Audience Overlap là gì? Cách tránh các nhóm quảng cáo cạnh tranh nhau

Audience overlap (trùng lặp đối tượng) là khi cùng một người nằm trong nhiều tệp đối tượng mà các chiến dịch hoặc nhóm quảng cáo của bạn đang nhắm tới cùng lúc. Ví dụ tệp “quan tâm làm đẹp”, tệp “nữ 25–40 ở quận 1” và tệp “người đã tương tác fanpage” của một spa có thể chứa phần lớn là cùng những người.

Trùng lặp không phải lúc nào cũng xấu. Nó thành vấn đề khi các nhóm trùng nhau cùng mục tiêu, cùng thông điệp và cùng tranh một người: nền tảng phải chọn giữa quảng cáo của chính bạn, dữ liệu học bị chia nhỏ, và bạn không biết nhóm nào thật sự hiệu quả. Bài customer segmentation nói về cách chia khách; bài này nói về việc giữ các phân khúc đó không giẫm lên nhau khi chạy quảng cáo.

Vì sao trùng đối tượng gây hại

• Tự cạnh tranh trong phân phối: trên các nền tảng đấu giá, khi nhiều nhóm quảng cáo của cùng nhà quảng cáo đủ điều kiện cho cùng một người, hệ thống thường chỉ cho một nhóm vào đấu giá. Nhóm còn lại có thể bị phân phối kém mà không rõ lý do.
• Dữ liệu học bị chia vụn: mỗi nhóm nhận ít kết quả hơn, nên hệ thống tối ưu học chậm hơn so với khi gộp chung.
• Tần suất cộng dồn: mỗi nhóm có thể có tần suất vừa phải, nhưng một người nằm trong ba nhóm thì thấy thương hiệu gấp ba — trần frequency capping đặt riêng cho từng nhóm không chặn được chuyện này.
• Báo cáo khó tin: một đơn hàng có thể được nhiều nhóm “nhận công”, và so sánh giữa các nhóm mất ý nghĩa.

Dữ liệu cần chuẩn bị

• Danh sách mọi chiến dịch và nhóm quảng cáo đang chạy: mục tiêu, tệp nhắm, khu vực, loại trừ, ngân sách.
• Quy mô ước tính của từng tệp do nền tảng hiển thị khi tạo nhóm quảng cáo.
• Các tệp tuỳ chỉnh: người tương tác fanpage, người xem video, khách vào website, danh sách khách hàng tải lên (nếu có — việc tải lên phải có cơ sở hợp pháp và tuân thủ quy định về dữ liệu cá nhân).
• Số liệu reach, tần suất, chi phí mỗi kết quả theo từng nhóm.

Quy trình xử lý audience overlap 6 bước

Bước 1. Lập bản đồ đối tượng

Viết ra một bảng: mỗi dòng là một nhóm quảng cáo, các cột là khu vực, độ tuổi, sở thích hoặc tệp tuỳ chỉnh, loại trừ, mục tiêu. Đặt các dòng cạnh nhau, những cặp có khu vực trùng và điều kiện gần giống sẽ lộ ra ngay. Với doanh nghiệp địa phương chạy bán kính nhỏ, gần như mọi tệp dựa trên sở thích đều trùng nhau nặng, vì tổng số người trong khu vực vốn đã ít.

Bước 2. Xác định mục tiêu từng nhóm

Gán mỗi nhóm một vai trò trên hành trình khách hàng: tìm người mới, nhắc người đã quan tâm, bán thêm cho khách cũ. Hai nhóm cùng vai trò nhắm cùng khu vực thường nên gộp. Hai nhóm khác vai trò thì giữ, nhưng phải phân ranh giới bằng loại trừ. Nếu không nói được một nhóm tồn tại để làm gì khác nhóm bên cạnh, đó là dấu hiệu nó thừa.

Bước 3. Đo mức trùng

Một số nền tảng có công cụ so sánh các tệp đã lưu để xem phần trăm trùng; tên và vị trí công cụ thay đổi theo thời gian, nên kiểm tra trong phần quản lý đối tượng của tài khoản. Nếu không có công cụ, dùng tín hiệu gián tiếp: cộng reach của các nhóm rồi so với reach của cả chiến dịch — tổng các phần lớn hơn nhiều so với tổng thể nghĩa là trùng nhiều. Trạng thái phân phối kém hoặc thông báo liên quan đến trùng lặp đấu giá cũng là tín hiệu.

