Automatyzacja PPC była możliwa od zawsze. Po prostu nigdy się nie zwracała. Aż do teraz.

Kiedyś patrzyłem, jak nasz architekt systemów, człowiek z dwudziestopięcioletnim doświadczeniem inżynierskim, spędza dwa pełne dni na czytaniu dokumentacji Google Ads API, zanim choćby jedno zapytanie zwróciło dane. Dwa dni, jedno zapytanie. To najlepszy inżynier, jakiego znam, a i tak zajęło mu to dwa dni. Takie było po prostu wpisowe, które platforma kasowała od każdego, kto chciał prawdziwej mocy.

W PPC spędziłem około dwudziestu lat, dwanaście z nich pisząc kod na tym API. W latach 2015–2017 prowadziłem ppc-scripts.eu, mały blog o Google Ads Scripts, w czasach, gdy automatyzacja PPC nie była jeszcze modna. Potem przestałem pisać. Nie dlatego, że zabrakło mi pomysłów. Przepaść między „to jest możliwe” a „to się opłaca zrobić dla klienta” przez dekadę uparcie pozostawała szeroka, a sposoby opisywania narzędzi, na które nikogo nie stać, w końcu się kończą.

Tej wiosny dostarczyłem analizę ekspansji rynkowej, szesnaście produktów wycenionych w pięciu krajach z mapami cieplnymi, w około sześć godzin. Ręcznie to jakieś 400 godzin pracy. Gdyby zbudować tę analizę po staremu, jako oprogramowanie na zamówienie, wymagałoby to dwóch miesięcy pracy programistycznej i oznaczałoby fakturę na 16 000 do 20 000 €, której żaden klient nie chciałby zapłacić. Ten sam rezultat, a cena się zawaliła. Ta analiza nie zmądrzała tej wiosny. Pękła ekonomia jej budowania.

Niemal wszystko, co czytałeś o tym, jak AI zabija specjalistę PPC, odwraca ten mechanizm na opak. AI nie zmieniło, co możesz robić w płatnym wyszukiwaniu. Większość z tego była możliwa od zawsze i większość istniała już w 2019 roku. Zmieniło się to, kogo stać, żeby to robić. W tym artykule pokazuję to na przykładzie narzędzi, których naprawdę używam: przedstawiam dwie ery, w których automatyzacja była zbyt droga, żeby ktokolwiek się nią zajmował, i moment, w którym rachunek się odwrócił, a potem krok po kroku rozkładam jedno realne zadanie, czyszczenie śmieciowych wyszukiwanych haseł lokalnym modelem open source.

Era Scripts: kilka dni na „prosty” skrypt

Barierą nigdy nie była technologia i chcę ci to pokazać już na pierwszym narzędziu, z jakim pracowałem. Google Ads Scripts wydawały się magią, gdy się pojawiły. JavaScript, prosto w koncie, iterujący po kampaniach. W praktyce „prosty” skrypt, powiedzmy pauzowanie słów kluczowych powyżej progu CPA albo oznaczanie zepsutych Final URL, zajmował kilka dni pisania i debugowania, gdy już ogarnąłeś przypadki brzegowe, limity i ciche awarie.

Potem przyszła część, której nikt nie wkalkulował. Uruchomienie tego na wielu kontach oznaczało jedną kopię skryptu na konto, wersje się rozjeżdżały i cicho psuły, gdy tylko konwencja nazewnictwa jednego klienta nie pasowała do reszty. Skalowanie i dystrybucja były osobną robotą. Dlatego większość skryptów w obiegu nigdy nie wykroczyła poza raportowanie, czyli pobieranie kilku liczb do arkusza według harmonogramu. Wszystko, co faktycznie zmieniało konto, było zbyt kruche i zbyt drogie w utrzymaniu.

Nawet łatwa warstwa automatyzacji była ograniczona kosztem utrzymania, nie możliwościami. Zapamiętaj to. To wzorzec wszystkiego, co następuje.

