Value-based bidding: przekaż algorytmowi realną wartość klienta
Target ROAS wygląda na cel finansowy, bo pilnuje zwrotu z wydatku. Haczyk siedzi w liczniku: system maksymalizuje przychód z transakcji, a przychód i zysk to dwie różne liczby. Value-based bidding pozwala podać algorytmowi tę wartość, na której naprawdę Ci zależy, żeby licytował pod klientów, którzy zostawiają w firmie pieniądze.
Kampanie performance ustawiam od kilkunastu lat i najczęstszy rozjazd między pięknym panelem a chudym rachunkiem wyników zaczyna się właśnie tutaj. Konto dowozi wysoki ROAS, właściciel patrzy na P&L i nie widzi zysku. Winny bywa jeden sygnał, który przez cały czas mówił maszynie coś innego, niż myślisz.
Dlaczego przychód jest złym sygnałem
Kiedy włączasz target ROAS, dajesz systemowi jedno polecenie: maksymalizuj sumę wartości konwersji podzieloną przez wydatek. Domyślnie tą wartością jest kwota transakcji z tagu konwersji, czyli przychód. Algorytm robi dokładnie to, o co prosisz, i szuka ludzi, którzy generują wysoki przychód przy niskim koszcie. Nikt mu nie powiedział, ile z tego przychodu zostaje po odjęciu kosztu towaru, zwrotów i obsługi zamówienia.
W sklepie z jednorodną marżą ten problem śpi. Budzi się w firmie, gdzie marża na jednym produkcie sięga 60 procent, a na innym ledwie 8. Algorytm zawsze dociśnie budżet tam, gdzie przychód na złotówkę jest najwyższy. Jeśli akurat te produkty mają najcieńszą marżę, dostajesz kampanię z efektownym ROAS-em, która drenuje wynik firmy.
Cztery miejsca, w których przychód rozjeżdża się z realną wartością:
- Marża per produkt lub kategoria. Wysoki obrót na niskomarżowym asortymencie wygląda w panelu lepiej niż niższy obrót na tym, co naprawdę zarabia.
- Zwroty. W modzie czy obuwiu część zamówień wraca. Przychód policzył się w momencie zakupu, koszt zwrotu spadł na Ciebie tydzień później.
- Nowy kontra powracający klient. Pierwsze zamówienie od kogoś, kto wróci pięć razy, jest warte wielokrotnie więcej niż jednorazowy zakup na promocji, choć w panelu obie transakcje wyglądają tak samo.
- Jakość leada. W generowaniu leadów każde wypełnienie formularza liczy się jako jedna konwersja, choć jeden lead domknie kontrakt, a dziesięć innych nigdy nie odbierze telefonu.
Różnicę między patrzeniem na przychód a patrzeniem na zysk rozbieram szerzej w tekście o tym, dlaczego ROAS i ROI to nie to samo. Tu wystarczy jeden wniosek: dopóki karmisz system przychodem, optymalizujesz pod obrót, nie pod zysk.
Czym jest value-based bidding
Value-based bidding to tryb licytacji, w którym do systemu trafia liczba zdefiniowana przez Ciebie jako wartość konwersji, zamiast surowej kwoty transakcji. Google Ads nazywa to wartościami konwersji i regułami wartości; Meta czyta wartość ze zdarzenia zakupu albo z parametru, który podeślesz przez API konwersji. Sama mechanika bidowania (Maximize conversion value, target ROAS) zostaje bez zmian. Przestawiasz jedną rzecz: definicję tego, co maszyna uznaje za wartościowe.
Wdrożenie ma trzy poziomy dojrzałości i warto wiedzieć, na którym stoisz:
- Wartość = przychód. Stan domyślny. Prosty w konfiguracji, ślepy na marżę.
- Wartość = marża brutto. Zamiast ceny produktu przekazujesz zysk brutto na transakcji. Algorytm zaczyna faworyzować to, co realnie zarabia.
- Wartość = model. Wartość skorygowana o prawdopodobieństwo zwrotu, oczekiwane LTV albo scoring jakości leada z CRM. Najwięcej pracy, najbliżej prawdy.
Skok z poziomu pierwszego na drugi daje zwykle największy zwrot z wysiłku. Trzeci poziom ma sens, gdy masz już czyste dane i wolumen, który pozwala algorytmowi uczyć się na sygnale bardziej złożonym niż cena.
Jak zbudować własne wartości konwersji
E-commerce z realną marżą
Zamiast przekazywać cenę produktu, przekazujesz marżę brutto na tej pozycji. Dwie drogi, zależnie od tego, jak zbudowany jest sklep:
- Dynamicznie z dataLayer. Warstwa danych na potwierdzeniu zamówienia liczy wartość jako sumę marż z pozycji koszyka i tę liczbę wysyła do tagu konwersji. Najdokładniej, wymaga danych o koszcie zakupu w feedzie albo w bazie.
