Kim jest Vasco Electronics i gdzie leżał problem?
Vasco Electronics to producent i dystrybutor elektronicznych tłumaczy i słowników - urządzeń, które mają realną alternatywę sprzedażową przez Amazon. W USA znaczna część użytkowników, którzy trafiali na reklamę w Meta, finalizowała zakup nie na własnym sklepie marki, lecz przez Amazon - do którego klikali w wynikach Google lub który po prostu znali jako zaufane miejsce zakupu.
To stworzyło fundamentalny problem dla kampanii w Meta Ads.
Jak działa optymalizacja w Meta Ads?
Meta Ads optymalizuje kampanie na podstawie sygnałów - zdarzeń, które wracają do platformy i informują algorytm, komu warto pokazywać reklamy. Zdarzenie "Purchase" na stronie marki działa sprawnie, gdy użytkownik kupuje bezpośrednio tam. Gdy jednak kupuje przez Amazon, piksel marki tego zdarzenia nie rejestruje - Meta "nie wie", że doszło do zakupu, i nie może uczyć się na tym sygnale.
Kampanie optymalizowane pod Purchase nie miały czego się uczyć.
Przy starcie kampanii w USA zastałem strukturę, którą widzi większość kont e-commerce: główna kampania z optymalizacją pod zdarzenie "Purchase". Budżety, targety, kreacje - wszystko poprawne. Wyniki jednak były dalekie od potencjału rynku.
Gdy przeanalizowałem dane, odpowiedź była prosta i bolesna jednocześnie: kampania nie miała wystarczającej liczby Purchase eventów, żeby wyjść z fazy nauki. Meta wymaga minimum 50 zdarzeń optymalizacyjnych tygodniowo na Ad Set, żeby algorytm mógł się uczyć. W USA, gdzie transakcje przeciekały przez Amazon, ten próg był regularnie nieosiągalny.
Efekt? Kampanie utknęły w trybie "learning limited". Algorytm działał po omacku - bez wystarczających danych nie wiedział, kogo targetować. Koszty rosły, wyniki stały w miejscu.
Brak sygnałów Purchase
Użytkownicy klikali reklamę, wchodzili na stronę, a potem kupowali przez Amazon. Piksel nie widział transakcji - kampania była "ślepa" na swoje własne wyniki.
Learning Limited - permanentny stan
Bez 50 Purchase eventów tygodniowo algorytm nie mógł wyjść z fazy nauki. Wyniki były niestabilne, a skalowanie budżetu nic nie pomagało - więcej wydatków przy złej optymalizacji = więcej strat.
Pytanie, które zmieniło wszystko.
Zamiast walczyć z problemem na poziomie kreacji czy budżetu, zadałem inne pytanie: Jakie zdarzenie faktycznie się zdarza na stronie marki przed tym, gdy użytkownik idzie kupić przez Amazon?
Odpowiedź była w danych GA4 i ścieżkach konwersji: AddToCart. Użytkownicy regularnie dodawali produkt do koszyka na stronie marki - sprawdzali cenę, weryfikowali specyfikację, "rezerwowali" mentalnie - a potem finalizowali przez Amazon.
Zdarzenie AddToCart wracało do Meta. I było go wystarczająco dużo, żeby algorytm mógł się uczyć.
Hipoteza robocza
Jeśli osoby, które dodają produkt do koszyka na stronie marki, to de facto ta sama grupa co potencjalni kupujący przez Amazon - to optymalizacja pod ATC da algorytmowi pełny sygnał do nauki i pozwoli mu dotrzeć do właściwej grupy docelowej.
Ryzyko: ATC to słabszy sygnał intencji zakupowej niż Purchase. Mogłem przyciągać "okienkowiczów" - ludzi, którzy klikają, ale nie kupują. Dlatego równolegle monitorowałem ruch na Amazon i dane z zewnętrznych raportów sprzedażowych.
Co dokładnie zostało zmienione?