Era API: dwa dni do pierwszego zapytania, dwa lata do narzędzia

Google Ads API, wtedy jeszcze AdWords API, było prawdziwą mocą i prawdziwym murem. Te dwa dni, które mój kolega spędził w dokumentacji, nie były zarzutem wobec niego. Tyle złożoności musiał wziąć na siebie każdy, kto sięgał po to API.

Mimo to poszliśmy na całość i zbudowaliśmy PPC Robot, wysoce konfigurowalne narzędzie do raportowania i operacji. Technicznie piękne, naprawdę potężne. Pochłonęło też dwóch programistów, na pełen etat, przez dwa lata, a development potrzebny, żeby działało dalej, kosztował gdzieś koło 100 000 € rocznie. Nigdy się nie zwróciło. Pokrywało ułamek tego, czego nasi specjaliści PPC naprawdę potrzebowali, więc ostatecznie zostawiliśmy je tylko do ograniczonego użytku wewnętrznego. Nie dlatego, że było złe. Dlatego, że rachunek nigdy się nie domknął.

A i tak dostarczyliśmy na tym API realne rzeczy, cztery, pięć lat temu:

Spójrz na tę listę i zauważ jedno. Nic z tego nie jest egzotyczne według dzisiejszych standardów. Wszystko było możliwe. Po prostu zbudowanie tego kosztowało fortunę, a utrzymanie przy życiu drugą. Każdą sensowną funkcję (narzędzie do badania słów kluczowych, narzędzie do ekspansji, tłumaczenie reklam, generator Shopping) wyceniało się w miesiącach pracy dwóch seniorów, a żaden klient nie zapłaciłby tyle, ile to kosztowało.

Barierą nigdy nie była technologia. Był nią okres zwrotu.

Pierwsze zadanie, które w końcu się opłaciło: śmieciowe wyszukiwane hasła

„AI zmieniło wszystko” to twierdzenie, którego nie powinieneś przyjmować na wiarę. Oto więc dwa zadania, które dawniej się nie zwracały, a teraz tak. Oba faktycznie realizuję, to nie hipotezy, a przez pierwsze przeprowadzę cię krok po kroku.

Czyszczenie nietrafnych wyszukiwanych haseł z konta jest cenne i ogłupiające, a do niedawna nie było rzetelnego sposobu, żeby to zautomatyzować. Reguły złapią dokładny token, ale rozstrzygnięcie, czy warto płacić za „nike air max history”, wymaga rozumienia tekstu. Zadanie pozostawało więc półręcznym przedzieraniem się przez tysiące zapytań, wypatrywaniem wzorców na oko i ręcznym dodawaniem wykluczeń. Wyobraź sobie sklep z butami biegowymi, który płaci za kliknięcia w „running shoes repair”, „nike air max history” i „free running shoes”, choć żadnej z tych rzeczy nie sprzedaje ani nie serwisuje. Pomnóż to przez tysiące wierszy, co tydzień, na każdym koncie. To zadanie, którego nikt nie chce, a wszyscy potrzebują.

Oto co się zmieniło. Skrypt w Pythonie pobiera zapytania z Google Ads API i przekazuje je modelowi open source, Gemmie 4 od Google, którą uruchomi niemal każdy współczesny pecet. Czyta tysiące zapytań w kilka minut. A gdy dasz jej kontekst: klienta, mapę witryny, strukturę strony i bazy, taksonomię okruszków, feed produktowy, przestaje zgadywać i zaczyna rozumować. Poprawnie wyklucza nietrafne zapytania i nazywa wzorce, które się za nimi kryją, szybciej, niż człowiek zdążyłby je przejrzeć. Oto ten przepływ w pięciu konkretnych krokach.

