Automatización y puja en DV360: guía completa

¿Qué es Enhanced automation y cuándo conviene activarlo?

Enhanced automation es la capa de aprendizaje colaborativo de DV360: Google entrena los modelos de optimización con datos agregados y anonimizados de varios anunciantes que optaron por participar, y usa ese aprendizaje colectivo para predecir mejor el valor de cada impresión cuando tu propia cuenta tiene poca señal. Es una respuesta directa al problema que dejó la caída de las cookies de terceros: líneas con muy pocos eventos para entrenar la puja automática.

Qué datos entran y cuáles no:

• Entran: señales históricas de automatización de participantes anónimos —impresiones, clics y conversiones—, siempre agregadas y anonimizadas.
• Nunca entran: datos de usuario first-party ni información personal identificable.
• Los modelos trabajan en agregado, solo con datos de anunciantes que optaron por participar, y ningún dato compartido queda accesible fuera de DV360.

El opt-in tiene tres niveles, y entender cómo se combinan es lo que hace útil la función:

Ese tercer nivel es el que permite un test A/B honesto: dos insertion orders idénticos, uno con Enhanced automation activado y otro como control. La condición es que el anunciante de esos insertion orders no esté activado, para que el control quede limpio. Google pide dar entre 2 y 4 semanas antes de leer resultados, porque el modelo necesita entrenar.

Tres advertencias antes de activarlo:

• No funciona con custom bidding ni con YouTube. Si tu estrategia de puja corre con un algoritmo de custom bidding, Enhanced automation no aplica: son caminos alternativos, no acumulables.
• El dato entregado no se puede retirar. Puedes apagar la función cuando quieras y la recolección se detiene, pero los datos de clics y conversiones recolectados antes siguen compartidos de forma anónima de manera indefinida.
• Es una decisión de política de datos, no solo de trading. Los términos se aceptan a nivel partner y afectan a todos los anunciantes que habilites: conviene pasarla por el área legal del cliente antes de tildar la casilla.

Sobre performance: combinar Enhanced automation con optimized targeting suele traducirse en una reducción medible del CPA, aunque Google no publica una cifra oficial agregada por mercado. Trata cualquier proyección como direccional, no como un compromiso, y menos aún desglosada para un plan de LatAm.

¿Qué hace optimized targeting y en qué se diferencia de la expansión de audiencia?

Optimized targeting construye en tiempo real un perfil de quien convierte en tu negocio y sale a buscar usuarios que compartan esos atributos, más allá de los segmentos que seleccionaste a mano. Trabaja en tándem con la estrategia de puja, arranca desde tus segmentos manuales, incorpora datos de conversión de la campaña en curso y usa la performance de tus listas targeteadas como benchmark para encontrar impresiones que rindan parecido. También puede optimizar hacia acciones que no son CPA, como viewability o clics.

Requisitos y comportamiento por defecto:

• Requiere tener audiencias activadas —de Google, first-party o third-party—: sin segmentos no hay punto de partida. En líneas de YouTube video action y Demand Gen solo está disponible si estás usando listas de audiencia para targetear.
• En líneas nuevas de display, video y audio con puja automatizada que targetean audiencias de afinidad, in-market o custom, viene prendido por defecto y se destilda desde la interfaz.
• Respeta las exclusiones de audiencia que tengas configuradas.

La confusión más frecuente es con la expansión de audiencia, la función equivalente del lado de YouTube y CTV:

Esa asimetría define el uso: optimized targeting suma incrementalidad sin que abandones tu approach de audiencia actual; la expansión de audiencia sirve para prospecting puro, cuando quieres dejar afuera a los clientes que ya tienes. La segunda la desarrollamos con sus requisitos en la guía de Connected TV. La construcción de esas listas first-party que optimized targeting usa como semilla es la operación de Customer Match.

Dos notas para no repetir información vieja. Primera, de vigencia: la “expansión de targeting” (targeting expansion) que aparece en manuales antiguos de display ya no existe; Google la reemplazó por optimized targeting entre marzo y mayo de 2023. Segunda, operativa: el estado de optimized targeting es un campo de los Structured Data Files y se puede setear en masa, así que una edición por SDF puede volver a encender la función sin que nadie lo note. Es una trampa operativa conocida entre equipos de trading de DV360. Deja la revisión de esa casilla como último paso del QA previo al lanzamiento.

Haz que DV360 puje por lo que tu negocio realmente valora

Te ayudamos a ordenar tus señales, elegir la estrategia de puja adecuada y evitar automatizaciones que optimizan el indicador equivocado.

• 1

  Diagnóstico gratuito de tu stack GMP

  Un especialista revisa tu implementación actual (GA4, GTM, DV360, Ads) y te dice qué priorizar primero.

• 2

  Plan de acción a medida

  Sales de la llamada con next steps concretos para tu cuenta, no con una plantilla genérica.

• 3

  Sin compromiso, sin venta forzada

  Hablas con un especialista técnico, no con un vendedor. Si no encajamos, te lo decimos.

GMP Sales Partner · Implementamos GMP end-to-end · Equipo LatAm

Respuesta a la brevedad

Optimizar mis pujas en DV360

Completa el form y coordinamos una asesoría sobre tu caso.

Cargando el formulario seguro de HubSpot…

Este formulario lo provee HubSpot y los datos que envíes se procesan allí. Consulta nuestra política de privacidad .

