Las señales que utiliza Smart Bidding en Google Ads para decidir cada subasta

Si has decidido por decisión propia empezar este artículo, habiendo leído incluso el título del mismo, sabes que viene chapa. Lo que quizás no sabías es que el Smart Bidding de Google Ads utiliza algoritmos de aprendizaje automático para analizar en tiempo real (en milisegundos) más de 70 millones de permutaciones de señales Google Help, que viene a ser la guía de Smart Bidding para campañas de display, y establecer así, pujas en cada subasta individual.

¿Te ha quedado claro? Como no tienes cara de que sí, vamos a profundizar un poquito más en la tecnología de las pujas automatizadas. Entender cómo el machine learning de Google es capaz de procesar un volumen masivo (bro) de datos contextuales en tiempo real, lo que conocemos como señales, para calcular la probabilidad exacta de que un clic se convierta en una venta o en un lead cualificado. Toma asiento que empezamos.

Como esto es hasta difícil explicarlo, diremos que es un subconjunto de estrategias de puja automáticas de Google Ads que utiliza el aprendizaje automático para optimizar las conversiones o el valor de las conversiones en cada una de las subastas. A esto se le conoce técnicamente como pujas en el momento de la subasta (auction-time bidding). Y que a diferencia de las pujas automáticas tradicionales, que ajustan los costes por clic basándose en datos históricos consolidados, este sistema analiza los atributos específicos de la búsqueda en el milisegundo exacto en que el usuario presiona el botón «Buscar» o interactúa con una plataforma de Google.

Pero su as en la manga ya lo comentábamos al principio y es su capacidad de personalización y el procesamiento predictivo. FLIPAS. El algoritmo evalúa millones de combinaciones de señales en tiempo real para predecir la tasa de conversión esperada de esa interacción. Si detecta:

• Que un usuario tiene una probabilidad excepcionalmente alta de comprar, eleva la puja de manera agresiva para asegurar el impacto.
• Si las condiciones contextuales indican lo contrario, reduce el coste al mínimo o descarta participar para proteger el retorno de la inversión (ROI).

Están tan contentos de sí mismos en Google que han publicado métricas de rendimiento consolidadas en sus documentaciones técnicas y casos de estudio globales:

¿A qué velocidad agita sus alas un colibrí? ¿A quién le importa sabiendo que el algoritmo tarda menos? En una fracción de segundo, concretamente entre los 50 y los 100 milisegundos que dura la carga de los resultados de búsqueda. En ese brevísimo lapso de tiempo el que si parpadeas te lo pierdes, el sistema ejecuta un análisis multivariable. No evalúa las señales de forma aislada (véase, «usuarios en Madrid» o «usuarios con iPhone»), sino que cruza todas las variables disponibles de manera simultánea. El algoritmo entiende que un usuario con un iPhone en Madrid a las 15:00h saliendo de una oficina tiene un comportamiento radicalmente distinto al de ese mismo usuario con el mismo iPhone el domingo por la tarde desde su casa. ¿No te parece una auténtica locura?

¿Y no te parece más loco que acierten?

Para calcular el coste por clic real de la subasta, Google Ads utiliza una fórmula matemática adaptada donde la puja óptima se calcula dinámicamente en función de la probabilidad de conversión detectada. El sistema asigna un peso algorítmico diferencial a cada señal basándose en el comportamiento histórico de usuarios similares y en el rendimiento de tu propio histórico de conversiones.

El proceso sigue tres simples pasos. Tres pasos automatizados idénticos para cada subasta en el mercado digital:

1. En el momento del trigger (búsqueda o carga de página), Google extrae el perfil técnico del usuario, su geolocalización, la hora exacta, el dispositivo y el historial de navegación reciente.
2. El modelo predictivo cruza estos datos con los patrones de conversión históricos de la cuenta de la empresa y del sector publicitario global.
3. El sistema estima el valor esperado del clic y define la puja óptima en centésimas de segundo para competir en el Ad Rank de Google.

Para que el aprendizaje automático tome decisiones de negocio rentables en milisegundos, necesita gasolina. Llenar el estómago. Necesita nutrirse de información precisa. Google Ads recopila un arsenal de datos contextuales que clasificamos como señales. Y ahora mismo, vamos a desglosar una a una las variables principales que el algoritmo cruza de forma analítica en cada subasta.

