Agensi pemasaran AI untuk kedai e-dagang: cara memilih

Agensi pemasaran AI untuk kedai e-dagang ialah agensi yang mengendalikan lapisannya sendiri di atas platform iklan, disambungkan kepada data margin, stok, pemulangan dan nilai pelanggan. Ia tidak mengoptimumkan untuk klik murah atau ROAS yang dilaporkan, tetapi untuk keuntungan setiap pesanan. Anda mengesahkannya dengan bertanya dari mana datangnya data margin dan bagaimana mereka mengukur inkrementaliti.

Mengapa soalan ini berubah dalam dua tahun terakhir

Tidak lama dahulu, anda membeli pelaksanaan daripada agensi. Seseorang duduk di dalam akaun, menambah kata kunci, menyingkir pertanyaan dan menggerakkan bidaan secara manual. Kerja itu kini sebahagian besarnya telah berpindah kepada automasi platform, dan automasi itu melakukannya dengan baik. Google dan Meta mempunyai model yang melihat isyarat yang tidak akan pernah dilihat oleh sesiapa pun di dalam hamparan.

Dengan itu, soalan yang patut ditanya oleh pemilik kedai e-dagang turut berubah. Bukan sama ada agensi tahu menyediakan kempen, tetapi data apa yang dihantar kepada kempen itu dan bagaimana mereka tahu ia berkesan.

Kemudian datang anjakan kedua, dalam keterlihatan. Ahrefs mengukur pada Februari 2026 penurunan kadar klik sebanyak 58 % bagi pertanyaan dengan AI Overviews, manakala bahagian carian tanpa klik di AS mencapai 58,5 % (ringkasan kajian: https://arvow.com/blog/ai-overviews-statistics-2026). Data produk, kandungan dan feed telah menjadi lapisan yang sama untuk keterlihatan organik dan berbayar. Kedua-duanya tidak lagi boleh diuruskan sebagai dua projek berasingan.

Apa yang membezakan agensi pemasaran AI daripada agensi yang sekadar memakai alat AI

Ini dua perkara berbeza, dan dalam SERP kedua-duanya bercampur menjadi satu. Yang pertama ialah AI di dalam platform: Smart Bidding, Performance Max, Advantage+. Ia sangat baik dalam apa yang dilakukannya, iaitu membeli ruang iklan dalam masa nyata. Namun ia mempunyai satu batasan yang bukan kecacatan. Ia mengoptimumkan tepat kepada apa yang anda hantar kepadanya.

Yang kedua ialah lapisan AI di atas platform. Lapisan ini tidak bersaing dengan bidaan, ia menentukan isyarat apa yang masuk ke dalamnya. Ia melihat SKU, harga belian, penghantaran, yuran pembayaran, kadar pemulangan dan nilai pelanggan berulang. Lapisan yang sama kemudian mengawal feed produk, tajuk dan kreatif, kerana di situlah tuas paling besar.

Perbezaannya boleh diukur, bukan falsafah. Jika anda menghantar nilai pesanan kepada platform, ia belajar mencari pesanan. Jika anda menghantar keuntungan selepas pemulangan, ia belajar mencari keuntungan. Dalam kebanyakan kedai e-dagang yang kami lihat, kedua-duanya bukan produk yang sama.

Apa kata data

Mengoptimumkan untuk keuntungan bukan helah agensi, ia fungsi yang disokong secara rasmi. Google Ads mengira untung kasar sebagai hasil tolak COGS dan memerlukan atribut cost_of_goods_sold di dalam feed Merchant Center (https://support.google.com/google-ads/answer/14943482). Pelaporan margin hanya berfungsi bersama Conversions with Cart Data, iaitu penghantaran kandungan troli pada peringkat SKU (https://support.google.com/sa360/answer/13424777). Sama ada ia disambungkan, atau tidak. Ia boleh disahkan dalam sepuluh minit.

Lapisan kedua ialah pemulangan. NRF melaporkan bahawa kira-kira 19,3 % pesanan dalam talian dipulangkan, dan bagi pakaian antara 20 hingga 40 % (https://nrf.com/research/2025-retail-returns-landscape). Google menyediakan conversion adjustments jenis RESTATE dan RETRACT dengan tetingkap 55 hari dari penukaran asal (https://support.google.com/google-ads/answer/7686447). Tanpanya, algoritma belajar daripada hasil yang sebenarnya tidak pernah dimiliki oleh kedai itu.