- Regułami wartości. Jeśli nie masz marży na poziomie SKU, grupujesz asortyment w kilka koszyków marżowych i przypisujesz mnożnik. Kategoria z marżą 50 procent dostaje mnożnik 1,0, kategoria z marżą 10 procent mnożnik 0,2. Zgrubne, ale i tak przesuwa optymalizację we właściwą stronę.
Do marży warto od razu doliczyć korektę na zwroty. Jeśli dana kategoria wraca w 30 procentach, jej oczekiwana wartość to marża przemnożona przez 0,7. Bez tej korekty system wciąż będzie gonił asortyment, który ładnie się sprzedaje i masowo wraca.
Lead gen bez marży na stole
W generowaniu leadów nie ma tagu zakupu, więc wartość trzeba dopisać ręcznie. Punkt wyjścia: cofnij się od zamkniętej sprzedaży. Jeśli średnia wartość kontraktu wynosi 12 tysięcy złotych, a jeden na dziesięć leadów domyka się w klienta, to oczekiwana wartość pojedynczego leada wynosi 1200 złotych. Tę liczbę podajesz jako wartość konwersji przy wypełnieniu formularza.
Kolejny poziom to scoring. Lead z firmowej domeny, ze stanowiskiem decyzyjnym i budżetem powyżej progu dostaje inną wartość niż zgłoszenie z darmowej skrzynki bez numeru telefonu. Wartości ustawiasz na podstawie tego, które sygnały historycznie zamieniały się w kontrakty. Wtedy algorytm przestaje liczyć wszystkie formularze po równo i zaczyna licytować pod te, które faktycznie kończą się sprzedażą.
Najmocniejszy wariant domyka pętlę przez CRM. Kiedy lead po tygodniach zamienia się w podpisany kontrakt, odsyłasz tę informację z realną wartością umowy z powrotem do systemu reklamowego (offline conversion import w Google Ads, zdarzenie przez CAPI w Meta). Algorytm uczy się wtedy na prawdziwych pieniądzach z końca ścieżki, nie na deklaracji z formularza. Ponieważ decyzja zakupowa w B2B potrafi trwać, ta wartość ma sens tylko przy patrzeniu na klienta w dłuższym oknie, o czym piszę w tekście o LTV:CAC zamiast samego ROAS.
Jakie dane musisz mieć
Value-based bidding stoi i upada na danych, które mu podasz. Zanim ruszysz konfigurację, sprawdź, czy masz z czego zbudować wartość:
| Poziom | Czym karmisz system | Skąd bierzesz dane |
|---|---|---|
| Przychód | Kwota transakcji | Standardowy tag konwersji, zero dodatkowej pracy |
| Marża | Zysk brutto na transakcji | Koszt zakupu w feedzie lub bazie, dataLayer albo reguły wartości |
| Marża po zwrotach | Marża skorygowana o współczynnik zwrotów | Dane zwrotów per kategoria z systemu magazynowego |
| Wartość leada | Oczekiwana wartość zgłoszenia lub scoring | CRM: konwersja lead do klienta i wartość kontraktu |
| LTV | Prognozowana wartość klienta w czasie | Historia zamówień, segmentacja nowy kontra powracający |
Do tego dochodzi warstwa techniczna, bez której nawet dobre dane nie dojadą do systemu: server-side tracking (API konwersji, CAPI), poprawna deduplikacja zdarzeń oraz stały klucz, który połączy zgłoszenie w reklamie z rekordem w CRM. Jeśli tego nie masz, zacznij od pomiaru, a dopiero potem od wartości. Kolejność ma znaczenie, bo optymalizacja stoi na jakości konwersji, nie na wysokości budżetu.
Czy nie oddajesz Google i Meta wrażliwych danych o biznesie?
Właściciel firmy słusznie dopytuje, co dokładnie wypuszcza na zewnątrz, kiedy zaczyna przekazywać marżę czy LTV do systemu reklamowego. Warto rozłożyć to na czynniki.
Do platformy trafia pojedyncza liczba przypięta do zdarzenia konwersji, czyli wartość, nie Twój arkusz marż per SKU ani struktura kosztów. Google i Meta nie odtworzą z tego rachunku wyników firmy.
Możesz iść dalej i przekazywać wartości względne, indeksowane: mnożniki albo znormalizowaną skalę zamiast realnych kwot marży w złotówkach. Algorytmowi wystarczy proporcja między konwersjami; księgowa wartość każdej z nich nie jest mu do niczego potrzebna. To realnie ogranicza, co ujawniasz, a efekt optymalizacji zostaje.