Dispositivo

Sí, el algoritmo como Dios, está en todos lados y por tanto evalúa si el usuario realiza la consulta desde un ordenador, una tablet o un teléfono móvil. Es más, tiene en cuenta el sistema operativo móvil y el operador de red de forma implícita. Y sabiendo esto, ajusta la puja según el rendimiento histórico de cada plataforma en tu negocio.

Ubicación física del usuario

No es España y ya. El sistema empieza por el nivel de comunidad autónoma, ciudad, código postal o incluso radio específico desde el que se realiza la búsqueda para adaptar la competitividad de la puja según la geolocalización real.

Y tú preocupándote de que no te grabe el coche de Google Maps.

Intención de ubicación

A diferencia de los hombres que no diferenciamos entre el color amarillo y el melón, el sistema distingue entre dónde está físicamente el usuario y qué lugar le interesa. Si alguien en Barcelona busca «hotel en Valencia», el algoritmo identifica esa intención geográfica específica y pondera la subasta de forma distinta a si la búsqueda fuese local.

Día de la semana y hora del día

El rendimiento de las campañas varía según los hábitos de consumo horarios. Es decir, el Smart Bidding analiza las fluctuaciones temporales de la tasa de conversión a lo largo del día y de la semana, y una vez con ese conocimiento, adapta la inversión hacia las franjas horarias más rentables para la empresa.

Listas de remarketing

El algoritmo comprueba si el usuario ya pertenece a alguna de tus listas de remarketing (por ejemplo, visitantes del sitio web en los últimos 30 días). Al conocer su nivel de interacción previa con la marca, el sistema incrementa el valor predictivo de la puja.

Customer Match y audiencias propias

Si utilizas segmentación por lista de clientes (Customer Match), Smart Bidding reconoce si el usuario que busca es un cliente recurrente, un usuario registrado o un lead frío que se descargó un recurso, lo que nos permite una personalización extrema del coste por clic en base al customer lifetime value. Es mejor aún de cómo suena. Y mira que suena bien.

Características del anuncio

El formato del anuncio (si incluye extensiones específicas, si es un anuncio de texto responsivo o si tiene ciertos elementos visuales, lo que sea) influye en el porcentaje de clics esperado, una variable que el algoritmo sopesa antes de fijar la puja de la subasta.

Idioma de la interfaz

Sobra decir que el idioma configurado en el navegador o en la cuenta de Google del usuario aporta contexto sobre el perfil demográfico y cultural de este. Ya lo decía Aramis Fuster, idiomas, querida.

Navegador

Ya sea Chrome, Safari, Firefox o Edge, el navegador desde el que se navega ofrece pistas técnicas sobre la experiencia de usuario y la velocidad de carga potencial de la landing page de destino. Miguitas digitales que se llaman.

Sistema operativo

Google Ads identifica si el usuario utiliza iOS, Android, Windows o macOS. Esta señal es un indicador directo del ecosistema tecnológico del usuario, lo que a menudo se correlaciona con la fricción en la pasarela de pago móvil o con el poder adquisitivo. Sí, aquí nos juzgan ya hasta las máquinas.

Consulta de búsqueda real

A diferencia de las palabras clave de concordancia (amplia o de frase), el algoritmo puja basándose en el texto exacto que el usuario redacta, detectando:

• Variaciones semánticas.
• Intenciones comerciales explícitas.
• Consultas informativas de bajo valor.

Ubicación web o placement en Display

En campañas fuera de la red de búsqueda, el sistema analiza el contexto semántico y la reputación del sitio web, blog o aplicación móvil exacta donde se va a renderizar el anuncio, para asegurarse de que el entorno sea afín a la conversión.

Como cuando tus padres cambiaban de canal porque la película era subidita de tono y no tenías edad para ver la escena.

