Qué es Hagakur: La nueva estrategia de Smart Bidding en Google Ads
Array ( [image] => Qué es Hagakur: La nueva estrategia de Smart Bidding en Google Ads [tags] => Array ( [img] => Array ( [data-srcset] => 1 [data-src] => 1 [srcset] => 1 [sizes] => 1 [src] => 1 [class] => 1 [alt] => 1 [width] => 1 [height] => 1 ) [noscript] => Array ( ) ) )

Nuevas estrategias de Smart Bidding en Ads: qué es Hagakure

Si te dedicas al marketing digital o te interesa y, en especial, la gestión de campañas de anuncios digitales tenemos algo que decirte: Hagakure. Aunque ahora no lo sepas, quizás este término se convierta en el aliado perfecto de tus campañas en Google Ads. 

Te puede interesar: ¿Cómo innovar con Marketing digital en tu empresa?

Saber más: Claves para emprender un negocio digital tras la COVID-19

A continuación, te contamos qué es exactamente, qué lo hace tan especial y cómo puedes optimizar y maximizar tus conversiones en adwords con la estructura Hagakure. 

Optimiza y maximiza tus conversiones en Adwords con Hagakure

El método Hagakure: ¿qué es?

Antes de descubrir en qué consiste el método Hagakure, debemos entender a qué hace referencia este término tradicional japonés, cuya traducción literal significa “oculto en las hojas” o “a la sombra de las hojas”.

Además, Hagakure forma parte del título de la obra “Hagakure. El camino del samurái”, escrita por el samurái Yamamoto Tsunemoto en el siglo XVIII. Es un clásico de la cultura japonesa que ayuda a la introspección y la concentración ante un mundo frenético.

Con estos dos inputs podemos empezar a averiguar a qué puede hacer referencia este nuevo método aconsejado por Google para crear y optimizar las campañas en su plataforma. 

El método Hagakure, trasladado a la estrategia de adwords, se basa en estructurar y optimizar la eficiencia de las campañas de búsqueda aprovechando los algoritmos y las herramientas de aprendizaje automático. Dicho de otra manera, consiste en simplificar la estructura de una cuenta compleja de Google Ads para evitar que se dispersen datos ante tantas segmentaciones. 

Las ventajas de utilizar Hagakure en Google Ads

Las ventajas de utilizar Hagakure en Google Ads

Antes de conocer las ventajas de utilizar el método Hagakure en nuestras campañas, es importante ser consciente de que no es aplicable a cualquier tipo de cuenta o campaña. No es recomendable implementar esta metodología para servicios locales de pocas conversiones diarias o nichos de mercado. 

Google advierte de que se necesita un volumen mínimo de 12.000 impresiones mensuales, es decir, 3.000 impresiones semanales para que la estrategia funcione en ese grupo de anuncios. 

De hecho, Hagakure es aconsejable para aquellos comercios electrónicos que tienen varias categorizaciones de productos ya que permite dejar de lado la atomización y la semántica. 

Te puede interesar: Tips y novedades para tu estrategia de venta en Instagram

  1. Permite aprovechar las dos herramientas de automatización: DSA (Dynamics Search Ads) y las automatizaciones de pujas.
  2. Con las funciones IF basadas en audiencias para la personalización de los anuncios maximizarás el nivel de calidad.
  3. Facilita al algoritmo la relación de las búsquedas de los usuarios con lo que Google mostrará en el motor de búsqueda. 
  4. Optimiza la eficiencia de los algoritmos de automatización y el aprendizaje automático.
  5. Es ideal si te centras en los objetivos de negocio como son los CPA objetivo y/o ROAS, en vez de en keywords.
  6. Con el uso de DSA puedes captar ciertas búsquedas que puede que no se estén cubriendo con el resto de keywords. 

Este es el impacto del machine learning en Google Ads

El impacto del machine learning en Ads

Antes de la aparición de la metodología Hagakure,  la estructura de una campaña se dividía en diferentes grupos de anuncios. Cada uno de ellos contenía demasiadas palabras clave con bajo volumen de búsqueda. Esto conllevaba a que las estrategias de pujas automatizadas no funcionaran bien, ya que demandaban un volumen alto de tráfico para cada grupo de ads. Esta estrategia se basaba en tener un gran número de capas que respondieran a las búsquedas de los usuarios llegando al punto de generar grandes campañas con el método SKAG (Single Keyword Ad Group), grupos de anuncios de una sola palabra clave.

Aunque este método fuese útil hace unos años, en muchos casos ya no resulta óptimo tras los últimos avances de Google en su apuesta por la inteligencia artificial, el machine learning y las automatizaciones. 

Con el machine learning las campañas de adwords han subido de nivel y exigen nuevas estrategias a la hora de crear campañas. Con una buena implementación, se puede exprimir todo el potencial de las automatizaciones y optimizar así al máximo las campañas procesando ingentes cantidades de volumen de datos a tiempo real. 

Cómo optimizar campañas de Google Ads usando el método Hagakure

¿Cómo optimizar campañas de Google Ads?

Posiblemente esta sea la pregunta del millón. Optimizar campañas de adwords es una misión que cada vez se va volviendo más compleja. Como ya hemos comentado durante el artículo, no existe una fórmula mágica universal. Es importante tener en cuenta el tipo de negocio sobre el que creamos las campañas, su competencia, así como los objetivos de negocio marcados. 

Para optimizar campañas de Google Ads según el método Hagakure:

  • Implica tener un par de campañas, cada una con grandes grupos de anuncios referentes a cada tipo de producto.
  • Un grupo de anuncios debe recibir un mínimo de 3.000 impresiones por semana (12.000 impresiones al mes) para optimizar la automatización y el aprendizaje automático.
  • Se recomienda dotar de información a las campañas utilizando concordancia amplia y amplia modificada para obtener un número representativo de términos de búsqueda y poder así crear un listado de keywords negativas. 
  • Es importante negativizar cuanto antes aquellas keywords que no sumen, ya que esto irá en detrimento de los presupuestos. 
  • Se recomienda no hacer cambios en las campañas hasta pasadas 2 semanas, ya que es el tiempo que necesita el machine learning en su fase de aprendizaje para relacionar los datos.