacen antes de tomar una decisión de compra, etc. Esto hace cada vez más difícil impactar a todos los potenciales compradores de coches y cubrir todas las búsquedas de forma eficiente, haciendo inviable trabajar el Search como hace 5 años. El machine learning se adapta de manera rápida a estos cambios, detectando la atribución y conexión entre unas búsquedas y otras, potenciando keywords que mejor convierten y mejorando la posición solo donde resulte más eficiente.

¿Cómo han sido los resultados?

Los resultados han sido sorprendentes, ya que las campañas donde hemos aplicado el broad match estaban muy optimizadas y tenían poco margen de mejora y, sin embargo, se ha reducido el CPL un 16% optimizando más el presupuesto y siendo el primer país de la marca en aplicarlo, sirviendo de ejemplo para testarlo en otros mercados. Es un orgullo ser pioneras y ayudar a nuestros compañeros de agencia de otros países, abriendo el camino a la IA a nuestro anunciante en otros mercados. 

¿Qué recomendarías a una agencia o marca de automóviles a la hora de comenzar a usar Broad Match en sus campañas de Search en Google Ads? ¿Cómo llevasteis a cabo la implementación?

Recomendaría aplicarlo en campañas que tengan un volumen alto de clics y conversiones, con estrategias de puja a performance. En cuanto a la implementación, fuimos de menos a más, primero acotando a algunas campañas con fuerte competencia en las pujas y revisándolo con el equipo de Google, haciendo experimentos test A/B. En este punto es imprescindible tener paciencia ya que los resultados no son inmediatos. Tiene que dejarse el experimento sin hacerle cambios entre 4 y 6 semanas antes de aplicar modificaciones y tomar decisiones. La primera semana es cuando suele funcionar peor, no hay que desesperarse porque ahí la herramienta está aprendiendo y se empieza a estabilizar en la tercera semana. Luego hay que esperar otras tres semanas aproximadamente para consolidar datos y poder sacar insights con garantías. En este caso concreto, el equipo junto al cliente, al verificar que los resultados eran positivos, eliminó el experimento para aplicarlo a las campañas en su totalidad, monitorizando al principio que las campañas sigan el mismo curso que en el test.

Equipo de redacción de PROGRAMMATIC SPAIN