很多廣告主抱怨 Smart Bidding 效果爛,換了幾次出價策略還是沒改善,最後得出結論:「AI 出價不適合我們。」
但如果你問我,問題十之八九不在 AI,而在帳戶架構本身。
就像你買了一台跑車,卻一直在泥土路上開——油門踩死也跑不快,不是車子的問題,是路的問題。Google 的機器學習系統需要足夠的數據、清晰的訊號、適當的結構,才能真正發揮效果。帳戶架構設計不對,AI 就是在沒有地圖的狀態下摸索。
這篇文章不談要選哪種出價策略,而是更底層的問題:帳戶的地基打好了嗎?
為什麼帳戶架構會影響 AI 學習效果?
Google AI 出價系統學習的原材料是轉換數據。每次用戶點擊廣告後完成轉換,系統就多了一筆訓練資料,學到「這種人、在這個情境下,比較容易轉換」。
問題來了:如果你把預算和流量分散在太多個廣告活動裡,每個活動單獨看都只有零星的轉換數,系統根本找不到統計規律。一個月只有 8 次轉換的廣告活動,和一個月有 80 次轉換的廣告活動,AI 學習速度差了十倍以上。
除了數據量,架構還影響另一件事:轉換訊號的完整性。如果你的轉換追蹤設置不完整,AI 只看得到部分的真實轉換,等於是用殘缺的地圖導航。
說白了,AI 出價系統有多聰明,取決於你餵給它多少「好」的數據。
過度細分廣告活動,是最常見的 AI 學習殺手
幾年前,Google Ads 的最佳做法是盡量細分廣告活動——品牌詞一個活動、競品詞一個活動、產品 A 一個活動、產品 B 一個活動、行動裝置一個活動、電腦一個活動⋯⋯分得越細,管理越精確,這個邏輯在手動出價時代是對的。
但進入 AI 出價時代,這個邏輯反過來了。
過度細分的後果:
- 每個活動的轉換量都很少,AI 始終在「學習期」打轉
- 系統看不到跨活動的整體轉換模式
- 你花更多時間管理更多活動,但每個活動的 AI 都半殘
我們為一家電商客戶做過一次帳戶重構:把原本 20 個廣告活動整合成 5 個,按照產品大類而非細項來分組。重構後不到 6 週,轉換成本下降了 28%,同期流量沒有明顯減少。
這不是個案。整合帳戶架構、讓 AI 看到更完整的數據,是目前最確實的提效方式之一。
什麼時候該分開?什麼時候該合併?
| 該分開的情況 | 該合併的情況 |
|---|---|
| 轉換目標完全不同(如:購買 vs 詢問) | 受眾特徵相近,只是產品細項不同 |
| 地理市場有實質差異(如:台灣 vs 海外) | 為了「整齊」而分的活動 |
| 出價策略根本不同(如:Lead Gen vs 電商) | 每個活動月轉換量都低於 20 次 |
| 品牌詞 vs 非品牌詞(避免品牌詞稀釋成本) | 行動 vs 電腦(AI 自己會處理設備出價調整) |
廣告活動結構:AI 時代的關鍵字分組原則
廣泛相符 + 智慧出價,才是 AI 設計的配對
在手動出價時代,廣泛相符幾乎是禁忌——它會比對到一堆不相關的搜尋詞,讓你浪費預算。但 Smart Bidding 改變了這個方程式。
智慧出價系統能夠即時評估每次搜尋的轉換可能性。就算是廣泛相符觸發的搜尋詞,如果系統判斷這個用戶不太可能轉換,它就不會積極出價,自然就不會亂燒錢。
Google 官方現在的建議組合是:廣泛相符 + tCPA 或 tROAS。這個組合讓 AI 有最大的彈性去找到高轉換意圖的用戶,而不是被你手動圈的關鍵字清單限制住。
當然,完全相符仍然有用——主要是在你要完全掌控哪些搜尋詞觸發廣告、品牌詞保護、或是帳號數據還不夠多的早期階段。
廣告群組數量建議
每個廣告活動的廣告群組不要太多,建議 3-8 個。群組太多的壞處跟活動太多一樣:每個群組的數據都被稀釋,AI 更難找到規律。
如果你現在有一個活動裡放了 20 個廣告群組,值得思考:這些群組是真的主題差異很大,還是只是當初方便管理而這樣分?
廣告素材的數量與品質
每個廣告群組至少要有 3-5 個回應式搜尋廣告(RSA),並且確保每個廣告的標題和說明夠豐富(15 個標題、4 個說明盡量填滿)。
AI 需要足夠的素材變化組合才能學習哪種訴求對哪種受眾有效。如果一個群組只有 1 個廣告、只有 5 個標題,AI 可以測試的排列組合非常有限。
轉換追蹤:AI 出價的燃料
至少需要多少轉換量,AI 才能有效學習?
