אפשרויות הטירגוט של מודעות TikTok, מוסבר

רוב המפרסמים החדשים מניחים שהטירגוט ב-TikTok עובד כמו מנוע חיפוש: בוחרים את תחומי העניין הנכונים והאנשים הנכונים מופיעים. אבל המציאות של איך אפשרויות הטירגוט של מודעות TikTok באמת פועלות קרובה יותר ללמד אלגוריתם מאשר למלא פילטר.

אפשרויות הטירגוט של TikTok: Core מול Custom

טירגוט בסיסי (דמוגרפי)

השכבה הבסיסית ביותר: גיל, מגדר, מיקום ושפה. שימושי כדי להחריג קבוצות שברור שלא רלוונטיות, אבל לרוב לא מדויק מספיק לבד כדי להניב תוצאות חזקות.

טירגוט תחומי עניין והתנהגות

TikTok מסווגת משתמשים לפי תחומי עניין בתוכן, כמו אופנה, גיימינג או כושר, ולפי התנהגויות באפליקציה, כמו אינטראקציות עם סרטונים, אינטראקציות עם מודעות ואינטראקציות עם יוצרים. השכבה הזו מצמצמת קהל עוד יותר, אבל עדיין מתארת קבוצה רחבה של אנשים ולא לקוחות מוכרים.

Custom Audiences

נבנות מהנתונים של העסק עצמו: מבקרים באתר שנעקבו על ידי ה-Pixel, רשימת לקוחות שהועלתה ישירות, אנשים שהתעסקו עם סרטוני TikTok או החשבון של המותג, או פעילות באפליקציה. זו שכבת הטירגוט הראשונה שמבוססת על אינטראקציה אמיתית עם העסק ולא על קטגוריות עניין כלליות.

Lookalike Audiences

נבנות מ-Custom Audience מקור, רצוי רוכשים מהעבר, Lookalike Audiences מבקשות מ-TikTok למצוא משתמשים חדשים עם מאפיינים ודפוסי התנהגות דומים, ברמת דמיון שאפשר לכוונן, מצר יותר אך קרוב יותר, ועד רחב יותר אך רופף יותר.

טירגוט אוטומטי מול טירגוט ידני

TikTok דוחפת יותר ויותר מפרסמים לכיוון Automatic Targeting, שבו האלגוריתם מחליט מי רואה מודעה על סמך אירוע האופטימיזציה בלבד, בלי שום פילטר תחומי עניין או דמוגרפיה שהוגדר ידנית. זה נוטה להצליח יותר מטירגוט ידני ברגע שלפיקסל יש מספיק נתוני רכישה רשומים, אבל יכול לתפקד פחות טוב בהתחלה, לפני שיש סיגנל אמיתי ללמוד ממנו.

גודל קהל מינימלי בפועל

TikTok ממליצה בדרך כלל לשמור על קהל זכאי בגודל של מאות אלפים לפחות בכל קבוצת מודעות, כי קהל מסונן מדי בן כמה אלפי אנשים בלבד מתרוקן מהר מאוד ומכריח את האלגוריתם להציג את אותה מודעה שוב ושוב לאותה קבוצה קטנה. כשצירוף של פילטרים לפי תחומי עניין, התנהגות ודמוגרפיה מצמצם את החשיפה יותר מדי, הסרת פילטר אחד בדרך כלל אפקטיבית יותר מהעלאת התקציב.

כמה רחב הטירגוט באמת צריך להיות?

• בשבוע-שבועיים הראשונים של קמפיין חדש, טירגוט רחב יותר בדרך כלל עוזר לאלגוריתם למצוא את מקומו מהר יותר מקהל צר ומסונן יתר על המידה.
• ברגע שקיים Custom Audience של רוכשים, Lookalike שנבנה ממנו בדרך כלל מנצח טירגוט מבוסס תחומי עניין ליעד Conversions.
• החרגת לקוחות קיימים מקמפייני רכישת לקוחות שומרת על תקציב ממוקד ברוכשים באמת חדשים ולא באנשים שכבר ממירים אורגנית.
• חפיפה בין קהלים בכמה קבוצות מודעות שונות יכולה לגרום לקמפיינים של אותו עסק להתחרות אחד בשני במכרז, שווה לבדוק מדי פעם.

רענון קהלים ככל שהעסק גדל

Custom Audience או Lookalike שנבנו פעם אחת בהקמה מתיישנים בשקט ככל שבסיס הלקוחות גדל ומשתנה עם הזמן. בנייה מחדש של קהלי המקור מתוך הרוכשים של כמה החודשים האחרונים, במקום הסתמכות על רשימה סטטית מיום ההשקה, שומרת על Lookalikes שמתאימים למי שהעסק באמת מוכר לו היום, לא למי שמכר לו לפני שנה שלמה.

טעויות נפוצות בטירגוט מודעות TikTok

• ערימת יותר מדי פילטרים של תחומי עניין והתנהגות, עד שהקהל הזכאי נהיה קטן מדי בשביל שהאלגוריתם יספק ביעילות.
• בניית Lookalike Audience מרשימת מקור קטנה מדי או כללית מדי, כמו כל מבקרי האתר במקום רוכשים בפועל.
• אי חזרה ל-Custom Audiences ככל שהעסק גדל, והרצת מודעות מול רשימת לקוחות שכבר שנה לא עודכנה.
• מעבר תכוף מדי בין טירגוט אוטומטי לידני, מה שמאפס חלק מהלמידה של האלגוריתם בכל פעם.
• הגדרת קהל מסונן כל כך צר שהוא יורד מתחת לגודל המינימלי המומלץ של TikTok, ואז האשמת הטירגוט בבעיה שהיא בעצם בעיית חשיפה.

לכוון את הטירגוט נכון זה רק חצי מהעבודה, החצי השני הוא לעקוב איזה סגמנט קהל באמת ממיר ברווחיות היום ולהזיז תקציב לכיוונו לפני שההוצאה נודדת לסגמנט שהפסיק לעבוד. את ההשוואה היומית הזו AGUDOT מייתרת, קוראת מדדי קמפיין אמיתיים מחשבונות ה-TikTok, Facebook ו-Google של העסק כל יום, ומתאימה הוצאה אוטומטית מול התקציב שבעל העסק קבע.