Automatisering ændrede alt — et konkret problem
I starten af 2000’erne kunne du styre bud, ord og målgrupper minutiøst. I dag ser vi ofte, at overnaturlig automatisering fjerner kontrol fra annoncører og øger spildet, hvis sporing ikke er korrekt. Et eksempel kan være en lille webshop, som skiftede til Smart Bidding uden at opdatere værdien på konverteringer: pludselig steg CPA, fordi systemet optimerede mod forkerte mål.
Praktisk takeaway: lad ikke automatisering køre uden valide konverteringsdata — test altid på segmenter og mål før fuld udrulning.
Google’s opstigning og ændringer i branchekulturen
Fra Goto.coms enkle auktionsmodel til dagens komplekse Google Ads-økosystem er kulturen skiftet fra manuel kontrol til tillid til algoritmer. Det har gjort annoncørens rolle mere strategisk: vi skal nu designe rammer, data og målsætninger i stedet for at justere hver søgeordstaktik.
Typiske fejl blandt SMV’er:
- Manglende segmentering af konverteringsværdier (fx leads vs. salg).
- Blind implementering af Smart Bidding uden test.
- For lidt fokus på search term-rapporten.
Praktisk takeaway: skab klare regler for, hvornår automatisering får ansvar — brug kampagneeksperimenter og separate budgetter til at vurdere effekt.
Milestene i PPC’s udvikling
Der er nogle konkrete milepæle, der ændrede spillet:
- Goto.com og auktionsprincippet: introduktion af budbaseret annoncering.
- Introduktion af Quality Score: fokus på relevans fremfor kun bud.
- Udvidelser og richer ads: landingssider og annonceudvidelser blev afgørende.
- Overgang til automatisering og maskinlæring (Smart Bidding, RSA).
Et praktisk scenario: en lokal håndværkerudbyder begyndte først at bruge annonceudvidelser og oplevede +30% i klikrate, fordi kunder hurtigt så lokal info og telefonnummer. Takeaway: implementer små tekniske forbedringer (udvidelser, strukturerede snippets) før du øger budgettet.
Forældede taktikker og mistede platformfunktioner
Mange taktikker fra 2000’erne virker ikke længere. Broad match uden negative keywords, keyword-stuffing i annoncer og blind brug af exact match er typiske eksempler. Der er også platformfunktioner, som er ændret eller fjernet — fx ændringer i søgeordsmatchtyper og detaljerede rapporter, som gør søgeordsanalyse mindre direkte.
Konkrete fejl vi ser ofte:
- Brug af brede matchtyper uden løbende negative keywords-proces.
- Ignorering af søgetermrapporten — man ved ikke, hvilke søgninger man faktisk betaler for.
- Fortsat brug af gamle budstrategier på kampagner med lav datapunktsspredning.
Praktisk takeaway: ryd op i søgetermrapporten mindst ugentligt, og brug negative keywords aktivt. For SMV: start med fokuserede søgeord og øg bredde først når du har kontrol over søgetermer og konverteringsdata.
AI og fremtidens søgeannoncering
AI styrer nu bud, annoncetekstkombinationer (RSA) og endda kreative tests. Men AI er kun så god som data og instruktioner. Mange virksomheder fejler ved at tro, at AI automatisk optimerer for profit i stedet for klik eller konverteringsmængde.
Praktiske handlinger:
- Definer konverteringsværdier klart — differentier leads fra salg.
- Opsæt offline-konverteringer hvis salg afsluttes uden for web (fx telefonbooking).
- Brug målrettede eksperimenter (A/B) før du lader AI slå fast på tværs af hele kontoen.
Et konkret SME-eksempel: en tandlægeklinik satte betaling for online-booking som 3x værd af informations-forespørgsler. Efter justeringen begyndte Smart Bidding at prioritere bookinger fremfor lave-til-kun-klik, og omsætning pr. kampagne steg markant.
Indsigter og råd for fremtiden
Efter 20 år er nogle praktiske regler klare:
– data-kvalitet over kompleksitet
– små hypoteser, test, så udrulning
– menneskelig overvågning af automatisering
Konkrete trin for SMV’er:
- Audit sporingen: tjek at konverteringsværdier og mål er korrekte.
- Segmentér kampagner ved budget, produktmargin og funnel-stage.
- Brug search term-rapport og negative keywords som fast rutine.
- Indfør månedlige eksperimenter: 10–20% af budgettet til testkørsler.
Praktisk takeaway: prioriter de handlinger der forbedrer datakvaliteten. Du får langt mere ud af at korrektværdiregulere konverteringer end at øge budget med 20% uden styring.
Konklusion: 20 års udvikling har flyttet jobbet fra taktikker til governance. Automatisering og AI kræver nu klare mål, korrekte værdier og løbende menneskelig kontrol for at give værdi til SMV’er.
Kilde: Artiklen er baseret på og omskrevet fra den oprindelige artikel.