Server-side tracking (API konwersji, CAPI) daje kontrolę nad tym, co dokładnie wychodzi z Twojego serwera do platformy, zamiast wysyłać wszystko prosto z przeglądarki.
Ryzyka nazwane wprost: platforma uczy się, co w Twoim biznesie jest wartościowe, więc dostaje sygnał o ekonomii klienta. Przy offline conversion import przekazujesz dane klienta, więc obowiązuje RODO, haszowanie danych osobowych i podstawa prawna albo zgoda. Warto sprawdzić warunki przetwarzania danych po stronie platformy.
Trade-off jest prosty: im wierniejsza wartość, tym lepszy wynik i tym więcej ujawniasz. Wartości względne to praktyczny kompromis między skutecznością a ostrożnością. Zacznij od nich, realne kwoty podłączaj tylko wtedy, gdy świadomie akceptujesz tę ekspozycję. Ten sam odruch ostrożności rozbieram w tekście o strachu przed oddaniem danych do AI.
Pułapki: złe dane robią zły model
Value-based bidding wzmacnia to, co mu podasz. Podasz sygnał z błędem, a system pomnoży ten błąd przez cały budżet. Miejsca, w których wdrożenia najczęściej się wykładają:
- Śmieciowe wartości. Marża policzona na oko albo LTV z sufitu skierują budżet gorzej niż domyślny przychód. Lepszy uczciwy przychód niż zmyślona wartość.
- Za mały wolumen. Algorytm potrzebuje odpowiedniej liczby konwersji w oknie, żeby uczyć się na wartości. Przy kilkunastu konwersjach miesięcznie sygnał jest zbyt rzadki, żeby model coś z niego wyciągnął.
- Opóźnienie danych. Jeśli wartość z CRM wraca po dwóch miesiącach, a cykl optymalizacji trwa tygodnie, system uczy się na danych sprzed epoki. Im dłuższa pętla, tym ostrożniej.
- Mieszanie jednostek. Część konwersji w przychodzie, część w marży, do tego dwie waluty bez przeliczenia. System zsumuje to bezkrytycznie i policzy bez sensu.
- Naciąganie pod raport. Podbijanie wartości, żeby panel pokazał ładniejszy wynik, psuje jedyną rzecz, po którą to wszystko robisz. Wartość ma odwzorowywać rachunek wyników, nie ambicje kwartału.
Kiedy to ma sens, a kiedy jeszcze nie
Value-based bidding nagradza konkretną sytuację i karze przedwczesne wdrożenie. Wchodź, gdy spełniasz warunki z lewej kolumny. Odłóż to, gdy pasujesz do prawej.
| Wchodź teraz | Poczekaj |
|---|---|
| Duży rozstrzał marż między produktami lub kategoriami | Jednorodna marża na całym asortymencie |
| Wolumen konwersji wystarczający do uczenia modelu | Kilkanaście konwersji miesięcznie |
| Wiarygodne dane o marży, zwrotach albo LTV | Brak danych o koszcie zakupu i o zwrotach |
| Długa ścieżka lead do sprzedaży z danymi w CRM | Tracking postawiony w zeszłym tygodniu, jeszcze niesprawdzony |
Jeśli wpadasz w prawą kolumnę, nie znaczy to, że temat Cię nie dotyczy. Znaczy, że najpierw robisz pomiar i zbierasz dane, a wartość podłączasz, kiedy będzie z czego ją policzyć.
Wdrożenie krok po kroku
Kolejność, w której wdrażałbym value-based bidding na koncie z realnym P&L:
- Policz prawdziwą wartość poza reklamą. Zbierz marżę per kategoria, współczynnik zwrotów i konwersję lead do klienta. Bez tej tabeli reszta jest zgadywaniem.
- Wybierz poziom pod swoje dane. Zacznij od marży, jeśli ją masz. LTV i scoring zostaw na moment, gdy tracking i wolumen będą pewne.
- Domknij przekazywanie wartości. DataLayer albo reguły wartości w e-commerce, offline conversion import albo CAPI w lead genie. Zweryfikuj, że do systemu dociera Twoja liczba, nie cena.
- Uruchom obok istniejącej strategii. Przełącz kampanię na wartość na jednym, referencyjnym oknie konwersji, żeby porównanie było uczciwe.
- Daj okres nauki. Nie oceniaj po kilku dniach. Model potrzebuje cyklu, żeby przełożyć nową definicję wartości na licytację.
- Rozlicz na rachunku wyników. Wynik to zysk po odjęciu kosztu towaru, zwrotów i mediów, nie ROAS w panelu. Tam sprawdzasz, czy zmiana zadziałała.