Comportamiento del usuario en el sitio web

Google recopila métricas de interacción agregadas para predecir si el tráfico enviado tiene un comportamiento cualificado, como:

• El número de páginas vistas.
• La profundidad de scroll alcanzada en las páginas clave (fichas de producto, landing de conversión).
• El tiempo de permanencia histórico.
• La tasa de rebote histórica del segmento de tráfico que llega desde ese anuncio o palabra clave.
• La recurrencia en el dominio de destino.
• Las interacciones con elementos específicos de la página (clics en formularios, uso de filtros, apertura de chat).
• El tiempo transcurrido hasta la primera acción relevante tras el aterrizaje (velocidad de engagement).
• El punto del embudo de conversión en el que el usuario abandona la sesión con mayor frecuencia.
• El dispositivo y patrón de navegación cruzado (si el mismo usuario visitó antes desde otro dispositivo).
• Etc.

Atributos del producto en Shopping

El algoritmo de Smart Bidding para comercio electrónico lee en tiempo real el feed de datos enviado a Merchant Center:

• La marca.
• La categoría del producto.
• El tipo de producto.
• El stock disponible para ajustar la puja según la relevancia del artículo.

Competitividad de precio

El sistema sabe que un precio un 20% más caro que la competencia reduce drásticamente la conversión esperada, y ajusta la puja en consecuencia. Porque sabe más el diablo por Smart Bidding que por diablo.

Estacionalidad

El algoritmo detecta picos de demanda del mercado asociados a eventos comerciales (como el Black Friday o las rebajas de verano) o cambios climáticos y estacionales que alteran el volumen de transacciones de ciertos sectores de la noche a la mañana.

Para empezar, vamos a dejar claro que no todas las señales de datos tienen el mismo peso. Como sabemos, el aprendizaje automático de Google Ads es analítico. Es decir, adapta sus modelos matemáticos según la red donde se muestra el anuncio. Por eso mismo, un director de marketing debe entender que la intención de búsqueda requiere un tratamiento algorítmico radicalmente diferente al de un impacto visual en YouTube o una campaña automatizada en Performance Max.

Para que tu estrategia de negocio sea escalable, necesitas comprender qué variables prioriza el modelo de machine learning en cada canal publicitario. De este modo, optimizarás la arquitectura de datos de tu empresa para alimentar al algoritmo exactamente con lo que necesita. Este es el quid de la cuestión. El mojo. Dónde está la chica.

Señales de Smart Bidding en campañas de búsqueda

En la red de búsqueda, el rey absoluto es la intención del usuario y ya os podéis poner cabezones que no nos vais a bajar de la burra. Llegados a este punto, el algoritmo se enfoca de forma masiva en la semántica y el contexto inmediato y las señales críticas que utiliza el sistema se estructuran principalmente en el procesamiento del texto y el momento exacto de la consulta. Por eso muy importante:

• Consulta de búsqueda real: La combinación exacta de palabras y su significado semántico subyacente.
• Cruzamiento de dispositivo y ubicación: Vital para detectar si es una búsqueda de escritorio orientada a B2B o una compra móvil por impulso en la calle.
• Listas de remarketing (RLSA): El historial de interacciones previas dentro del embudo de conversión altera drásticamente la agresividad de la puja.

Señales de Smart Bidding en Shopping

¿Es lo mismo para el comercio electrónico? No tendremos tanta suerte. Y es que para los e-commerce, las señales cambian su enfoque desde la pura semántica hacia los atributos comerciales del producto y la competitividad del mercado. Es decir, diga lo que diga el algoritmo de Google, el precio y la imagen de producto dictan el comportamiento del consumidor en el ecosistema de retail. Y punto.

Eso sí, la elasticidad de los precios afecta al rendimiento del Smart Bidding. Hay que tenerlo en cuenta. Y si no, veámoslo en la siguiente tabla.

Señales de Smart Bidding en Display

Ojo aquí, porque se pasa de capturar la demanda a generarla. El usuario no está buscando activamente tu producto o servicio. Lo mismo ni te conoce. Él está consumiendo contenido en un blog, leyendo prensa o navegando por una aplicación random. Por lo tanto, Smart Bidding desplaza el peso de la decisión hacia la afinidad y el entorno web.

¿Qué variables principales analiza el sistema en este entorno?

• La ubicación web (Placement) y contexto semántico (el algoritmo evalúa si la temática del sitio web guarda una relación estrecha con tu modelo de negocio).
• Comportamiento de navegación y audiencias de afinidad. Es decir, si hay intereses a largo plazo del usuario e intenciones de compra recientes detectadas por Google a través de su red global de navegación.

