استخدام انحدارات Excel لفهم مؤشرات الأداء الرئيسية بشكل أفضل

شاركت مجموعة منا هنا في Hanapin مؤخرًا في دورة Excel مجانية مدتها 21 يومًا يديرها خبير Microsoft Excel الشهير الدكتور واين وينستون. شعرت الدورة نفسها بالبطء في البداية ، لكنها كشفت في النهاية عن العديد من إمكانيات Excel التي لم أعرفها من قبل. الأمر الأكثر إثارة بالنسبة لي هو القدرة على تراجع المتغيرات المتعددة بدون برنامج إحصائي متقدم (مثل STATA). في هذا المنشور ، سأشارك خطوة بخطوة لإعداد وتشغيل الانحدارات في Excel ، وكيف يمكن أن تساعد هذه الأداة في تحليلات PPC وإدارة الحساب.

عفوا ، أنا أتراجع

قبل أن نتعمق في التطبيق التقني ، قد تتساءل لنفسك ، "ما هو الانحدار في العالم؟" باختصار ، تنظر الانحدارات إلى العلاقات بين المتغيرات. بالنسبة لأي متغير تابع ("Y") ، ما مجموعة المتغيرات المستقلة ("Xs") التي تساهم في التباين Y ، وما مقدار هذا السلوك الذي يفسره نموذج الانحدار؟ (انظر هنا للحصول على مراجعة متعمقة لتحليلات الانحدار)

تعد الانحدارات الخطية (أو الانحدارات الخطية المتعددة) هي الأكثر شيوعًا ، حيث يتم دمجها في معادلة مجمعة بالشكل:

حيث Y هو المتغير التابع ، X ₁ - X _n تمثل مجموعة من المتغيرات المستقلة n و A ₁ - A _n هي ثوابت المعامل المقابلة لـ X ₁ - X _n . هذا هو بناء نموذج إحصائي أساسي ، ولذا فإننا ندرك أنه سيكون هناك بعض التناقض بين نتائجنا المتوقعة والملاحظة لكل تكرار "y". وبالتالي ، يضاف مصطلح الخطأ "+ e" لمراعاة هذا التباين.

لماذا التراجع في قدرة شرائية؟

يمكن استخدام الانحدار في أي عدد من التحليلات. على سبيل المثال ، قد ترغب في التفكير في تأثير تغييرات عرض سعر النقرة على متوسط الموضع أو نسبة ظهور الإعلان المفقودة أو نقاط الجودة. يمكنك فحص العنصر (نسبة النقر إلى الظهور المتوقعة ، أو تجربة الصفحة المقصودة ، أو مدى صلة الإعلان بالموضوع) الذي له التأثير الأقوى على نقاط الجودة على مستوى حسابك أو حملتك أو الكلمة الرئيسية. ربما ، كما سنرى في المثال أدناه ، تريد الكشف عن الدور الذي تلعبه تكلفة النقرات على شبكة البحث والشبكة الإعلانية ومعدلات التحويل في تكلفة الاكتساب الإجمالية لحسابك.

مهما كان هدفك النهائي ، فإن عملية إعداد وتحديد قيمة نموذج الانحدار الخاص بك هي نفسها.

الخطوة 1: قم بإعداد بياناتك

كما هو الحال مع أي تحليل ، تتطلب النتيجة الجيدة بيانات جيدة تم إعدادها بشكل صحيح. للحصول على نتائج انحدار جيدة ، تحتاج إلى كمية كافية من البيانات (على الأقل العديد من نقاط البيانات مثل عدد المتغيرات المستقلة ، ولكن كلما توفرت لديك بيانات أكثر ، كلما كان نموذج الانحدار الخاص بك أكثر دقة). لزيادة عدد نقاط البيانات ، قد تفكر في تقسيم بياناتك حسب اليوم أو الأسبوع أو الشهر (حسب الإطار الزمني الذي يتم فحصه).

على سبيل المثال ، نحن نستخدم بيانات من الأشهر الـ 24 الماضية في Adwords. بعد تنزيل تقرير حملة (مقسم حسب الشهر) ، نقوم بإنشاء جدول محوري لفحص النقرات والتكلفة والتحويلات حسب الشهر ونوع الحملة:

من هنا ، يمكننا حساب CPA و CPC و CVR لكل شبكة ، بالإضافة إلى إجمالي تكلفة الاكتساب. ثم إنها مجرد عملية نسخ ولصق سريعة للبيانات في ورقة جديدة ، ونحن على استعداد لبدء التراجع!