Sin compromiso · Google Marketing Platform Sales Partner

Custom bidding: pujar por tu definición de valor

Custom bidding es el mecanismo con el que DV360 puja según tu definición de valor y no solo según el conteo de conversiones: el algoritmo puntúa cada impresión y la puja se ajusta a ese puntaje. La pregunta previa no es técnica sino de negocio: qué estás maximizando. Margen, valor de vida del cliente o valor de vida predicho son los objetivos que aparecen cuando contar conversiones ya no alcanza. La lógica hermana del lado de Google Ads es la de value based bidding.

Cómo se ponderan las conversiones

Si tu Floodlight mide varios eventos —vista de producto, add to cart, checkout, compra—, no todos valen lo mismo. El criterio práctico es repartir el valor de la conversión final entre los eventos previos con un decaimiento temporal: cuanto más lejos del cierre está el evento en el recorrido, menos peso recibe. Después, el peso unitario de cada evento se calcula dividiendo ese valor por la cantidad de veces que Floodlight lo registró en el período. Sin ese segundo paso, un evento con volumen altísimo y baja intención termina dominando el modelo.

Las tres fuentes de datos que lo alimentan

Reglas y multiplicadores o script

Google hoy recomienda arrancar por reglas y reservar el script para lo que la interfaz no puede representar: operaciones matemáticas complejas, variables anidadas o señales externas que todavía no existen como señal de impresión. Su propia documentación afirma que las campañas con algoritmos por reglas rinden igual o mejor que las de script, por el mejor modelado de los resultados post-impresión.

Testear antes de asignar

Antes de poner el algoritmo a trabajar puedes testearlo sobre una muestra aleatoria de 10.000 impresiones elegibles y ver la distribución de puntajes: cuántas impresiones se puntuaron, qué porcentaje devolvió errores de ejecución y qué porcentaje quedó con puntaje positivo. Es la forma de detectar un script que puntúa todo igual, o que rompe en la mitad de los casos, antes de que frene el gasto de una línea real.

Requisitos mínimos de datos

Tres detalles operativos que arruinan lanzamientos: el modelo usa datos de los últimos 30 días y puede tardar de 1 a 3 días en entrenar una vez alcanzado el mínimo; asignar un modelo sin entrenar a una campaña activa frena el gasto de la línea; y un modelo sin inversión asociada durante 21 días queda suspendido. Si tu volumen no llega a esos umbrales, la respuesta correcta es sostener Smart Bidding estándar hasta tenerlo, no forzar un algoritmo que no puede entrenar.

¿Qué es PAIR y cómo reconcilia tus datos con los de un publisher?

PAIR (Publisher Advertiser Identity Reconciliation) resuelve un problema puntual: llegar, dentro del inventario de un publisher, a las personas que ya son tus clientes, sin que ninguna de las dos partes vea los datos de la otra. Los casos de uso típicos son reconectar con compradores previos, recuperar carritos abandonados o dejar de mostrarle un producto a quien ya lo compró, en entornos premium donde las cookies de terceros no ayudan.

Cómo funciona:

• Cada parte encripta su first-party data tres veces con tres claves distintas: una del anunciante, una del publisher y una compartida entre ambos.
• Las claves son únicas para cada relación anunciante-publisher y ninguna parte tiene acceso a las tres. Esa es la garantía de que nadie puede revertir el cruce por su cuenta.
• Lo que vuelve a cada parte es el match rate: qué porcentaje de la data cruzó. No se comparten coincidencias a nivel usuario ni información personal identificable, ni entre las partes, ni con el SSP, ni con DV360.
• Como las claves pertenecen a esa relación, el resultado solo tiene sentido dentro de ese vínculo puntual: no queda un identificador reutilizable para llevar a otro publisher.

El rol de los clean rooms socios es lo que hace que esto escale. El proveedor de clean room se ocupa de la gestión de datos, del flujo de claves de encriptación y del onboarding de los datasets PAIR en nombre del anunciante. En DV360 la conexión se hace vinculando un external data partner —Advertiser settings > Linked accounts > External data partner— y eligiendo un PAIR Data Clean Room de la lista disponible. Para sumar publishers se repite el flujo: cada relación tiene su propio juego de claves y su propio segmento, y el clean room es el que sostiene la operación multi-PAIR sin multiplicar el trabajo manual.

En la línea, el segmento PAIR se targetea desde “Audience lists and expansion” eligiendo PAIR como tipo de audiencia, y el widget de resumen muestra tamaño de audiencia, match rate y alcance efectivo. Google documenta además un puñado de reglas de setup que evitan el problema más común, que la línea no gaste: targetear exclusivamente el segmento PAIR, mantener todos los exchanges abiertos, sacar exclusiones de sitios y categorías que choquen con el publisher, no aplicar frequency cap a nivel línea en el arranque y, si hay un deal negociado, agregarlo al targeting.

Nada de esto sirve sin data propia en condiciones: PAIR activa lo que ya tienes, no lo genera. La base se arma antes, con la estrategia de first-party data y la operación de listas de Customer Match.

Cómo se combinan las cuatro piezas

• Enhanced automation y custom bidding son excluyentes: la primera refuerza la puja estándar con señal colectiva; la segunda reemplaza la definición de valor. Elige según si tu problema es falta de señal o definición de valor.
• Optimized targeting convive con ambas y viene prendido por defecto en líneas nuevas de display, video y audio: la decisión real es cuándo apagarlo, no cuándo prenderlo.
• PAIR corre por el carril de audiencias, no de puja: se combina con cualquiera de las anteriores, pero exige una línea dedicada con su propio setup.
• Si el volumen de datos no alcanza para custom bidding, el orden sensato es: Smart Bidding estándar primero, señal de conversión sólida después, y solo entonces algoritmos propios.

Si quieres una evaluación de qué capa de automatización corresponde a tu operación y tus datos, habla con un especialista de Leadaki.