Algorytm licytuje pod to, co nazwiesz wartością. Nazwij nią przychód, a dostaniesz obrót. Nazwij nią zysk, a dostaniesz klientów, którzy ten zysk zostawiają.
Chcesz przestawić konto z przychodu na realną wartość klienta?
Pomagam firmom policzyć prawdziwą wartość konwersji, domknąć przekazywanie marży i LTV do systemów reklamowych i rozliczać kampanie na rachunku wyników, nie w panelu. Z decyzją na liczbach, które widać w P&L.
PorozmawiajmyNajczęstsze pytania
Czym różni się value-based bidding od zwykłego target ROAS?
Mechanika bidowania jest ta sama, różni się definicja wartości, którą maksymalizuje system. Domyślny target ROAS optymalizuje pod przychód z transakcji, bo tag konwersji podaje kwotę zakupu. Value-based bidding podmienia tę kwotę na wartość, którą sam zdefiniujesz: marżę brutto, wartość skorygowaną o zwroty, oczekiwane LTV albo scoring jakości leada. Efekt jest taki, że algorytm przestaje gonić najwyższy obrót i zaczyna licytować pod klientów, którzy zostawiają najwięcej zysku. Target ROAS pozostaje strategią licytacji, zmienia się tylko liczba, którą mu podajesz jako wartość konwersji.
Czy potrzebuję danych o marży, żeby zacząć?
Do najprostszego poziomu wystarczą zgrubne dane. Jeśli nie masz marży na poziomie pojedynczego produktu, pogrupuj asortyment w kilka koszyków marżowych i przypisz każdemu mnożnik wartości przez reguły wartości w Google Ads. To już przesuwa optymalizację we właściwą stronę. Dokładniejsze podejście wymaga kosztu zakupu w feedzie albo w bazie, żeby liczyć marżę per transakcja z warstwy danych. W generowaniu leadów marża nie istnieje, więc zamiast niej podajesz oczekiwaną wartość leada policzoną z konwersji lead do klienta i średniej wartości kontraktu. Ważniejsze od precyzji jest to, żeby wartość była uczciwa: zmyślona liczba zaszkodzi bardziej niż domyślny przychód.
Kiedy value-based bidding nie ma jeszcze sensu?
Odłóż wdrożenie, jeśli marża na całym asortymencie jest zbliżona, bo wtedy przychód i tak dobrze przybliża wartość i nie ma czego korygować. Poczekaj też przy niskim wolumenie konwersji, gdy w oknie zbiera się kilkanaście zdarzeń, bo model nie ma z czego uczyć się na sygnale wartości. Wstrzymaj się, kiedy nie masz wiarygodnych danych o marży, zwrotach czy LTV albo gdy tracking dopiero powstał i nie jest sprawdzony. W tych sytuacjach najpierw ustaw pomiar i zbierz dane, a wartość podłączysz, kiedy będzie z czego ją policzyć.
Jak przekazać marżę zamiast przychodu do Google i Meta?
W e-commerce liczysz wartość na potwierdzeniu zamówienia jako sumę marż z pozycji koszyka i podajesz ją do tagu konwersji przez warstwę danych, albo stosujesz reguły wartości z mnożnikiem per kategoria. W generowaniu leadów najmocniejsza jest pętla przez CRM: kiedy lead zamienia się w kontrakt, odsyłasz realną wartość umowy z powrotem przez offline conversion import w Google Ads albo zdarzenie przez CAPI w Meta. Wszystko stoi na server-side trackingu z poprawną deduplikacją i stałym kluczem łączącym zgłoszenie z rekordem w CRM. Po wdrożeniu zweryfikuj w podglądzie zdarzeń, że do systemu trafia Twoja policzona wartość, a nie cena produktu.
Czy przekazując marżę do Google i Meta, oddaję wrażliwe dane o firmie?
Do systemu trafia pojedyncza wartość przypięta do zdarzenia konwersji, nie Twój arkusz kosztów ani struktura marż per produkt. Google i Meta nie odtworzą z tego rachunku wyników firmy. Jeśli chcesz ujawnić jeszcze mniej, przekazuj wartości względne albo indeksowane, czyli mnożniki lub znormalizowaną skalę zamiast realnych kwot w złotówkach. Algorytmowi wystarczy proporcja między konwersjami. Server-side tracking (API konwersji, CAPI) daje kontrolę nad tym, co dokładnie wychodzi z Twojego serwera. Pamiętaj o RODO i haszowaniu danych osobowych, kiedy przez offline conversion import przekazujesz dane klienta. Trade-off jest prosty: im wierniejsza wartość, tym lepszy wynik i tym większa ekspozycja. Zacznij od wartości względnych, realne kwoty tylko przy świadomej zgodzie na nią.