KPI'ları Daha İyi Anlamak için Excel Regresyonlarını Kullanma

Hanapin'deki bir grubumuz kısa süre önce ünlü Microsoft Excel uzmanı Dr. Wayne Winston tarafından yönetilen ücretsiz bir 21 Günlük Excel Kursuna katıldık. Kursun kendisi ilk başta yavaş geldi, ama sonunda hiç bilmediğim birkaç Excel yeteneğini ortaya çıkardı. Bana göre bunlardan en heyecan verici olanı, gelişmiş bir istatistiksel yazılım (STATA gibi) olmadan birden fazla değişkeni geri çekme kapasitesidir. Bu gönderide, Excel'de regresyonları ayarlamak ve çalıştırmak için adım adım adımları ve bu aracın PPC analizlerinizde ve hesap yönetiminizde nasıl yardımcı olabileceğini paylaşacağım.

Özür dilerim, geriliyorum

Teknik uygulamaya girmeden önce, kendi kendinize “Regresyon nedir?” diye merak ediyor olabilirsiniz. Kısacası, regresyonlar değişkenler arasındaki ilişkilere bakar. Herhangi bir bağımlı değişken (“Y”) için, hangi bağımsız değişkenler (“Xs”) Y varyasyonuna katkıda bulunur ve regresyon modeli bu davranışın ne kadarını açıklar? (Regresyon analizlerinin derinlemesine bir incelemesi için buraya bakın)

Lineer regresyonlar (veya çoklu lineer regresyonlar) en yaygın olanlardır ve şu şekildeki özetlenmiş bir denkleme uyarlar:

burada Y bağımlı değişkendir, X ₁ – X _n bir dizi n bağımsız değişkeni temsil eder ve A ₁ – A _n , X ₁ – X _n'ye karşılık gelen katsayı sabitleridir. Bu, temel istatistiksel model oluşturmadır ve bu nedenle, her "y" yineleme için tahmin edilen ve gözlemlenen sonuçlarımız arasında bir miktar tutarsızlık olacağını kabul ediyoruz. Bu nedenle, bu tür bir varyansı hesaba katmak için “ + e” hata terimi eklenir.

PPC'de Neden Gerileme?

Regresyonlar herhangi bir sayıda analizde kullanılabilir. Örneğin, TBM teklif değişikliklerinin Ort. üzerinde ne gibi etkileri olduğunu düşünmek isteyebilirsiniz. Konum, Kaybedilen Gösterim Payı veya Kalite Puanı. Hangi öğenin (beklenen TO, açılış sayfası deneyimi veya reklam alaka düzeyi) hesabınız, kampanyanız veya anahtar kelime düzeyindeki Kalite Puanınız üzerinde en güçlü etkiye sahip olduğunu inceleyebilirsiniz. Aşağıdaki örnekte göreceğimiz gibi, Arama ve Görüntülü Reklam Ağı TBM'lerinin ve Dönüşüm Oranlarının hesabınızın genel EBM'sinde oynadığı rolü ortaya çıkarmak isteyebilirsiniz.

Nihai hedefiniz ne olursa olsun, regresyon modelinizin değerini kurma ve belirleme süreci aynıdır.

1. Adım: Verilerinizi Hazırlayın

Herhangi bir analizde olduğu gibi, iyi bir sonuç, doğru bir şekilde hazırlanmış kaliteli veriler gerektirir. İyi regresyon sonuçları için yeterli miktarda veriye ihtiyacınız vardır (en az bağımsız değişken sayısı kadar veri noktasına ihtiyacınız vardır, ancak elinizde ne kadar fazla veri varsa, regresyon modeliniz o kadar doğru olabilir). Veri noktalarının sayısını artırmak için verilerinizi güne, haftaya veya aya göre bölümlere ayırmayı düşünebilirsiniz (incelenmekte olan zaman çerçevesine bağlı olarak).

Örneğimiz için, Adwords'te son 24 aya ait verileri kullanıyoruz. Bir kampanya raporu indirdikten sonra (aya göre bölümlere ayrılmış), Tıklamaları, Maliyeti ve Dönüşümleri aya ve Kampanya türüne göre incelemek için bir pivot tablo oluşturuyoruz:

Buradan, Toplam EBM'nin yanı sıra her ağ için EBM, TBM ve CVR'yi hesaplayabiliriz. O zaman bu, verilerin yeni bir sayfaya hızlı bir şekilde kopyalanıp yapıştırılmasıdır, gerilemeye başlamaya hazırız!