Perkara ketiga ialah pengukuran sumbangan sebenar. Eksperimen klasik eBay yang diterbitkan dalam Econometrica menunjukkan bahawa bagi carian yang mengandungi perkataan eBay, kira-kira 99,5 % trafik daripada iklan jenama berbayar akan tetap datang tanpa iklan itu. Dalam set data yang lebih baharu merangkumi 225 ujian geo bagi jenama DTC, carian jenama mencatatkan median ROAS inkremental 0,70x, iaitu di bawah paras pulangan modal (https://searchengineland.com/incrementality-testing-advertising-winners-losers-442852). Google sendiri mengeluarkan Meridian dan pada Mei 2026 Meridian GeoX, eksperimen geo terbuka yang hasilnya menentukur model. Itu satu pengakuan bahawa atribusi semata-mata tidak memadai untuk keputusan belanjawan.

Dan perkara keempat, yang paling mengejutkan ramai orang. Nielsen, dalam analisis kira-kira 500 kempen, mengaitkan 47 % sumbangan iklan kepada jualan dengan kreatif, manakala penyasaran hanya 9 % (https://www.marketingcharts.com/advertising-trends-230468). Jadi tuas terbesar bukan bidaan. Ia kelajuan anda menguji kreatif dan data produk.

Pendirian kami

Konsensus dalam industri mengatakan bahawa AI perlu dikekang dengan isyarat manual, audiens dan pengecualian, dan bahawa metrik pemandu ialah ROAS atau CPA. Kami berpendapat sebaliknya dalam kedua-dua perkara, dan kami ada sebabnya.

Pertama. Kurangkan sekatan pada isyarat, perbaiki input dengan lebih rajin. Optmyzr menganalisis 9 199 akaun dan 24 702 kempen Performance Max. Audience signals digunakan oleh 92 % pengiklan dan akaun mereka mencatat prestasi lebih lemah dalam kebanyakan metrik, search themes digunakan oleh 71 % dengan kesan yang kebanyakannya negatif, dan 58 % pengiklan mencapai keputusan sama atau lebih baik tanpa sebarang pengecualian (https://www.optmyzr.com/blog/performance-max-2025-updates-study-analysis/). Apabila platform menerima isyarat keuntungan yang bersih, ia tidak perlu sesiapa dari luar meneka audiensnya.

Kedua. Metrik pemandu sepatutnya keuntungan setiap pesanan selepas pemulangan dan penghantaran, bukan hasil jualan. Dalam katalog yang kami teliti, margin kasar antara kategori lazimnya berbeza sehingga tiga kali ganda. Belanjawan kemudian mengalir secara sistematik kepada produk berhasil tinggi bermargin rendah, sementara laporan kelihatan cemerlang. Inilah satu-satunya sebab enjin kami wujud sebagai lapisan berasingan di atas Google, Meta dan TikTok. Bukan kerana platform melakukan sesuatu yang salah, tetapi kerana mereka langsung tidak tahu tentang harga belian dan pemulangan anda sehingga kami memberitahunya.

Ketiga. Bukan AI lawan manusia, tetapi pengukuran bebas di atas platform. Meta melaporkan lif kira-kira 46 % apabila mengoptimumkan untuk penukaran inkremental, sebaliknya set data bebas Haus daripada 640 ujian inkremental sepanjang 18 bulan menyatakan bahawa 58 % jenama mencatat ROI inkremental lebih tinggi pada kempen manual, dan bahawa automasi melebihkan sumbangannya sendiri kira-kira 12 mata peratusan (https://news.marketecture.tv/p/meta-advantage-plus-and-incrementality-findings-from-640-tests-2d1d). Kedua-dua angka itu boleh jadi benar, cuma ia mengukur akaun yang berbeza. Sebab itu kami tidak mempercayai mana-mana satu pun tanpa ujian pada data anda sendiri.