Bước 4. Dùng loại trừ hợp lý

Loại trừ là công cụ chính: chiến dịch tìm khách mới loại trừ người đã tương tác và khách đã mua; chiến dịch nhắm lại loại trừ người đã mua trong khoảng gần đây. Đừng loại trừ quá tay — mỗi loại trừ làm tệp nhỏ lại, và tệp quá nhỏ sẽ khiến chi phí tăng. Cũng lưu ý khi dùng các chế độ nhắm đối tượng mở rộng tự động, nền tảng có thể coi một số lựa chọn của bạn là gợi ý; kiểm tra xem loại trừ có còn được áp dụng chặt hay không trong tài liệu của nền tảng.

Bước 5. Hợp nhất nhóm quá nhỏ

Nhiều nhóm nhỏ, mỗi nhóm vài chục nghìn đồng mỗi ngày, cộng lại thành một cấu trúc mà không nhóm nào đủ dữ liệu để tối ưu. Gộp các nhóm cùng vai trò thành một nhóm lớn hơn với tệp rộng hơn, rồi thử sự khác biệt bằng mẫu quảng cáo thay vì bằng tệp đối tượng — cách tổ chức vòng thử có trong bài creative testing. Nền tảng quảng cáo hiện nay tự tìm người phù hợp trong tệp rộng khá tốt khi có đủ tín hiệu chuyển đổi; việc của bạn là cho nó nội dung đa dạng.

Bước 6. Theo dõi chi phí và reach

Sau khi tái cấu trúc, so sánh với giai đoạn trước: reach tổng có tăng với cùng ngân sách không, tần suất trung bình có giảm không, chi phí mỗi kết quả thay đổi thế nào. Cho hệ thống vài ngày học lại trước khi đánh giá, vì mọi thay đổi lớn đều làm số liệu dao động giai đoạn đầu. Ghi lại cấu trúc cũ và mới vào nhật ký để có thể quay lại nếu cần.

Ví dụ thực hành: trung tâm tiếng Anh ở Cần Thơ

Ví dụ giả định: một trung tâm tiếng Anh thiếu nhi chạy bốn nhóm quảng cáo cùng một video tuyển sinh, cùng khu vực nội thành: “phụ huynh quan tâm giáo dục”, “quan tâm tiếng Anh”, “người đã tương tác fanpage”, “bố mẹ có con tiểu học”. Ba nhóm đầu có chi phí mỗi tin nhắn chênh nhau lớn, và nhóm thứ tư gần như không tiêu được tiền.

Sau khi gộp, trung tâm so sánh các video với nhau trong cùng một nhóm thay vì so các tệp gần giống nhau. Nội dung nhắm tới phụ huynh cũng cần thận trọng: không hứa điểm số hay kết quả đầu ra, và không dùng dữ liệu của học sinh là trẻ em cho quảng cáo. Ví dụ này minh hoạ cách tái cấu trúc, không phải kết quả thực tế.

AI làm được gì, không làm được gì

• Làm tốt: đọc bảng bản đồ đối tượng bạn dán vào và chỉ ra cặp nhóm có điều kiện gần giống; đề xuất cấu trúc gộp và danh sách loại trừ; viết biến thể nội dung để thay thế việc chia tệp.
• Làm kém: ước tính phần trăm trùng giữa hai tệp — con số đó chỉ nền tảng quảng cáo biết.
• Không làm được: thấy tài khoản quảng cáo của bạn nếu bạn không xuất số liệu, hay biết loại trừ có được nền tảng áp dụng chặt hay không.

Sai lầm thường gặp

• Chia tệp theo sở thích quá chi tiết ở khu vực nhỏ, tạo ra nhiều nhóm gần như giống hệt nhau.
• Không loại trừ khách đã mua khỏi chiến dịch tìm khách mới.
• Loại trừ chéo quá nhiều đến mức tệp còn lại quá nhỏ để phân phối.
• So sánh hiệu quả giữa các nhóm trùng nhau rồi kết luận nhóm này tốt hơn nhóm kia.
• Tái cấu trúc liên tục, không để hệ thống kịp học.

Câu hỏi thường gặp