Google Ads AI Management Dashboard: zastąpienie natywnego interfejsu kokpitem decyzyjnym

Interfejs Google Ads nie jest zbudowany do podejmowania decyzji. Jest zbudowany do konfiguracji. To różnica, która ma znaczenie.

Wchodzisz do Ads żeby sprawdzić wyniki. Kończy się na klikaniu przez pięć zakładek, porównywaniu liczb w dwóch oknach przeglądarki i budowaniu modelu mentalnego, który wyparowuje do następnej sesji. Kluczowe pytanie: “co powinienem teraz zrobić?”, nigdy nie dostaje odpowiedzi.

AdsAI to moja próba odpowiedzi na nie.

Problem z dashboardami reklamowymi

Większość dashboardów (Supermetrics, Looker, Data Studio) daje ci więcej danych w ładniejszych wykresach. To nie jest ten problem. Problem leży w przepaści między “tu masz ROAS według kampanii” a “tu masz co z tym zrobić”.

Decyzje, które mają znaczenie w płatnych kampaniach, są powtarzalne i w większości logiczne:

• Które kampanie spalają budżet bez ruchu dopasowanego do ICP?
• Które słowa kluczowe mają wysoki CTR, ale niską konwersję i dlaczego?
• Gdzie jest przestrzeń do skalowania bez malejących zwrotów?
• Co jest zepsute, a jeszcze tego nie zauważyłem?

Te pytania mają odpowiedzi. Odpowiedzi są w danych. Żeby je dostać, potrzebny jest albo dobry analityk robiący codzienne przeglądy, albo system, który robi to automatycznie.

Jak wygląda AdsAI

Interfejs ma trzy sekcje:

Kolejka decyzji: priorytetyzowana lista działań: “Zatrzymaj [Kampanię X], poniżej progu ICP przez 7 dni.” “Zwiększ budżet [Kampanii Y] o 20%, ROAS 4.2, headroom potwierdzony.” Każda pozycja ma dane wspierające inline. Jeden klik żeby działać, jeden żeby odłożyć.

Tablica statusu kampanii: wszystkie aktywne kampanie ze wskaźnikami stanu: zdrowa, poniżej oczekiwań, wstrzymana, wymaga przeglądu. Kodowane kolorami. Bez wykresów, bez trendów: tylko bieżący stan.

Szyna alertów: anomalie budżetowe, nagłe spadki CTR, problemy z tempem wydatków. Rzeczy, których złapanie normalnie wymaga codziennego przeglądu.

Warstwa ICP

Część, która zabrała najwięcej czasu, to dopasowanie ICP. Nie każdy ruch warto kupować nawet przy rentownym ROAS. Jeśli działasz w B2B SaaS, franczyzie QSR lub jakimkolwiek segmencie, gdzie profil kupującego ma znaczenie, surowy wolumen konwersji to mylący sygnał.

Dodałem prostą warstwę definicji ICP: branża, wielkość firmy, rola. System krzyżuje sygnały z poziomu kampanii (frazy wyszukiwania, strona docelowa, stanowiska konwertujących tam gdzie dostępne) z definicją ICP i flaguje rozbieżności. To wyłapuje kampanie, które wyglądają rentownie, ale przyciągają zły segment.

Architektura

Backend jest minimalny: lekki serwis Node ze schedulowanym odpytywaniem Ads API, mała instancja Postgres na historię i zestaw funkcji scoringowych opartych na regułach. Żadnego modelu ML. “Inteligencja” to zakodowane reguły: naruszenia progów, przełamania trendów, sygnały niedopasowania ICP. Prosta logika stosowana konsekwentnie bije drogie modele stosowane niekonsekwentnie.

Frontend to React z ciasnym kontraktem danych. Bez zbędnych abstrakcji: każdy widok odpowiada na konkretne pytanie operatora.

Co bym zrobił inaczej

Największa rzecz, której nie doceniłem, to złożoność autoryzacji w Ads API. Obsługa odświeżania OAuth dla wielu kont jest naprawdę irytująca. Odseparowałbym to wcześniej.

Zacząłbym też od szyny alertów jako MVP, nie od pełnego kokpitu. Najwyżej wyceniane działanie to wczesne wykrywanie problemów. Kolejka optymalizacji przychodzi na drugim miejscu.

Wniosek

Narzędzia klasy operatorskiej dla płatnych kampanii nie muszą być drogie ani skomplikowane. Interfejs Google Ads się nie zmieni: nie mają żadnego powodu, żeby pomagać ci wydawać mniej efektywnie. Zbuduj warstwę, która służy twoim decyzjom, nie ich interfejsowi.

---

Powiązane: B2B Revenue System Design: jak operatorzy myślą o wzroście inaczej