الخطوة الثانية: بناء النموذج الخاص بك (اختيار المتغيرات)

يتكون بناء النموذج من عنصرين رئيسيين: التخطيط المدروس والمراجعة المرنة. يتعلق التخطيط المدروس بالنظر في المتغيرات التي ستكون الأنسب لنموذجك منطقياً (وما هي البيانات المتاحة للاستخدام). يمكن أن يوفر لك قضاء بعض الوقت الإضافي في مرحلة التخطيط الوقت والعقل لاحقًا أثناء اختبار النموذج الخاص بك وإعادة اختباره. حتى مع الإعداد الدقيق ، قد لا تزال بحاجة إلى مراجعة نموذجك بمرونة أثناء التراجع وتحديد المتغيرات المهمة وغير المهمة.

ملاحظتان مهمتان عند اختيار المتغيرات المستقلة:

• يجب أن يكون للمتغيرات المستقلة علاقة منطقية يمكن تصورها بالمتغير التابع (على سبيل المثال ، سيكون متوسط ​​هطول الأمطار في طوكيو وعدد النوبات القلبية في ويسكونسن منخفضًا في قائمة الارتباطات التي يجب فحصها)
• يجب ألا تكون المتغيرات المستقلة شديدة الارتباط ببعضها البعض (أي أن تضمين التكلفة والنقرات وتكلفة النقرة كمتغيرات مستقلة ضمن نفس الانحدار قد يتسبب في حدوث خطأ متعدد الخطوط في النموذج)

في مثالنا ، نريد أن نلقي نظرة على الدافع وراء تكلفة الاكتساب لحسابنا. نحن نعلم أن هناك شبكتين نعرض عليهما الإعلانات في Adwords - شبكة البحث والشبكة الإعلانية - ونعلم أن المتغيرين الرئيسيين اللذين يدفعان تكلفة الاكتساب (التكلفة / التحويل) لكل شبكة هما CPC (التكلفة / النقرة) و CVR (التحويل / النقر) ).

لذلك ، سنبدأ بالتراجع عن تكلفة الاكتساب على تكلفة النقرة و CVR للبحث والعرض بشكل منفصل لتحديد المتغيرات المستقلة المهمة ، وبالتالي يجب تضمينها في نموذجنا النهائي.

الخطوة الثالثة: التراجع والمراجعة

لإجراء انحدار في Excel:

1. قبل بدء الانحدار في Excel ، تحقق أولاً للتأكد من أن المتغيرات المستقلة (أعمدة البيانات) متجاورة.

2. بعد ذلك ، تأكد من تمكين الوظيفة الإضافية "Analysis ToolPak" لبرنامج Excel (تظهر في شريط "البيانات" بمجرد تمكينها).

3. ضمن مربع أدوات تحليل البيانات ، حدد "الانحدار".

4. أدخل نطاق المتغير التابع (Y) ونطاق المتغيرات المستقلة (X) ، وحدد "الملصقات" إذا اخترت تضمين رؤوس الأعمدة

5. حدد موضعًا لإخراج الانحدار (ورقة عمل جديدة أو موجودة)

6. حدد "المخلفات" إذا كنت تريد التحقق من القيم المتطرفة وإزالتها في البيانات

7. انقر فوق "موافق" لتشغيل الانحدار. سيتم توجيهك تلقائيًا إلى الورقة التي تحتوي على ملخص الإخراج والتفاصيل.

8. إذا كشف فحص ناتج الانحدار عن متغيرات مستقلة غير مهمة (عادةً ، تكون قيم p أكبر من .1) أو تربيع R أقل من المتوقع (انظر "A" أدناه) ، يمكنك تكرار العملية حسب الحاجة إلى صقل النموذج.

الخطوة 4: فهم المخرجات

قد يكون النظر إلى "إخراج الملخص" لأول مرة أمرًا مخيفًا ومحبطًا. لتسهيل الأمر ، تم تسليط الضوء أدناه على الأقسام الرئيسية للمخرجات لمساعدتك في تقييم النموذج الذي أنشأته الانحدار للتو.

(أ) مربع R ومربع R المعدل: هذا مقياس لمدى "ملاءمة" نموذجك للبيانات. باختصار ، يخبر R Square مقدار التباين في المتغير التابع الذي يتم شرحه بواسطة المتغيرات المستقلة المختارة. مربع R المعدل هو نفسه بشكل أساسي ، ولكنه يأخذ في الاعتبار أيضًا عدد المتغيرات المستقلة المضمنة ، مما يوفر مقياسًا أكثر دقة قليلاً. (لا يوجد شيء مثل مربع R "جيد" أو "صحيح" ، لأنه يعتمد على نوع النموذج والبيانات التي تستخدمها ، ولكن كلما كان ذلك أعلى كان ذلك أفضل).

