Análisis de regresión para mejorar los Anuncios de Google en el rendimiento del Motor de Búsqueda de la Tierra

image_pdfimage_print

Avanzadas de marketing digital nos obliga a ir más allá de lo que los demás están haciendo y el enfoque desde nuevos ángulos. Una de las maneras en que se destacan en su análisis SEM y el rendimiento a través de técnicas avanzadas como el análisis de regresión. La regresión es en realidad una forma básica de aprendizaje de máquina (ML) y una relativamente simple matemática de la aplicación. Este tipo de análisis puede ayudar a hacer mejores predicciones a partir de los datos, más allá de suposiciones.

la Regresión puede sonar aterrador, pero no que es de avanzada en el mundo de las matemáticas. Para cualquier persona que se pasa el año 10 matemáticas, probablemente ya han trabajado con la fórmula de regresión anteriormente. Vamos a estudiar el uso de la regresión en los Anuncios de Google para predecir la conversión de volumen, usted puede lograr mediante el ajuste de campaña pasa. La construcción del modelo y su aplicación es mucho más fácil que usted podría pensar!

¿Qué es la regresión?

Un modelo de regresión es un algoritmo que intenta adaptarse a sí mismo a los datos presentados mejor. En esencia, se trata de una línea de mejor ajuste. Puede ser lineal, como una línea recta a través de los datos, o no-lineal, como una curva exponencial, que se curva hacia arriba. Mediante el ajuste de una curva a los datos, a continuación, puede hacer predicciones para explicar la relación entre una variable dependiente y una o más variables independientes.

El gráfico siguiente muestra una regresión lineal simple entre una variable independiente “costo” (diario de gastar en Anuncios de Google) en el eje x y la variable dependiente “conversiones” (diario de volumen de conversiones en google ads) en el eje. Hemos ajuste de una regresión lineal (línea azul). Ahora podemos decir que en $3k en el eje, que el punto sobre la línea de regresión podría coincidir con el de hasta 35 conversiones. Así que, basándose en el modelo de regresión ajustada a los datos, si gastamos $3k, nos están previstos para recibir 35 conversiones.

Headstart en la selección de características

he estado corriendo muchos de estos modelos de regresión y voy a compartir lo que he encontrado para ser verdad, lo que le dará una ventaja inicial en donde empezar a buscar

de regresión Múltiple es donde algunas de las variables independientes se utilizan (en lugar de solo uno, como en el ejemplo de arriba), para predecir una variable dependiente. Con los Anuncios de Google, he encontrado que hay es siempre una variable independiente que es el más fuerte predictor de conversiones. Probablemente se podría haber adivinado que uno ya es.

Cuando se ejecuta ML del modelo en el diario la etiqueta de datos de entrenamiento para predecir ciertas características llevaría a una conversión, continuamente nos encontramos que todas las otras cosas siendo iguales, la campaña de pasar es el más fuerte predictor de conversión de volumen.

La siguiente tabla muestra el “Root Mean Squared Error (RMSE) para diferentes ML modelos.

RMSE es una medida de error, se muestra cómo de lejos el modelo ajustado es a partir de los datos de entrenamiento. El menor es el error de la mejor – es el modelo con más precisión se ajustó a los datos. (2) Todas las funciones incluye: el Día de la semana, palabra clave, CTR, CPC, el Dispositivo, el final de la URL (página de aterrizaje), la posición del anuncio & Costo.

Nos corrió cinco diferentes algoritmos de aprendizaje automático: Árbol de Decisión, K Vecinos más próximos, la Regresión Lineal, Bosque Aleatorio y Support Vector de Regresión. En la mayoría de los casos, la eliminación de “costo” como una característica del conjunto de datos, aumentó el valor de error por más que la eliminación de cualquier otra característica. Esto significa que el modelo se convirtió en menos preciso a la hora de predecir el resultado correcto.

también podemos analizar la característica de importancia utilizado por el bosque aleatorio (el mejor modelo). Es claro que el costo es la característica clave del algoritmo se utiliza para determinar sus resultados:

Esto no debería venir como una sorpresa, ya que el más se gasta, más probable es que usted va a recibir de ventas. Usar el costo como un predictor para la venta es un gran lugar para comenzar su análisis de regresión.

la Construcción de una regresión a partir de cero con los Anuncios de Google de datos

Aquí vamos a mostrar cómo construir un modelo de regresión con el “costo diario” como la variable independiente y “conversiones diarias” como la variable dependiente. Vamos a hacer esto en 5 sencillos pasos.

Nota: Esto sólo funcionará con los Anuncios de Google cuenta de que tiene la conversión de los datos en ella.

Paso 1 – Crear informe:

Dentro de los Anuncios de Google, vaya a Informes >> Informes Predefinidos >> Tiempo >> Día

Paso 2 – Preparar informe y descarga:

una Vez en el informe (imagen de abajo), seleccione el botón “columnas” (caja roja), a continuación, eliminar todas las columnas excepto “Costo” y “Conversiones”. A continuación, seleccione una fecha de un año a partir de hoy (caja azul). por último, descargue el informe como una “excel .csv” archivo (cuadro verde).

