تغییرات شتابان در پلتفرمهای تبلیغات کلیکی (PPC)، مدل سنتی سنجش عملکرد را که بر پایه رابطه مستقیم علت و معلولی میان ورودیها و خروجیها استوار بود، با چالش جدی مواجه کرده است. در گذشته، تبلیغکنندگان کنترل کاملی بر متغیرهایی مانند استراتژیهای قیمتگذاری، ساختار کمپینها، متن آگهیها و صفحات فرود داشتند و هرگونه تغییر در نرخ تبدیل به راحتی قابل ردیابی بود. با این حال، با سرعت گرفتن انتقال گوگل به سمت کمپینهای مبتنی بر هوش مصنوعی مانند Performance Max، Demand Gen و ابزارهایی نظیر AI Max، این چارچوب ساده در حال فروپاشی است.
امروزه بازاریابان به طور فزایندهای تبدیلهایی (Conversions) را از جستجوهایی دریافت میکنند که به طور صریح هدفگذاری نکردهاند. این آگهیها از طریق داراییهای خلاقهای که به صورت خودکار سرهم شدهاند، در کانالهای متعددی توزیع میشوند. در چنین محیطی، ارزیابی عملکرد بر اساس تحلیل ورودیهای فردی کمپین دیگر کارآمد نیست و چالش اصلی، درک چگونگی ایجاد خروجیها توسط سیستمهای خودکار است.
عبور از کلیدواژهها؛ ظهور سیستمهای بدون کلیدواژه (Keywordless)
سیستم هوش مصنوعی AI Max نمایانگر تهاجمیترین گام گوگل به سمت تطابق مبتنی بر قصد کاربر (Intent-driven matching) است. این سیستم به جای اتکای صرف به کلیدواژههای تعریفشده توسط تبلیغکننده، سیگنالهای متنی، رفتارهای کاربر و دادههای تاریخی عملکرد را تحلیل میکند تا آگهیها را با جستجوهایی که ممکن است در حساب کاربری وجود نداشته باشند، مطابقت دهد. علاوه بر این، AI Max توانایی تغییر داراییهای تبلیغاتی را برای ارائه پیامهای شخصیسازیشدهتر در زمانهای مناسب دارد.
گوگل برای نخستین بار در سال ۲۰۲۳ به طور رسمی از واژه «بدون کلیدواژه» (Keywordless) در ارتباطات خود پیرامون جستجو و Performance Max استفاده کرد. به عنوان مثال، خردهفروشی که روی عبارت «کفش دویدن تریل» قیمتگذاری میکند، ممکن است برای عباراتی نمایش داده شود که بازتابدهنده همان قصد خرید هستند اما مستقیماً با استراتژی کلیدواژه اولیه همخوانی ندارند. برای مدیریت این تغییر، کارشناسان پیشنهاد میکنند عملکرد تبلیغات به جای سطح کلیدواژه، در قالب خوشههای قصد کاربر (Intent clusters) تحلیل شود. بخش Insights در پلتفرم گوگل ادز از طریق گزارش Search terms insights این جستجوها را در دستهبندیهای مشخص (Search category) گروهبندی میکند تا میزان تبدیل و حجم جستجو قابل ارزیابی باشد.
چالشهای توزیع بودجه در Performance Max و جستجوی گفتوگو محور
کمپینهای Performance Max با توزیع بودجه میان کانالهای مختلف مانند جستجو (Search)، یوتیوب (YouTube)، دیسپلی (Display)، دیسکاور (Discover)، جیمیل (Gmail) و نقشهها (Maps)، فرآیند سنجش را پیچیدهتر کردهاند. تا پیش از آوریل ۲۰۲۵، شفافیت اندکی در نحوه تخصیص بودجه میان این کانالها وجود داشت، اما گوگل در این تاریخ قابلیت گزارشدهی در سطح کانال (Channel-level reporting)، دادههای بهتر برای عبارات جستجو و معیارهای گستردهتر عملکرد داراییها را به PMax اضافه کرد.
به عنوان نمونه، در یک بودجه ماهانه ۴۰,۰۰۰ دلاری برای کمپین PMax، ممکن است توزیع کانالها به این صورت باشد:
- جستجو (Search): ۲۲,۰۰۰ دلار
- یوتیوب (YouTube): ۱۲,۰۰۰ دلار
- دیسپلی (Display): ۴,۰۰۰ دلار
- سایر موارد: ۲,۰۰۰ دلار
اگر بخش عمده تبدیلها از جستجو حاصل شود اما یوتیوب سهم بزرگی از بودجه را مصرف کند، استراتژیستهای PPC باید راهکارهایی مانند جداسازی جستجوی برند (Branded search) از PMax را آزمایش کنند.
