Value-Based Bidding with Predicted Lifetime Value in Google Ads Search: Design, Implementation, and Evaluation
Autor(ka) práce:
Nedvěd, Vojtěch
Typ práce:
Závěrečná práce - Institut celoživotního vzdělávání
Vedoucí práce:
Zimmermann, Pavel
Oponenti práce:
-
Jazyk práce:
English
Abstrakt:
This thesis develops and evaluates a value-based bidding (VBB) strategy for Google Ads Search by integrating user-level predicted lifetime value (pLTV) into the bidding system in a freemium environment with low conversion rates. Using first-party data (installs, orders, app usage, and in-app messaging), predictive models are trained on features from the first seven days post-acquisition to forecast outcomes over a 120-day horizon. Predicted purchase probabilities are then converted into pLTV by scaling them with each cohort’s average order value (AOV) over the same period, yielding a dollar-denominated signal directly usable for bidding. Data processing is implemented in BigQuery with Airflow orchestration, while model training and evaluation are conducted in Python on Vertex AI. Model selection prioritises stable and accurate ranking of users by their expected value, leading to the deployment of CatBoost in production. The impact of the approach is assessed through a two-month A/B test (June - July 2025) on non-brand search traffic in a single market. Compared with a Target CPA control, the pLTV-based treatment increases observed day-7 LTV per acquired user by +28.6%, strengthening to approximately +39% by two months, while ROAS is kept approximately constant by design. These results indicate a substantial uplift in acquisition quality at unchanged efficiency. The study is subject to several limitations, including its single-market scope, a measurement window shorter than the 120-day prediction horizon, attribution latency, and potential model drift. Despite these constraints, the system is fully operational and reproducible, supporting phased rollout to additional markets and campaign types. Overall, the findings provide strong evidence that pLTV-driven bidding delivers meaningful business value and enables a practical shift from volume-based to value-based optimisation in performance marketing.
Klíčová slova:
value-based bidding (VBB); A/B testing; return on advertising spend (ROAS); Google Ads Search; performance marketing; predicted customer lifetime value (pLTV); freemium business model
Název práce:
Value-Based Bidding with Predicted Lifetime Value in Google Ads Search: Design, Implementation, and Evaluation
Autor(ka) práce:
Nedvěd, Vojtěch
Typ práce:
Závěrečná práce - Institut celoživotního vzdělávání
Vedoucí práce:
Zimmermann, Pavel
Oponenti práce:
-
Jazyk práce:
English
Abstrakt:
Tato diplomová práce navrhuje a empiricky ověřuje strategii Value-Based Bidding (VBB) pro vyhledávací kampaně v Google Ads v prostředí freemium obchodního modelu s nízkými konverzemi. Strategii staví na využití individuálně odhadované celoživotní hodnoty uživatele (predicted Lifetime Value, pLTV), která je předávána do biddingového systému. Pomocí first-party dat (instalace, objednávky, používání aplikace a in-app messaging) jsou trénovány prediktivní modely nad prediktory z prvních sedmi dnů po akvizici uživatele s cílem předpovědět konverze v horizontu 120 dní. Predikované pravděpodobnosti nákupu jsou následně převedeny na pLTV vynásobením průměrnou hodnotou objednávky (Average Order Value, AOV) dané kohorty ve stejném období, čímž vzniká peněžně vyjádřený signál přímo použitelný pro bidding. Datové zpracování probíhá v prostředí BigQuery s orchestrací v Airflow, zatímco trénování a vyhodnocování modelů probíhá v Pythonu na platformě Vertex AI. Při volbě finálního modelu je kladen důraz na stabilní a přesné seřazení uživatelů podle jejich očekávané hodnoty. V produkci je použit algoritmus CatBoost. Dopad navrženého přístupu je hodnocen dvouměsíčním A/B testem (červen - červenec 2025) na nebrandových vyhledávacích dotazech na vybraném trhu. Ve srovnání s kontrolní variantou založenou na strategii tCPA zvyšuje pLTV-bidding pozorovanou sedmidenní LTV na jednoho získaného uživatele o 28,6 %, přičemž tento efekt dále roste zhruba na 39 % po dvou měsících, zatímco ROAS je strategicky udržován konstantní. Výsledky tak ukazují na výrazné zlepšení kvality akvizice při nezměněné efektivitě. Studie má několik omezení, mimo jiné omezení na jediný trh, měřicí okno kratší než 120denní predikční horizont, zpoždění v atribučním měření a potenciální drift modelu v čase. Přesto je celý systém plně provozuschopný a reprodukovatelný a umožňuje postupné rozšíření do dalších trhů i typů kampaní. Celkově výsledky poskytují jasný důkaz, že bidding řízený pLTV přináší hmatatelnou obchodní hodnotu a umožňuje praktický posun od objemové k hodnotové optimalizaci výkonnostního marketingu.
Klíčová slova:
A/B testování; Google Ads Search; predikovaná celoživotní hodnota zákazníka (pLTV); value-based bidding (VBB); výkonnostní marketing; návratnost investic do reklamy (ROAS); freemium obchodní model