Angka yang boleh kami buktikan adalah konkrit. Pada kedai e-dagang Zlatá Putňa kami melihat kenaikan hasil sebanyak 45,8 % dan keterlihatan 574 %, pada Jankiv Siblings +583 % engagement, pada Domintell +272 % pelawat. ROAS sehingga +300 % ialah had atas yang pernah kami capai, bukan purata dan bukan janji. Kami mencapainya pada katalog dengan data margin yang baik dan ruang untuk menambah belanjawan. Pada kedai yang margin tidak wujud dalam sistem, kami tidak menjanjikan hasil sebegitu.

Cara melakukannya: tujuh langkah dan lima soalan

Susunan langkah bukan sewenang-wenangnya, setiap langkah berdiri di atas langkah sebelumnya.

1. Masukkan COGS ke dalam feed. Google secara jelas membenarkan anggaran juga, contohnya 80 % daripada harga, supaya pelaporan boleh bermula. Ketepatan boleh ditambah kemudian.

2. Aktifkan penghantaran kandungan troli. Tanpa data pada peringkat SKU, margin tidak boleh diukur.

3. Sambungkan pemulangan melalui conversion adjustments. Pada kadar pemulangan 20 %, ini pembetulan paling murah dalam keseluruhan akaun.

4. Tambahkan nilai pelanggan. Customer lifecycle goals dan mod New Customer Value mampu menambah nilai tambahan kepada pembelian pertama pelanggan baharu (https://support.google.com/google-ads/answer/12080169).

5. Kemaskan feed dan data produk. Tajuk, atribut, GTIN, imej. Kerja yang sama turut menaikkan keterlihatan organik.

6. Percepatkan kreatif. Jika Nielsen mengaitkan 47 % pengaruh dengan kreatif, bilangan varian yang diuji setiap bulan ialah KPI yang nyata.

7. Ukur inkrementaliti. Geo holdout atau user-level holdout, sekurang-kurangnya pada carian jenama dan satu saluran utama.

Lima soalan yang patut anda ajukan kepada setiap agensi, termasuk kami. Dari mana anda mendapat data margin saya dan apa yang termasuk di dalamnya? Bolehkah saya melihat keputusan AI anda, iaitu adakah log siapa yang menukar belanjawan dan mengapa? Siapa memiliki akaun iklan, data penukaran dan audiens apabila kerjasama tamat? Bagaimana anda membuktikan hasil itu tidak akan datang tanpa iklan? Dan berapa kos keseluruhannya, dipecahkan kepada setup, yuran bulanan dan peratusan daripada perbelanjaan?

Soalan kelima ialah ujian perwatakan. Kami menyebut harga pada konsultasi pertama, bukan selepas tiga e-mel. Jika seseorang merahsiakannya, biasanya bukan kerana harganya rendah.

Bila ini tidak terpakai

Pada volum data yang kecil, keseluruhan binaan ini tidak berbaloi. Jika kedai e-dagang hanya mencatat berpuluh penukaran sebulan, model tiada apa untuk dipelajari dan pengoptimuman keuntungan berakhir sebagai pengukuran hingar yang lebih tepat. Ketika itu lebih baik melabur pada produk, feed dan kreatif, dan mengekalkan iklan yang ringkas.

Jika anda menjual satu produk dengan satu margin, POAS tidak menambah apa-apa. Seluruh kelebihannya lahir daripada perbezaan di dalam katalog.

Ujian inkremental bukan percuma. Geo holdout bermakna anda mematikan iklan di sebahagian pasaran, dan bagi kedai bermusim, ujian yang terlalu pendek selalunya tidak bermakna. Cadangan berbeza dari beberapa minggu hingga tiga atau enam bulan bagi kitaran pembelian yang lebih panjang. Itulah harga sebenar bagi kepastian, dan ia patut dinyatakan lebih awal.

Ada juga konflik yang tidak boleh diselesaikan dengan hamparan. Pengoptimuman keuntungan jangka pendek menolak ke arah penyasaran sesempit mungkin, sedangkan aliran Ehrenberg-Bass menunjukkan bahawa pertumbuhan datang daripada menjangkau seluruh kategori pembeli. Bagi kedai yang mahu menggandakan jenamanya dalam dua tahun, kedua-dua logik ini berlanggar. Kami menyelesaikannya dengan membahagikan belanjawan dan mengakui bahawa bahagian kedua itu lebih sukar diukur.