Paso 3 – Generar diagrama de dispersión en Excel:

Abra el archivo de excel y seleccione las columnas que contienen sólo el “costo” y “conversiones” de datos. En el siguiente ejemplo, las celdas C3:D17. A continuación, en la barra de menú, seleccione “Insertar” >> ‘diagrama de dispersión.”

Paso 4 – Generar una línea de regresión en el diagrama de dispersión:

ahora Tenemos una hermosa diagrama de dispersión de representar “costo” y “conversiones”. Generar una línea de regresión haciendo clic derecho sobre cualquiera de los puntos de datos y seleccionando “agregar línea de tendencia.”

Paso 5 – Elegir la mejor línea de regresión utilizando r-cuadrado:

En el menú de la derecha, que ahora son capaces de seleccionar diferentes opciones de regresión (cuadro rojo). Seleccione la casilla de verificación “presentar el valor R cuadrado en el gráfico” (cuadro rosa). En un sentido general, cuanto mayor es el r-cuadrado, el mejor es el ajuste de la línea. A medida que pasa a través de diferentes líneas de regresión, se puede ver que tiene el mayor valor de r cuadrado. Usted también puede decidir visualmente que parece encajar mejor. A continuación, agregue la fórmula de regresión del ajuste elegido (cuadro verde). Vamos a utilizar esta fórmula para hacer predicciones.

Hacer extendido predicciones utilizando la ecuación de regresión

La línea de regresión que hemos creado es muy útil. Incluso desde una perspectiva visual, que ahora son capaces de visualizar lo que espera conversiones diarias serán, en cualquier punto del costo diario.

a Pesar de que esto puede hacerse visualmente, utilizando la fórmula de regresión es más preciso y también puede ampliar las predicciones de la gráfica. En el ejemplo de abajo que me han conspirado (con una cuenta más grande), la ecuación de regresión es dado como y = 28.782*ln(x) – 190.36.

En la ecuación y representa las conversiones, y x representa el “costo”. Para predecir y para cualquier x, se reemplace x con un número real. Vamos a asumir un costo de $5.000. Decimos y = 28.782*ln(5,000) – 190.36. el Uso de una calculadora, sale a 54 de conversiones al día.

Ahora el poder real aquí viene cuando ampliamos este cálculo más allá de la gráfica donde pasan no ha habido antes. Los puntos de datos del gráfico muestran los más altos pasar jamás se realizó por día fue de menos de $7,000. Si reemplazamos la x con 10k, (se prevé pasar de $10.000 por día), puedo obtener una estimación utilizando la fórmula, de 74.7 de conversiones al día.

Bonus: Encontrar los lugares Óptimos o decreciente con CPA

Graficar el “costo” y “conversiones” juntos es muy potente para ser capaz de predecir las conversiones en diferentes gasta. Pero en realidad, a menudo estamos más interesados en la minimización de CPA o la predicción de las conversiones en un CPA. Podemos del mismo modo gráfico CPA en contra de conversiones para entender mejor esto.

a partir De la CPA gráfico de la derecha identificar a un mínimo punto donde CPA es el más bajo en la dimensión de los costos, esta es la parte inferior de la ‘U’ forma. Este punto se corresponde también en el gráfico de la izquierda (costo vs conversiones) con la línea verde.

el Uso de esta metodología podemos ahora identificar el mínimo CPA potencial, ¿a qué costo que esto ocurra y, a continuación, también predecir la cantidad de conversiones que íbamos a recibir en ese momento. Lo mismo se puede hacer para cualquier punto en el CPA de la línea.

Es importante mencionar que la regresión utiliza los datos históricos sólo. Todos los costos y los datos de conversión se basa en lo que ha sucedido en el pasado. Por lo tanto, si usted espera que su rendimiento para mejorar y conversiones a aumentar en el futuro, esto no va a ser tenido en cuenta en estos modelos. Para ajustar el este, tomando datos más recientes, como el de seis meses o tres meses atrás podría ser una mejor opción. Del mismo modo, puede eliminar o incluir “días,” durante periodos de ventas que puede o no ser relevante, con el fin de no sesgar los datos.

estudios de Caso y la aplicación

el Uso de esta metodología, hemos sido capaces de lograr tres resultados clave con los clientes:

Más de exploración

Considere la posibilidad de que muchas empresas están interesadas en los ingresos y la rentabilidad de la inversión, en lugar de conversiones y CPA. Las mismas técnicas pueden ser utilizadas para predecir los ingresos, así como las opciones para maximizar el ROI (buscamos la máxima puntos en vez de la mínima). Actualmente estoy construyendo un PPC de la optimización de la herramienta para automatizar esta gráfica y el proceso de predicción. La herramienta también llevar esto un paso más allá y ser capaces de resolver para la solución óptima utilizando una función solver.

las Opiniones expresadas en este artículo son las del autor invitado y no necesariamente Tierra del Motor de Búsqueda. El personal de los autores se muestran aquí.

Marca es el co-fundador de

This content was originally published here.

Dejá un comentario