Meta Ads AI Asset Setup
– Social AI Lead Gen
Implementiere Inhouse wirkmächtige und routinierte AI-Prozesse für Social Media durch Automatisierungen – um personelle Ressourcen freizuschaufeln und mehr Reichweite & Interaktion zu erhalten.
Schnellstart
Das sind die Ziele
Kernfunktionen
Über AI-Automationen
Template Library
Anwendungsälle
Bist du bereit?
Jetzt einsteigen
Mehr Hebelwirkungen durch AI-basierte A/B-Tests
Gerade bei Facebook & Instagram Ads spielt der Anzeigentext eine entscheidende Rolle. Alleine durch einen verbesserten Einstiegssatz können die Kosten pro Lead von Anzeige zu Anzeige um ein Vielfaches variieren. Für Anzeigentexte mit Copywriting-Headlines gibt es AI-Automatisierungen mit großer Hebelwirkung: So können automatische Tests gefahren werden für Anzeigenalternativen mit Paradoxüberschriften, Vorteilsüberschriften, Dringlichkeitsüberschriften, Vorteilsüberschriften und Beweisüberschriften. Für jeden Headline-Typ lohnt sich ein A/B-Test!
Mit AI-A/B-Testprozessen kannst du die Ansprachen deiner Meta Ads im Bereich Leadgenerierung routiniert und dauerhaft in Hinblick auf die Kosten pro Lead verbessern und so mehr Leads generieren. Durch AI-Anzeigenaltvernativen werden viele Ansprachen, Needs und Tonalitäten abgedeckt, die wir als Menschen nicht immer auf Anhieb kennen können. Zudem können mit AI-Automatisierungen Ansprachen auf unterschiedlichen Lifecycle-Stages der Leads durchgeführt werden. Dieses Meta Ads AI Asset Setup enthält dabei die Generierung von wirkmächtigen AI Assets auf Basis mehrerer Business-Consulting-Frameworks mit Gemini Pro auf der Vertex AI (Google Cloud) via Make-Automatisierungen. Diese Bereiche werden dabei abgedeckt:
- 5 Copywritings A/B-Test: Alle Bestandsanzeigen werden in der Make-Automatisierung als Datensatz gezogen es werden auf dieser Basis AI-Anzeigenalternativen mit Copywriting-Überschriften gemacht. Nach dem A/B-Test in der jeweiligen Meta Ads Kampagne können die erfolgreichsten Anzeigen basierend auf dem Cost per Lead beibehalten werden
- Meta Ads Decision Maker Strategievorschläge: Wöchentlich können über eine Make-Automatisierung neue Strategievorschläge, Werbe- und Angebotsideen an die Entscheider/innen eines Unternehmens versendet werden. Die Strategievorschläge werden auf Basis der Bestandsanzeigen mit Gemini Pro geschrieben
- Meta Ads Competitor Analysis: Durch das Apify-Scraping der Meta-Ads-Werbebibliotheken von Mitbewerbern oder anderen Unternehmen können automatisch Strategievorschläge, erfolgreiche Ansprachen oder blinde Flecken in der eigenen Werbestrategie entdeckt werden. Der Prozess startet über eine Make-Automatisierung und die Auswertung erfolgt durch Gemini Pro
- Sentimentanalyse für Meta Ads & Improvements: Mit Google Cloud Natural Language können Sentimentanalysen für die Bestandsanzeigen durchgeführt werden, um die Tonalität zu ermitteln und dieser Basis verbesserte Versionen mit einem positiveren Sentiment mit Gemini Pro vorzuschlagen. Selbiges gilt auch für Ads im Bereich Markt- und Mitbewerberanalysen
Infrastruktur für einen AI-Agent
Die AI-Automatisierungen für das Meta Ads AI Asset Setup können an einen AI Agent angeschlossen werden, der eigenmächtig Entscheidungen darüber trifft, welcher Asset Creation Prozess gestartet werden soll – basierend auf den Daten aus Google Ads für Kampagnen, Anzeigengruppen (Ad Sets) und einzelnen Ads. Dabei wird mit einem Anforderungskatalog für Gemini Pro gearbeitet, und sofern die Anforderungen erfüllt sind, wird für die jeweilige Automatisierung ein “Ja” ausgegeben, welches wiederum durch die Filter das betreffende Make-Szenario startet. Dabei gibt es mehrere Ebenen: Einen AI Main Agent, der darüber entscheidet, ob der Gesamtprozess initiiert werden soll, sowie für jede Make-Automatisierung die entsprechenden AI Sub Agents, die aufgrund der Datenbasis bewerten, ob der konkrete Einzelprozess aktiviert werden muss – je nach Handlungsbedarf.
Abbildung: Beispiel für das Zentral-Modul in Make, das über einen AI Agent (in diesem Fall: Gemini Pro) eigenständig die Entscheidung über die Aktivierung von Marketing-Prozessen trifft.