همزمان، جستجوهای گفتوگو محور (Conversational search) لایه جدیدی از پیچیدگی را ایجاد کردهاند. گوگل در حال آزمایش نمایش نتایج خرید مستقیم در بخش AI Mode است که به کاربران اجازه میدهد محصولات را بدون خروج از رابط کاربری مقایسه کنند. همچنین پلتفرم ChatGPT در تاریخ ۱۶ ژانویه ۲۰۲۶ اعلام کرد که آزمایش نمایش آگهیها را برای کاربران نسخههای Free و Go در ایالات متحده آغاز میکند. این مسیرهای چندمرحلهای، مدلهای سنتی انتساب (Attribution models) را که بر پایه مسیرهای خطی کلیک طراحی شده بودند، به چالش میکشند.
چارچوب جدید سنجش عملکرد: چهار لایه حیاتی برای بازاریابان
با توجه به اینکه سیستمهای خودکار تصمیمات مربوط به هدفگذاری، قیمتگذاری و جایگاه نمایش را به صورت پویا اتخاذ میکنند، بازاریابان به چارچوب جدیدی برای ارزیابی نیاز دارند که شامل چهار لایه اصلی است:
۱. سودآوری (Profitability)
شاخص بازگشت هزینه تبلیغات (ROAS) دیگر نباید به عنوان معیار اصلی موفقیت در نظر گرفته شود. سیستمهای هوش مصنوعی در جذب تقاضای موجود بسیار قوی هستند و ممکن است بازگشت سرمایه بالایی را نشان دهند، در حالی که این تبدیلها مربوط به محصولات با حاشیه سود پایین، خریداران تکراری یا سفارشهایی باشد که در هر صورت انجام میشدند. ارزیابی باید بر اساس سودآوری ناخالص و ادغام بهای تمامشده کالای فروشرفته (COGS) یا نرخ تبدیل لید به فروش (Lead-to-close rate) انجام شود.
۲. اثر افزایشی (Incrementality)
این لایه مشخص میکند که آیا تبدیلهای ثبتشده بدون وجود تبلیغات نیز رخ میدادند یا خیر. گوگل با کاهش حداقل بودجه مورد نیاز برای تست اثر افزایشی در پلتفرم خود به ۵,۰۰۰ دلار، دسترسی به این ابزار را تسهیل کرده است. روشهای دیگری مانند تستهای عدم نمایش جغرافیایی (Geo holdout tests) و تست کاهش مخارج جستجوی برند نیز در این زمینه کاربرد دارند.
۳. کارایی تلفیقی جذب مشتری (Blended Acquisition Efficiency)
با کاهش ترافیک ارگانیک به دلیل تغییرات در نتایج جستجو — به طوری که بر اساس مطالعه SparkToro و Datos نزدیک به ۶۰ درصد از جستجوهای گوگل بدون کلیک پایان مییابند — سنجش PPC باید در کنار عملکرد ارگانیک انجام شود. شاخص هزینه تلفیقی جذب مشتری (Blended CAC) از فرمول زیر محاسبه میشود:
هزینه تلفیقی جذب مشتری (Blended CAC) = کل مخارج بازاریابی / تعداد کل مشتریان جدید جذبشده
۴. کیفیت دادههای دست اول (First-Party Data Quality)
از آنجا که پلتفرمها بر اساس سیگنالهای دریافتی بهینهسازی میشوند، ارسال دادههای باکیفیت مانند ردیابی تبدیلهای آفلاین و شاخصهای ارزش طول عمر مشتری (LTV) اهمیت حیاتی دارد تا سیستم به جای بهینهسازی برای حجم تبدیل، برای ارزش واقعی بهینهسازی شود.
بازتعریف گزارشدهی برای مدیریت ارشد و چالشهای نوظهور
گزارشدهی در عصر هوش مصنوعی باید از معیارهای عملیاتی فاصله گرفته و بر سه لایه متمرکز شود: پیامدهای تجاری (مانند رشد درآمد و حاشیه سود)، اکوسیستم جذب مشتری (با استفاده از Blended CAC) و بینشهای استراتژیک حاصل از آزمایشها. تحقیقات مشترک گوگل و گروه مشاوره بوستون (Boston Consulting Group) نشان میدهد که رفتارهای موسوم به "4S" (شامل استریم، اسکرول، جستجو و خرید) مسیرهای مشتری را طولانیتر کردهاند، بنابراین بازاریابان باید پنجرههای انتساب را به ۶۰ تا ۹۰ روز افزایش دهند تا سیستمهای خودکار بازخورد دقیقتری دریافت کنند.
با وجود بهبودها، چالشهای نوظهوری مانند قابلیت Direct Offers گوگل (نمایش تخفیفهای پویا در توصیههای خرید هوش مصنوعی) و تجارت مبتنی بر دستیارهای هوشمند (Agentic commerce) همچنان ارزیابی دقیق را دشوار میسازند. در این فضا، نقش تخصص انسانی نه تنها کمرنگ نشده، بلکه در تعریف معیارهای سودآوری، طراحی تستهای اثر افزایشی و هدایت استراتژیک سیستمهای خودکار، اهمیت دوچندانی یافته است.