Luigi.
Πώς μεταφέραμε το Google Ads optimization από το platform UI σε περιβάλλον Power BI analytics — ανεβάζοντας ROAS κατά 53% και σχεδόν διπλασιάζοντας το revenue σε έναν λογαριασμό που ήδη θεωρούνταν optimized.
+50% revenue και +15% ROAS πάνω σε μια ήδη εξαιρετική χρονιά
Το 2019 ήταν ήδη δυνατό για το Luigi: +25% revenue, ώριμος λογαριασμός, με τις κλασικές βελτιστοποιήσεις να έχουν εφαρμοστεί και να αποδίδουν. Στο 2020, όμως, το brief ανέβαζε τον πήχη: +50% revenue year-over-year και ταυτόχρονα +15% υψηλότερο ROAS. Το growth χωρίς efficiency είναι σχετικά απλό. Το growth με καλύτερη efficiency, πάνω σε ένα ήδη ώριμο account, είναι διαφορετικό παιχνίδι.
Σε αυτή τη φάση ωριμότητας, τα εύκολα κέρδη δεν εμφανίζονται στο Google Ads UI. Η πλατφόρμα δείχνει κυρίως aggregate performance ανά campaign ή ad group, όμως τα μεγάλα μοτίβα κρύβονται ένα επίπεδο βαθύτερα: στην αλληλεπίδραση account structure × query performance × bid dynamics × audience segments × time-of-day. Για να τα δεις καθαρά, χρειάζεσαι analytics περιβάλλον που είναι φτιαγμένο για joins και slicing στο granular data — όχι reporting UI που είναι χτισμένο γύρω από την εγγενή ιεραρχία της πλατφόρμας.
Το δεύτερο θέμα ήταν η υγιεινή της εκτέλεσης. Ο λογαριασμός είχε εξελιχθεί οργανικά επί τρία χρόνια και, ακόμη και με επιμελή manual διαχείριση, είχε συσσωρευτεί drift: ασυνέπειες σε naming conventions, ad groups με mixed intent, negative keyword coverage που διέφερε ανάλογα με το πότε είχε στηθεί κάθε κομμάτι. Χρειαζόταν πλήρης αναδόμηση — αλλά αν γινόταν χειροκίνητα, σε έναν χρόνο θα είχε ξανασυσσωρεύσει τα ίδια συμπτώματα. Άρα, η αναδόμηση έπρεπε να είναι αυτοματοποιημένη, για να κρατήσει τα κέρδη διαχρονικά.
Πρώτα αυτοματοποίηση στο restructure, μετά optimization με BI
Βήμα πρώτο: αναδόμηση του account — όχι με spreadsheets και manual changes, αλλά με frontier custom software που αναπτύξαμε in-house. Το software παίρνει ως input το Merchant Center feed και ένα σύνολο structural rules και χτίζει ως output ολόκληρο το Google Ads account: campaigns, ad groups, keyword pools, ad copy και asset associations. Κάθε campaign ακολουθεί το ίδιο programmatic template, άρα το drift κόβεται στη ρίζα και οι μελλοντικές αλλαγές γίνονται idempotent (ασφαλείς επαναλήψεις) αντί για ριψοκίνδυνα refactors.
Βήμα δεύτερο: data layer. Τραβήξαμε account-level performance data μέσω ELT services σε dedicated data warehouse και το ενώσαμε με GA4 revenue data, Merchant Center catalog state και first-party order data από το eshop. Το warehouse έγινε single source of truth. Μόλις το reporting μεταφέρθηκε από το Google Ads UI στο warehouse, εμφανίστηκαν καθαρά μοτίβα που η πλατφόρμα δεν μπορεί να αναδείξει από μόνη της: keyword-level query waste, κενά αποδοτικότητας ανά ώρα, cross-campaign cannibalization, διαφοροποιήσεις ROAS ανά audience.