Frameworks in der Asset Creation
Je mehr Futter es für das algorithmische Lernen gibt, desto mehr und bessere Leads können generiert werden. Doch dafür müssen zunächst viele stichhaltige Anzeigentexte vom Stapel gelassen werden, um zu identifizieren, welche Anzeige die meisten oder qualifiziertesten Leads bringt. Hierfür gibt es nicht nur die Make-Automatisierungen zum Bilden von Copywriter-Anzeigen für Massen-A/B-Tests, sondern zusätzlich eine Reihe von Business-Consulting-Frameworks:
AI Framework: 5 Copywritings
Als Datengrundlage werden in dieser Make-Automatisierung die Anzeigentexte eines Meta-Werbeaccounts gepulled. Auf dieser Basis werden AI-Anzeigenalternativen gebildet (5 Copywritings). Das ist auch mit Performance-Filtern möglich.
AI Framework: Strategy
Ebenso können aus einem Meta-Werbeaccount die Kampagnenmetriken in die Make-Automatisierung importiert werden. Mit Gemini Pro kann anschließend ein AI-Report mit weiteren Strategievorschlägen erstellt werden, der regelmäßig erstellt wird.
AI Framework: Blue Oceans
Für eine breitere Abdeckung in der Ansprache durch Meta Ads gibt es als Trainingsdatensatz unter anderem das Framework zur die Blue Ocean Strategy (konkret: Anleitung zum Aufbrechen einer Value Curve) aus dem Business Consulting.
AI Framework: Big Five
Zudem können AI-Anzeigenalternativen für das algorithmische Lernen auch auf Basis der Big Five (OCEAN-Modell) aus der Psychologie generiert werden. Dadurch können unterschiedlichere Charakterzüge in den Werbeanzeigen angesprochen werden.
AI Framework: DISG-Grundtypen
Hierbei werden die Bestandsanzeigen aus Meta Ads importiert, woraufhin mit Gemini Pro AI Assets erstellt werden. Dabei greift dieses Make-Szenario auf den Make Data Store zu, in dem ein Trainingsdatensatz zu den DISG-Grundtypen hinterlegt ist.
AI Framework: MVP Pivots
Eines von vielen Frameworks zum Bilden von AI Assets für Meta Ads Ads sind die MVP Pivot Tests aus dem Buch “The Lean Startup”. Dabei werden Zoom-In-Pivots, Zoom-Out-Pivots oder Customer Segment Pivots gemacht.
Customer Pain Points, Solution Frames & Hooks
Mit der Auskopplung der CPP-Serie gibt es eine Reihe von Make-Automatisierungen, die mit Gemini Pro die Erstellung von AI-Anzeigentexten nicht nur mit Trainingsdaten und Business Frameworks ermöglicht, sondern auch auf Basis von Customer Pain Points und daraus abgeleiteten Solution Frames schreibt. Zu jedem Customer Pain Point mit Solution Frame werden dabei eine Reihe von Anzeigen mit Hooks erstellt – und zwar auf Basis der 5 Copywritings (Paradox, Neugier, Beweis, Dringlichkeit, Vorteil), der Blue Ocean Strategy, der DISG-Grundtypen, der MVP Pivots und der Big Five aus der Psychologie (OCEAN-Modell).
Doch warum ist das so spannend?
Werbetreibende iterieren mithilfe von Customer Pain Points (in meinen Automatisierungen: CPPs) und daraus abgeleiteten Solution Frames ihre Kampagnen – und jeder Solution Frame hat mehrere Hooks, beispielsweise mit klassischen Copywriter-Überschriften (Vorteil, Paradox, Neugier, Einzigartigkeit, Dringlichkeit, Beweis). Danach kommt das Shifting: Bestimmte Solution Frames und dazugehörige Hooks werfen die meisten Leads ab + das Budget wird aus den anderen Kampagnen, Ad Sets und Anzeigen geshiftet. Wenn du dir die Daten im Looker Studio anschaust, wird ersichtlich, wo eine Kampagne, ein Ad Set oder Anzeige einen Lead für 5€, 10€, 20€, 50€ oder 250€ abwarf (je nach Branchen-Benchmark im Lead Gen) und wo der CPL ein Vielfaches dessen beträgt. Eine ideale Grundlage für den Budget Shift, um in die eigentliche Massenproduktion an Leads zu gehen.
CPP Series
In der Serie der Meta Ads AI-Automatisierungen auf Basis von Customer Pain Points sind mehrere Datenquellen wählbar, wie etwa Landingpages, Custom Sheets und Meta Ads Anzeigentexte.
CPP Zoom-In
Auch spannend: Dabei gibt es Zoom-Ins in die einzelnen, mit Gemini Pro identifizierten Customer Pain Points, um mehr in die Tiefe der einzelnen Solution Frames in der Anzeigenkommunikation zu gehen.
CPP Transposed & CSV
Die AI-Anzeigentexte werden aus Gemini Pro in einem via Make replizierten GSheet-Template eingespeist, und zwar Semikolon-getrennt. In einem weiteren Blatt des Templates erfolgt die Formatierung per SPLIT-Funktion.
CPP Hooks: MVP Pivots
Zu jedem ermittelten oder manuell festgelegten Customer Pain mit Solution Frame werden wird eine Anzeigenserie mit mehreren Hooks ausgegeben, auf Basis der Copywriting- und Business-Frameworks oben.