(ب) الخطأ المعياري: الجذر التربيعي لمجموع الفروق التربيعية بين النتائج المتوقعة والفعلية. للتوزيع الطبيعي ، ما يقرب من 65٪ من المخلفات (انظر "E" أدناه) سيكون أقل من خطأ قياسي واحد و 95٪ سيكون أقل من 2. المخلفات الأكبر من ضعف الخطأ القياسي عادةً ما يتم تصنيفها على أنها قيم متطرفة في البيانات.

(ج) معاملات المتغيرات المستقلة: المعاملات هي المصطلحات "أ" في معادلة الانحدار. وبالتالي ، في هذا المثال ، يجب أن تساوي الزيادة بمقدار وحدة واحدة في تكلفة النقرة زيادة قدرها 8.4 في تكلفة الاكتساب (بافتراض بقاء معدل التحويل المستمر ثابتًا).

(د) قيمة P للمتغيرات المستقلة: من منظور الشخص العادي ، تخبر القيمة P أهمية المتغير المستقل. تعتبر قيم P المنخفضة مهمة (تهدف إلى أقل من 1) ، بينما تشير قيم P العالية إلى أن الارتباط المدرك يمكن أن يكون مجرد فرصة. يجب استبعاد المتغيرات المستقلة ذات القيم P المرتفعة أثناء مرحلة "المراجعة المرنة".

(هـ) المخلفات: يوضح هذا الفرق بين القيمة المتوقعة للمتغير التابع لكل تكرار والقيمة المسجلة الفعلية. كما ذكر أعلاه ، يجب أن تكون معظم المخلفات أقل من خطأ معياري واحد ويجب أن تكون جميعها تقريبًا أقل من قيمة 2 * خطأ معياري. يمكنك تحديد ما إذا كنت تريد تضمين أو استبعاد أي قيم متطرفة محددة (بقايا أكبر من ضعف الخطأ القياسي) من نموذجك.

الخطوة 5: ضعها معًا (جزء الوجبات الجاهزة!)

بعد إجراء ثلاث عمليات انحدار ، وجدنا المعادلات الثلاث التالية المتعلقة بتكلفة النقرة على شبكة البحث والعرض و CVR بالشبكة وإجمالي تكلفة الاكتساب:

تتحقق هذه المعادلات مما كنا نعرفه بالفعل (أو اعتقدنا أننا فعلناه): أن تكلفة النقرات على شبكة البحث والشبكة الإعلانية وتقارير التحويلات النقدية (CVR) تلعب جميعها دورًا مهمًا في سلوك إجمالي تكلفة الاكتساب الخاصة بنا. علاوة على ذلك ، فقد كشفوا أيضًا عن 3 أشياء لن تفعلها خريطة الحرارة القياسية.

• تؤثر الزيادة في تكلفة النقرة على شبكة البحث على تكلفة الاكتساب على شبكة البحث بمقدار 3.5 أضعاف تأثير التأثير المكافئ في معدل التحويل في البحث على شبكة البحث
• التقلبات في تكلفة النقرة على الشبكة الإعلانية لها ما يقرب من 5 أضعاف تأثير عرض CVR على عرض تكلفة الاكتساب
• بشكل عام ، تؤثر التحولات في أداء الشبكة الإعلانية على إجمالي تكلفة الاكتساب بشكل كبير أكثر من التغيرات بالحجم المماثل في أداء شبكة البحث

من هذا ، يتضح أن تكلفة النقرة على الشبكة الإعلانية هي الهدف رقم 1 للتحسين إذا كنت أهدف إلى تقليل إجمالي تكلفة الاكتساب. يأتي البحث عن تكلفة النقرة (CPC) وعرض CVR في المرتبة التالية ، مع اعتبار Search CVR أقل أولوياتي.

تعد الانحدارات أداة قوية وإضافة رائعة إلى حزام أدوات PPC Manager. يوضح هذا المثال الأساسي إحدى الطرق العديدة التي يمكن أن تساعدك بها الانحدارات على فهم العلاقات بين مؤشرات الأداء الرئيسية المحبوبة لديك. نأمل أن تختبر أو تستمر في استخدام قدرة الانحدار في Excel ، وأن تشارك تجربتك / أفكارك / نتائجك معنا على Twitter!