Dan satu ketidakpastian yang kami akui di penghujung. Kami tidak tahu bagaimana nisbah keterlihatan berbayar dan organik akan beralih selepas gelombang seterusnya hasil AI dalam carian. Begitu juga, 70 % pengurus PPC yang menggunakan model AI melaporkan masalah dengan kualiti output (https://www.searchenginejournal.com/ppc-trends-2026-ai-automation-and-the-fight-for-visibility/558870/). Sebab itu di tempat kami, belanjawan, jenama dan pelancaran kreatif diluluskan oleh manusia. Automasi mencadang, manusia menandatangani.

Apa yang patut anda bawa pulang

Agensi AI tidak dikenali daripada berapa kali ia menulis perkataan AI. Ia dikenali daripada sama ada ia mampu menunjukkan data apa yang menggerakkan sistemnya, keputusan mana yang dibuat sendiri oleh sistem dan mana yang diluluskan oleh manusia. Selebihnya hanyalah ayat di laman web.

Jika anda ingin tahu sama ada katalog anda menyembunyikan jurang antara hasil dan keuntungan, mari kita teliti bersama. Konsultasi 30 minit tanpa ikatan, kami melihat ke dalam akaun, memberitahu apa yang kurang dalam data, dan menganggarkan potensinya. Tanpa persembahan slaid dan tanpa kewajipan meneruskan.

Soalan lazim

Bagaimana saya tahu agensi benar-benar menggunakan AI dan bukan sekadar bercakap tentangnya?

Tanyakan tiga perkara konkrit: data apa yang dilihat oleh sistemnya (SKU, harga belian, stok, pemulangan, nilai pelanggan), berapa kerap ia membuat keputusan, dan sama ada wujud log keputusan yang boleh anda lihat. Agensi yang hanya memakai alat AI untuk menulis teks akan tersekat pada soalan pertama. Jawapan yang boleh disahkan mengambil masa seminit.

Apa itu POAS dan adakah ia lebih baik daripada ROAS?

POAS ialah pulangan perbelanjaan iklan yang dikira daripada keuntungan, bukan daripada hasil jualan. Bagi kedai e-dagang dengan margin berbeza-beza, ia metrik pemandu yang lebih baik daripada ROAS, kerana ia menghalang belanjawan daripada mengalir kepada produk berhasil tinggi bermargin rendah. Namun ia tidak menggantikan pandangan menyeluruh terhadap P&L mahupun pengukuran inkrementaliti.

Berapa banyak data diperlukan sebelum pengoptimuman keuntungan masuk akal?

Secara praktikal anda memerlukan volum penukaran yang stabil supaya model ada bahan untuk dipelajari, dan katalog dengan margin yang berbeza-beza. Pada berpuluh penukaran sebulan atau dengan satu produk bermargin tunggal, manfaatnya tidak menampung kos kerja data. Ketika itu lebih baik melabur pada feed, kreatif dan produk.

Bagaimana mengesahkan bahawa iklan benar-benar membawa jualan tambahan?

Satu-satunya bukti yang boleh dipercayai ialah eksperimen: geo holdout, user-level holdout atau model marketing mix yang ditentukur dengan ujian. Angka di dalam antara muka platform hanya memberitahu siapa yang diberi kredit, bukan apa yang akan berlaku tanpa iklan. Eksperimen eBay menunjukkan bahawa kira-kira 99,5 % trafik daripada iklan jenama akan tetap datang tanpa iklan tersebut.

Siapa patut memiliki akaun iklan dan data selepas kerjasama tamat?

Klien. Akaun iklan, data penukaran, audiens dan sejarah pembelajaran adalah milik kedai e-dagang, bukan agensi. Berpindah ke akaun baharu bermakna kehilangan sejarah yang menjadi asas bidaan automatik, dan pada hakikatnya prestasi bermula semula dari sifar. Masukkan pemilikan akaun ke dalam kontrak sebelum kempen pertama dilancarkan.

Perlukah saya mempunyai data margin yang tepat sebelum boleh bermula?

Tidak. Google sendiri membenarkan permulaan dengan anggaran COGS, contohnya sebagai peratusan tetap daripada harga produk, supaya pelaporan boleh berjalan. Pendekatan yang betul ialah memperhalus secara berperingkat dengan penghantaran, yuran pembayaran, pembungkusan dan kadar pemulangan. Menangguhkan projek sehingga margin sempurna lebih mahal daripada bermula dengan anggaran.