這是最常被問到的問題,直接回答:
- Maximize Conversions(最大化轉換):月 15+ 次轉換可以開始,但 30 次以上效果才比較穩定
- Target CPA(tCPA):建議月 30+ 次轉換再啟用,否則目標值很難達到
- Target ROAS(tROAS):建議月 50+ 次轉換,且轉換價值要有意義的差異
數據量不夠時,不要硬上 tCPA 或 tROAS,先用 Maximize Conversions 讓系統學習,等轉換量上來再切換。
轉換目標的優先序設定
很多帳戶的轉換目標設定是一鍋粥——表單送出、電話點擊、頁面停留、加入購物車、完成購買,全部都標記為轉換,權重一樣。
這對 AI 是災難。系統會去優化「最容易發生」的轉換,也就是最淺層的行為(如:頁面停留),而不是你真正在意的(如:完成購買)。
正確的設定方式:
- 主要轉換目標:只放真正的業務轉換(購買、表單送出、電話成交),這些才會影響出價
- 次要轉換目標(觀察):中間步驟的指標(加入購物車、觀看影片),僅供觀察,不影響出價
- 轉換視窗:服務業建議延長到 30-60 天,因為考慮周期較長
一個常見的錯誤是把「頁面停留 60 秒」設成主要轉換。這個信號太容易達成,AI 會大量出價給那些會隨便滑幾下頁面的人,轉換成本看起來很低,實際訂單卻沒有增加。
資料匯聚:讓 AI 看到完整的轉換路徑
現代的購買路徑很少是直線的:用戶可能第一次從廣告點進來沒買、隔幾天從自然搜尋回來、再過幾天才下單。如果你的轉換追蹤只計算「點廣告後立刻轉換」,AI 就只看到了部分真相。
強化資料匯聚的做法:
- 啟用增強型轉換(Enhanced Conversions):把 hashed email/電話等第一方資料傳回 Google,改善跨設備和跨瀏覽器的轉換歸因
- 設定合理的歸因模型:建議用「資料導向歸因(Data-driven attribution)」而非最後點擊,讓 AI 了解不同接觸點的貢獻
- 串接 Google Analytics 4:把 GA4 的轉換導入 Google Ads,補充廣告系統本身追蹤不到的轉換
實戰案例:台灣 B2B 公司的帳戶重構
某台灣 B2B 軟體公司,主要產品是 ERP 系統,月預算約 NT$15 萬。原本的帳戶架構是這樣的:
- 18 個廣告活動(按產品功能細分)
- 每個活動月轉換量 2-5 次(填寫諮詢表單)
- 使用 tCPA,但系統長期在學習期,效果不穩定
重構方向:
- 把 18 個活動合併成 4 個(核心產品、行業解決方案、競品比較、品牌詞)
- 重新設定轉換目標,只保留「送出諮詢表單」為主要轉換
- 暫時切換到 Maximize Conversions,讓系統先累積數據
- 啟用增強型轉換,補充跨設備的轉換記錄
3 個月後的結果:月轉換量從分散的 30 次(加總)增長到集中的 52 次,tCPA 重新啟用後系統運作穩定,整體詢問成本下降約 22%。
關鍵不是預算增加,而是讓 AI 能夠「看清楚」。
AI-Ready 帳戶自我檢核
在調整帳戶架構之前,先用以下清單評估現況:
廣告活動層級
- 每個活動月轉換量是否超過 20 次?
- 是否有多個活動轉換目標重疊,可以合併?
- 是否使用了廣泛相符 + 智慧出價的組合?
轉換追蹤層級
- 主要轉換目標是否只包含真正的業務轉換?
- 是否啟用增強型轉換?
- 歸因模型是否已從最後點擊切換到資料導向?
廣告素材層級
- 每個廣告群組是否有 3 個以上的 RSA?
- 廣告標題是否盡量填滿 15 個選項?
如果你在帳戶結構面有疑問,可以先讀一下 Google Ads 帳戶基礎架構指南,了解各層級的基本概念,再來思考合併和整合的策略。關於智慧出價各策略的詳細比較,可以參考 Google Ads AI 智慧出價完整解析。
如果轉換追蹤設定本身有問題,架構再好也沒用——建議先看看 Google Ads 轉換追蹤完整設定指南,確保數據基礎是正確的。
結語
AI 出價不是設定好就不用管的黑盒子,也不是帳戶架構不對時的救星。它是一個需要你「準備好環境」才能發揮作用的工具。
把帳戶想成 AI 的工作場所:轉換數據是訓練材料,廣告活動結構是工作流程的規劃,轉換追蹤是資訊的傳遞渠道。任何一個環節設計不好,AI 就算再聰明也使不上力。
先把架構的地基打好,AI 出價才真的有機會幫你省錢、帶量。