Żeby zobaczyć, dlaczego to działa, spójrz, co krok ZAPYTAJ naprawdę zwraca dla naszego sklepu z butami biegowymi. Wiersze są przykładowe, ale format dokładnie odpowiada rzeczywistym wynikom, a najważniejszy jest blok na dole:

Wyszukiwane hasło        Werdykt    Powód
free running shoes       nietrafne  poszukiwanie gratisu, brak zamiaru zakupu
running shoes repair     nietrafne  usługa, której nie oferujemy
nike air max history     nietrafne  zapytanie informacyjne, brak zamiaru zakupu
running shoes wikipedia  nietrafne  poszukiwanie źródła informacji

→ WZORZEC: tokeny „free”, „repair”, „history”, „wikipedia”
  = niekomercyjne modyfikatory nieobecne w naszej taksonomii.
  Zalecenie: dodać je do wspólnej listy wykluczających słów kluczowych.

Cztery wiersze stały się jedną regułą. Człowiek czyta tę jedną linijkę, zgadza się, że jest słuszna, a reguła dalej łapie śmieci w stylu „free running shoe giveaway”, których jeszcze nawet nie widziałeś. To moment, w którym ogłupiająca cotygodniowa harówka staje się dziesięciominutowym przeglądem.

Najmniej doceniany wniosek jest taki, że model open source działający lokalnie wystarcza. Nie potrzebujesz API frontier, żeby to się zwracało, a dane nigdy nie opuszczają twojego komputera. To ekonomia się zmienia, nie możliwości.

Drugie zadanie: badanie słów kluczowych

To dawniej było osobną pozycją w budżecie. Prawdziwe badanie słów kluczowych, takie, które przypisuje popyt do twoich stron docelowych i mówi, czego brakuje na stronie, oznaczało dziesiątki godzin pobierania danych (AdWords API, podpowiedzi wyszukiwarki, OpenRefine), półręczne czyszczenie, klasyfikację według strony docelowej, a na dodatek raportowanie trendów, wolumenów i luk.

Jest nie tylko taniej. Jest lepiej i precyzyjniej, bo godziny idą na walidację i ocenę zamiast na przerzucanie danych. Taniej i lepiej to dokładnie ta kombinacja, która miała być niemożliwa. Rozłożyłem nowoczesną wersję od początku do końca w blueprincie ekspansji rynkowej i w analizie luk w treści konkurencji; w obu pokazuję rzeczywiste wyniki pośrednie na każdym kroku.

Częścią, która wciąż mnie zaskakuje, jest rytm. Takie badanie było kiedyś projektem realizowanym raz do roku, zatwierdzanym przez klienta jednorazowo. Ten sam pipeline może teraz działać codziennie i patrzeć, jak popyt się przesuwa, zamiast fotografować go raz w roku.

Ekonomia, przed i po

To cała teza w jednej tabeli. Te same zadania, ta sama poprzeczka jakości; przesunął się tylko koszt ich wykonania. Tam, gdzie mam udokumentowane liczby, podaję je; w pozostałych przypadkach są to szacunki rzędu wielkości, oparte na dwudziestu latach pracy w agencji.

Przeczytaj tabelę z góry na dół, a zobaczysz, że wzorzec powtarza się w każdym wierszu. Kolumna możliwości się nie ruszyła; wszystko to umieliśmy już w 2019 roku. Kolumna ceny runęła. A okres zwrotu decyduje, czy mądry pomysł kiedykolwiek powstanie.

Jak to wygląda, gdy pójdziesz w to na całość

Lynt od pierwszego dnia jest agencją mocno techniczną. Mamy w zespole architekta systemów, inżyniera bezpieczeństwa, analityka danych budującego BI i programistę na pełen etat, czego zwykła agencja po prostu nie ma. Przez lata trudno było skierować tę siłę na problemy PPC, ze wszystkich opisanych wyżej powodów dotyczących okresu zwrotu. Teraz procentuje.