Señales de Smart Bidding en campañas de vídeo, Demand Gen y Performance Max

Si te gusta Matrix o el multiverso de Dr. Strange en este apartado te vas a sentir como en casa porque aquí la plataforma ya combina múltiples formatos y redes simultáneamente. Para que nos hagamos una idea, Performance Max y Demand Gen actúan como un motor unificado de optimización donde el algoritmo cruza datos cruzados (cross-channel) para encontrar usuarios cualificados a lo largo de todo su customer journey. Y ahora dicho para todos los públicos, hablamos de campañas automáticas de Google que buscan solas, en todos sus canales (YouTube, Gmail, búsqueda, etc), a las personas con más probabilidades de comprarte, sin que tú tengas que decidir dónde ni a quién mostrar el anuncio.

En este mundo multipantalla, las señales se jerarquizan principalmente en torno a los activos disponibles y el engagement previo. Es decir:

• El algoritmo evalúa qué combinación de vídeo, imagen y texto funciona mejor para cada segmento específico.
• Señales de audiencia propias (véase Customer Match e intención de búsqueda previa). Esos son datos de primera mano que hacen que el arranque en frío del machine learning no sea tan frío.

Un algoritmo predictivo es tan bueno como la calidad de los datos con los que se le alimenta. Se podría hacer camisetas con esa frase. Y es que en ingeniería de datos existe un concepto aplicable al growth hacking que dice «Garbage in, garbage out» (quicir, si introduces basura, obtendrás basura). Y para que el Smart Bidding maximice el ROI de tu empresa y estabilice el coste por adquisición, requiere una infraestructura de medición sólida, transparente y libre de errores técnicos.

Si los datos de conversión que llegan a Google Ads están duplicados, incompletos o mal configurados, ten por seguro que el modelo estadístico calculará probabilidades basándose en premisas falsas, porque eso es justamente lo que le has dado, lo que destruirá el margen operativo de tu negocio.

Seguimiento de conversiones

La razón de la automatización Su alpha y omega. La luz de sus ojos. Su todo. Pero cuidado con esto, porque el seguimiento de conversiones requiere la implementación de las conversiones mejoradas (Enhanced Conversions) de Google. ¿De qué estamos hablando? Esta tecnología usa datos que ya tienes de tus clientes (como correos electrónicos o números de teléfono cifrados mediante SHA256) para saber igualmente qué anuncios funcionan, aunque las cookies ya no sirvan para rastrear a la gente. Bienvenidos a 1984. El de Orwell.

Volumen de conversiones

Aunque las redes neuronales de Google son capaces de aprender con volúmenes de datos cada vez menores, la significación estadística sigue siendo una ley matemática inmutable. O lo que es lo mismo, a mayor volumen de datos, mayor precisión predictiva.

Hay que tener en cuenta que la documentación técnica oficial de Google establece unos mínimos recomendados para que los modelos estadísticos alcancen su punto óptimo de madurez operativa según la estrategia de puja seleccionada:

Valor de conversión

Si tú como empresa buscas una optimización avanzada del negocio, ya sabes de sobra que el volumen bruto de leads no es suficiente, se necesita optimizar por rentabilidad. Por eso mismo, al asignar valores dinámicos a las conversiones (por ejemplo, el importe neto del carrito de un e-commerce o el valor estimado de un lead según su scoring en el CRM), Smart Bidding deja de buscar clics baratos y pasa a buscar clientes de alto valor. ¿Cómo? Ajustando las pujas en tiempo real para maximizar el ROAS neto.

Calidad de los eventos de conversión

Como bien dijo Peter Drucker: Lo que no se mide, no se puede gestionar. De ahí que la precisión de la medición defina el éxito de la estrategia.

¿Qué implica esto?

Pues implica limpiar el embudo de eventos que confunden al algoritmo, como puede ser un lead duplicado porque un usuario recarga la página de confirmación. O que se le dé el mismo valor a un clic (que ojo, puede ser accidental) en un botón de WhatsApp que una transacción real. ¿Quieres que el Smart Bidding se ponga a currar como el financiero más eficiente de tu empresa? Filtra el ruido técnico y envíale al pixel señales limpias y cualificadas.

O más fácil, habla con nosotros y dínos qué necesitas.