Βήμα τρίτο: optimization loop. Μέσα από Power BI dashboards μετατρέψαμε τα warehouse signals σε εβδομαδιαίες ενέργειες: ποια negative keywords πρέπει να μπουν, ποια day-parts να περιοριστούν, ποια audiences να σπάσουν, ποια campaigns να ενοποιηθούν. Κάθε ενέργεια καταγράφεται, εκτελείται και μετριέται σε baseline. Έτσι ο κύκλος κλείνει πολύ πιο γρήγορα από οποιοδήποτε manual workflow και, εβδομάδα με την εβδομάδα, το account πλησιάζει μετρήσιμα το θεωρητικό του efficiency ceiling.
Το platform UI δεν αρκεί
Automated Restructure
Custom software ανακατασκεύασε ολόκληρο το Google Ads account programmatically από το Merchant Center feed — ίδια πηγή, απόλυτη ομοιομορφία, μηδενική χειροκίνητη εργασία. Αυτό έγινε το baseline για κάθε optimization που ακολούθησε, ενώ η δυνατότητα idempotent rebuild σημαίνει ότι τα μελλοντικά refactors εκτελούνται με μία εντολή αντί για μια εβδομάδα manual δουλειάς.
ELT Pipeline
ELT jobs κάνουν extract καθημερινά Google Ads performance data σε data warehouse μαζί με GA4, Merchant Center και first-party order data. Το join key — campaign × query × audience × hour — αποκαλύπτει patterns που κανένα single-platform report δεν μπορεί να δει. Το warehouse κατέχει τα δεδομένα· η πλατφόρμα γίνεται το execution layer.
Power BI Analytics Loop
Power BI dashboards μεταφράζουν τα warehouse signals σε εβδομαδιαίες ενέργειες optimization — query waste προς εξάλειψη, cannibalization προς επίλυση, audience ROAS gaps προς κλείσιμο. Κάθε ενέργεια καταγράφεται και μετριέται σε baseline, ώστε ο κύκλος να κάνει compound: κάθε εβδομάδα το account πλησιάζει το θεωρητικό efficiency ceiling του.
Τα Αποτελέσματα
Revenue Growth
Το revenue αυξήθηκε +94% year-over-year, σχεδόν 2x πάνω από τον στόχο του brief (+50%). Το lift προήλθε από BI-driven optimization actions που δεν βγαίνουν από το Google Ads UI — κυρίως γύρω από την εξάλειψη query waste και τη διόρθωση cross-campaign cannibalization.
Transactions
Τα transactions ανέβηκαν +72%, με πιο σφιχτή αποδοτικότητα χάρη στην απομάκρυνση query waste και στη διόρθωση audience cannibalization. Το order value κινήθηκε και ελαφρώς ανοδικά, καθώς πιο στοχευμένα audiences έτειναν να μετατρέπονται σε υψηλότερου margin SKUs.
ROAS Lift
Το ROAS αυξήθηκε κατά +53% — πάνω από 3x σε σχέση με τον στόχο (+15%) — δείχνοντας ότι το BI-driven optimization ξεπερνά μετρήσιμα αυτό που είναι εφικτό μόνο μέσα από το Google Ads UI. Το gap μεταξύ των δύο περιβαλλόντων είναι πραγματικό, ποσοτικοποιείται και μεγαλώνει με τον χρόνο.
Account Uniformity
Μετά το restructure, κάθε campaign, ad group, keyword και ad ακολουθεί το ίδιο programmatic template. Τα μελλοντικά refactors είναι idempotent και single-click — άρα το account μπορεί να εξελίσσεται χωρίς να ξαναχτίζει το drift που περιόριζε την προηγούμενη χρονιά.
Έτοιμοι να σπάσουμε το ταβάνι του Google Ads UI;
Ας περάσουμε τα ad data σας μέσω ELT σε ένα σωστό BI περιβάλλον και ας βρούμε τους ROAS μοχλούς που η πλατφόρμα δεν αποκαλύπτει.
Start a conversation