Boostora, nasze własne narzędzie, zajęła dwa lata developmentu. Wzbogaca feedy Google Merchant Center za pomocą AI, więc kampanie Shopping korzystają z lepszych danych produktowych, niż daje surowy feed. Wokół niej stoi cała ta nieefektowna infrastruktura, którą nowa ekonomia w końcu uzasadnia. Scraping cen konkurencji na poszczególnych rynkach, ten, który zasilał tabele cenowe w blueprincie ekspansji. Pipeline’y badania słów kluczowych, które działają według harmonogramu zamiast raz w roku. Raportowanie biznesowe na poziomie klienta w BigQuery z prognozami na dodatek. Serwery MCP dla każdej usługi, z której korzystamy, żeby agent AI mógł w trakcie zadania pobrać dane z dowolnej z nich.

Dwa lata temu musiałbym bronić każdego z tych projektów przed tym samym pytaniem, czy to się kiedykolwiek zwróci. Dziś to pytanie prawie nie pada. Gdy budowanie tanieje, infrastruktura przestaje być luksusem i staje się przewagą, której nikt nie skopiuje.

Co to naprawdę oznacza dla branży

Według popularnej narracji AI oznacza koniec specjalistów PPC. Takie opaczne rozumienie tej zmiany ma realne konsekwencje dla kariery ludzi, którzy to czytają, więc postawię sprawę jasno.

„Era specjalistów PPC dobiega końca” to bzdura. Dzieje się dokładnie odwrotnie. Dobrzy specjaliści latami frustrowali się tym, że mądre rozwiązanie, które wyraźnie widzieli, nie było warte budowania. Teraz mogą je zbudować. Automatycznie, dochodowo, na dużą skalę. Cały zestaw strategii PPC, których wdrażanie dawniej się nie opłacało albo wręcz wydawało się absurdalne, nagle wchodzi w grę.

To, co naprawdę się dzieje, to ostrzejszy podział wewnątrz rzemiosła. Po jednej stronie stoją ludzie, którzy traktują obsługę interfejsu platformy jako całą swoją pracę i nie korzystają z nowych narzędzi. Nikt ich jutro nie zwolni. Tkwią w miejscu, podczas gdy praca się przesuwa. Po drugiej stronie stoją ludzie, którzy znają Google Ads API na wylot, łączą źródła danych, których nikt inny nie łączy, i budują sobie wyspecjalizowane dashboardy, zamiast czekać, aż dostawca dowiezie funkcję. Dwanaście lat pisania kodu na tym API nauczyło mnie, gdzie naprawdę leży przewaga tej drugiej grupy. Kod staniał. Rzadkie pozostały wyobraźnia i znajomość domeny, wiedza, które dane połączyć i po co.

I żeby uciąć oczywiste nieporozumienie: to nie jest opowieść o tańszej usłudze. Narzędzia, moc obliczeniowa i development dalej kosztują. Chodzi o to, że projekt, który dawniej pochłaniał cztery do sześciu miesięcy pracy dwóch starszych programistów, teraz powstaje w kilka tygodni, więc inwestycja w końcu ma sens. Klient dostaje znacznie lepszą usługę za podobną cenę.

Dlaczego znowu piszę

Przestałem blogować w 2017 roku, bo przepaść między pomysłem a ekonomicznie rozsądną realizacją była zbyt szeroka, żeby mogła być ciekawa. Ta przepaść właśnie się zamknęła. Ten blog podejmuje więc wątek tam, gdzie skończył ppc-scripts.eu, i stawia na konkrety. Przypadki użycia z realnymi liczbami, dokładne przepływy, faktyczne wyniki, łącznie z bałaganem i ograniczeniami. Pierwsze deep dive’y już są online.

Gdzieś w twoim własnym backlogu leży automatyzacja, którą odłożyłeś lata temu, bo nigdy by się nie zwróciła. Wygrzeb ją i przelicz liczby jeszcze raz. Jeśli wynik odwrócił się tak jak u mnie, wiesz, co budować dalej. A jeśli chcesz wymienić się doświadczeniami, wiesz, gdzie mnie znaleźć.

FAQ