Zmiana była chirurgicznie precyzyjna - nie dotknąłem budżetu, kreacji ani targetowania. Jedyna modyfikacja to zdarzenie optymalizacyjne na poziomie Ad Set: z Purchase na AddToCart.
Optymalizacja: Purchase | Status: Learning Limited | Wyniki: niestabilne, rosnące koszty
Optymalizacja: AddToCart | Status: Active Learning → Stable | Wyniki: algorytm znalazł właściwy sygnał i zaczął skalować
Jednocześnie uruchomiłem monitoring dwóch wskaźników zewnętrznych: sprzedaż na Amazon (raport sprzedażowy klienta) oraz ruch organiczny z wyszukiwania (brand searches w Google Trends). Chciałem mieć pewność, że wzrost ATC na stronie przekłada się na realne transakcje - nie tylko na ruch bez intencji.
Korelacja okazała się silna. Wzrost ATC wyprzedzał wzrost sprzedaży Amazon o około 5-7 dni - co potwierdziło, że algorytm Meta skutecznie docierał do osób z wysoką intencją zakupową, nawet jeśli sama transakcja następowała poza pikselem.
Liczby po pivocie.
2024 vs 2023 · Paid Social
Zdarzenie optymalizacyjne · USA
Vasco Electronics · 20+ rynków · YoY 2024 vs 2023
USA stało się rynkiem z najwyższym wzrostem w całym portfolio 20+ krajów. Przy praktycznie niezmienionym budżecie - wyłącznie dzięki poprawieniu sygnału optymalizacyjnego - algorytm zaczął docierać do właściwej grupy i generować skalę, której wcześniej nie było.
Optymalizacja działała, bo działał system.
Sam pivot na ATC nie byłby możliwy bez solidnych fundamentów analitycznych. Żeby mieć pewność, że ATC event wraca do Meta i jest poprawnie zdeduplikowany, potrzebna była sprawna konfiguracja piksela, Conversions API i Server-Side Tracking.
Równolegle - żeby zarządzać 20+ rynkami bez przepalania godzin operacyjnych - wdrożyłem autorski system zarządzania budżetami i architekturę kont opartą na spójnej taksonomii.
Co to znaczy dla Twojego e-commerce?
Optymalizuj pod zdarzenie, które naprawdę wraca do platformy.
Jeśli Twoi klienci kupują przez marketplace (Amazon, Allegro, Zalando), piksel Twojej strony tego nie widzi. Purchase event jest dla algorytmu niewidoczny. Sprawdź, które zdarzenie na Twojej ścieżce jest wystarczająco częste i wraca niezawodnie do platformy - ATC, InitiateCheckout, ViewContent.
Learning Limited to diagnoza, nie wynik.
Kampania w trybie "learning limited" nie jest zepsuta - ona po prostu nie ma czego się uczyć. Rozwiązaniem nie jest wyższy budżet ani nowe kreacje. Rozwiązaniem jest zmiana zdarzenia optymalizacyjnego na takie, które algorytm może faktycznie obserwować.
Dane zewnętrzne zamykają pętlę.
Gdy optymalizujesz pod zdarzenie pośrednie (ATC zamiast Purchase), weryfikuj wyniki zewnętrznie: raporty sprzedaży z Amazon, brand searches, dane z CRM. Bez tej pętli optymalizujesz w próżni i nie wiesz, czy przyciągasz kupujących, czy tylko "okienkowiczów".
Przed zmianą budżetu - sprawdź jakość sygnału.
Większość firm szuka wzrostu w nowych kreacjach lub wyższych budżetach. Tymczasem fundamentalny problem często leży w tym, że algorytm nie ma dobrego sygnału do uczenia się. Diagnoza systemu śledzenia i architektury kampanii to punkt pierwszy - nie opcjonalny.
Czy Twoje kampanie mają ten sam problem?
Audyt analityczny i kampanii pokazuje to w ciągu kilku godzin. Wiesz, gdzie leżą przecieki - i co trzeba zmienić.