苹果Search Ads(ASM)广告投放的两个问题(一)

有人问ASM投放秘诀是什么?

为什么你们投放的效率比别人高200%以上?

作为吃饭的家伙,如何投放ASM的秘密,我们当然是不会全部分享的。

但是,其基本原理还是可以讲讲的。

看完本文,你不一定能像我们可以提升200%-500%,但提升个50%还是有可能的。

我们把ASM的投放问题分解成两个问题:

1】苹果ASM的流量分发机制是如何

2】如何优雅的适应苹果的规则

(一)苹果ASM的流量分发机制是如何

很多错综复杂的问题,说到底就一个核心问题,只要把这个核心问题搞清楚了,其他的问题就迎刃而解的。

在这里,这个核心问题是——苹果ASM的流量分发机制是如何发生的

我们用的词是“流量分发”,而不是“广告”或者其他更加商业化的词语,是因为苹果作为生态的控制者就如同一个中央政府一样,作为生态的统治者,他不仅要考虑短期利益,还要考虑长期利益;不仅要考虑自己的利益,还要考虑用户的利益,还得平衡开发者的利益;不仅考虑开发者的利益,还得考虑开发者中已经出现的贫富分化现象,还得主意扶植弱势群体,给底层App更多的机会,打开一条上升通道。

所以,我们的用词是“流量分发”,一个非常中性、技术化的词,就是想表达这样的概念。

ASM流量分发的第一条准则是:ASM流量分发的依据是什么呢?

总结起来三个关键词,两个句话:

三个关键词:效率随机性观察期

两句话:效率优先,保持随机性。

效率,隐含了三个东西:

1】App与KeyWord的相关性,相关性越高,这个词的广告流量就越容易分发给这个App;

2】CR:CR和TTR都是这个流量转化效率,就是在这个KeyWord上,App的转化效率,显然,转化效率越高,苹果就越愿意把流量分发给这个App,很容易理解:这样的结果皆大欢喜,首先苹果高兴,实现流量变现的最大化,因为苹果是按照CPT(tab)计费,因此高转化率是苹果愿意看到的;其次是用户满意,用户看到广告,愿意点击查看,还愿意下载甚至支付,说明这是用户需要的,更像一个内容,而非广告;最后是App开发者满意,高的CR,说明没有花冤枉钱;

3】TTR:同上。

所以,苹果ASM流量分发的第一准则是效率优先

那么,如何理解保持随机性呢?

某款App可以申请跟他们有一定关联性的KeyWord,苹果也会把一些关联性不是很高的词通过SearchMatch或者BroadMatch分发给这个App。

我们在投放实践中看到的结果是就是有大量的长尾词。

苹果为什么这么做呢?

KeyWord或者SearchTerm与App的之间的关联性是动态的,苹果没有把握确定双方之间的关系,所以采取一个观察期的策略,把但凡有点关联的词Word通过自动映射的方法,观察和统计更大范围关键词与App的效率。为客户决策以及自己量化相关性提供量化依据。

同时,这个策略也让苹果保持了很好的开放性,对文化多样性的接纳,对未来舆情舆论以及文化变化的适应。

另外,大家更关心的一个问题是:苹果ASM流量分发系统到底跟现在的ASO流量分发系统有什么不同

换句话,玩转ASO就能玩转ASM吗?他们俩是一回事吗?

先上答案:不是一回事:

1)首先,ASM流量分发系统与ASO流量分发系统不一样,两套独立的系统;

2)但是有联系,也有不错的重合度;

比如:有的词有流行度(popularity),但没有热度(Priority),说明什么?如下图:

说明:这些个词属于ASM广告流量分发体系中的KeyWord,而这个词却不在ASO中,也就是说搜索没有结果。

同理,而有的词有热度(Priority),但没有流行度(popularity),如下图,说明什么呢?

【注明:数据统计时间是2017年5月】

说明,这个两个东西,用的不是一个分词体系,也不是同一个流量分发系统,各玩各的呢。

有什么区别吗?

当然啦!

你ASO的排名好,所谓的词与App的关联性好,但不一定在ASM的投放上就能带量;

同理,你ASM中出量的好词,未必是你费劲刷量到Top3的词,很多时候,这两个不是线性关系。

这是玩ASM的第一步,了解苹果Search Ads的流量分发机制。

(二)优雅的适应苹果

这个问题也是在回答:你们为什么投放效率是别人的200%,甚至更高?

在巨头面前,我们能做的就是适应,适应他的规则,适应他的变化。

只不过,适应有两个段位,一个是适应,一个是优雅的适应。

本文先部分回答第一个问题——适应。

我们在做ASM投放中的操作,其实也能分解成两点:

1)选词;

2)调价;

选词

由三部分组成:

1)初次拓词:来源多:苹果推荐词、推荐词的相关词、推荐词的联想词、竞品投放词、ASO覆盖词等等。

2)二次拓词:就是在初次拓词的基础上,根据语义进行二次深度拓词,通过这次拓词可以将y与该App有关的词一网打尽,如下图,是一个关于“汽车”这次二次拓词的例子;

3)筛词:前两部拓出的词有好几千上万,哪些词应该重点照顾呢,这个才是关键;根据热度、流行度、竞争关系、语义、历史数据,量江湖有一套推荐指数能够帮助运营人员完成对词的筛选,如下图所示,对于任意指定的App,可以对带量词进行预测。

调价

调价策略,是投放最核心的部分,出于各种各样的原因,就不在这里公开分享了,感兴趣的朋友可以加入到我们的ASM微信群一起研究讨论。

未尽之处,下回细聊。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,561评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,218评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,162评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,470评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,550评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,806评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,951评论 3 407
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,712评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,166评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,510评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,643评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,306评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,930评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,745评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,983评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,351评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,509评论 2 348

推荐阅读更多精彩内容