Adım 2: Modelinizi Oluşturun (Değişkenleri Seçme)

Model oluşturmanın iki ana bileşeni vardır: dikkatli planlama ve esnek revizyon. Düşünceli planlama, modeliniz için mantıksal olarak hangi değişkenlerin en uygun olacağını (ve hangi verilerin kullanılabilir olduğunu) düşünmekle ilgilidir. Planlama aşamasında biraz fazladan zaman harcamak, daha sonra modelinizi test edip yeniden test ederken size zaman ve akıl sağlığı kazandırabilir. Dikkatli bir hazırlıkla bile, önemli olan ve olmayan değişkenleri gerilerken ve tanımlarken modelinizi esnek bir şekilde gözden geçirmeniz gerekebilir.

Bağımsız değişkenleri seçerken iki önemli not:

• Bağımsız değişkenler (Tokyo yani ort. Yağış ve Wisconsin kalp krizi # incelemek için korelasyon listemde düşük olurdu) bağımlı değişken bir akla, mantıksal ilişki içinde olmalıdır
• Bağımsız değişkenler birbirleriyle yüksek düzeyde ilişkili olmamalıdır (örn. Maliyet, Tıklamalar ve TBM'yi aynı regresyon içinde bağımsız değişkenler olarak dahil etmek, modelde çoklu bağlantı hatasına neden olur)

Örneğimizde, hesap EBM'mizi neyin yönlendirdiğine bakmak istiyoruz. Adwords'te reklam yayınladığımız iki ağ olduğunu (Arama Ağı ve Görüntülü Reklam Ağı) biliyoruz ve her ağ için EBM'yi (Maliyet/Dönüşüm) artıran iki ana değişkenin TBM (Maliyet/Tıklama) ve CVR (Dönüşüm/Tıklama) olduğunu biliyoruz. ).

Bu nedenle, hangi bağımsız değişkenlerin anlamlı olduğunu ve dolayısıyla nihai modelimize dahil edilmesi gerektiğini belirlemek için Arama ve Görüntüleme için CPC ve CVR'de CPA'yı ayrı ayrı regresyonlayarak başlayacağız.

3. Adım: Geri Dönün ve Gözden Geçirin

Excel'de bir gerileme çalıştırmak için:

1. Excel'de regresyona başlamadan önce, bağımsız değişkenlerin (veri sütunları) birbirine komşu olduğundan emin olun.

2. Ardından, "Analiz Araç Takımı" Eklentisinin Excel için etkinleştirildiğini onaylayın (etkinleştirildiğinde "Veri" şeridinde görünür).

3. Veri Analizi araç kutusundan “Regresyon”u seçin.

4. Bağımlı Değişken (Y) aralığınızı ve Bağımsız Değişkenler (X) aralığınızı girin, sütun başlıklarını dahil etmeyi seçerseniz “Etiketler”i seçin

5. Regresyon çıktınız için bir yerleşim seçin (yeni veya mevcut bir çalışma sayfası)

6. Verilerdeki aykırı değerleri kontrol etmek ve kaldırmak istiyorsanız “artıklar”ı seçin.

7. Regresyonu çalıştırmak için “Tamam”a tıklayın. Çıktı özetini ve ayrıntılarını içeren sayfaya otomatik olarak yönlendirileceksiniz.

8. Regresyon çıktısının incelenmesi, önemsiz bağımsız değişkenler (tipik olarak, p-değerleri .1'den büyüktür) veya beklenenden daha düşük bir R-kare (aşağıdaki “A”ya bakın) ortaya çıkarırsa, işlemi gerektiği kadar tekrarlayabilirsiniz. modeli düzeltin.

Adım 4: Çıktıyı Anlamak

Bir Özet Çıktıya ilk kez bakmak göz korkutucu ve cesaret kırıcı olabilir. Bunu kolaylaştırmak için aşağıda vurgulananlar, regresyonunuzun henüz oluşturduğunuz modeli değerlendirmenize yardımcı olacak çıktının temel bölümleridir.

(A) R Kare ve Düzeltilmiş R Kare: Bu, modelinizin verilere ne kadar iyi "uyduğunun" bir ölçüsüdür. Kısacası, R Kare, Bağımlı Değişkendeki varyasyonun ne kadarının seçilen Bağımsız Değişkenler tarafından açıklandığını söyler. Düzeltilmiş R Kare temelde aynıdır, ancak aynı zamanda dahil edilen Bağımsız Değişkenlerin sayısını da dikkate alarak biraz daha doğru bir ölçüm sağlar. ("İyi" veya "doğru" R Kare diye bir şey yoktur, çünkü bu, kullandığınız modelin ve verinin türüne bağlıdır, ancak ne kadar yüksekse o kadar iyidir).

(B) Standart Hata: Tahmin edilen ve gerçekleşen sonuçlar arasındaki farkların karelerinin toplamının karekökü. Normal bir dağılım için, kalıntıların kabaca %65'i (aşağıdaki “E”ye bakın) bir Standart Hatadan az ve %95'i 2'den az olacaktır. Standart Hatanın iki katından büyük artıklar tipik olarak verilerde aykırı değerler olarak etiketlenir.

(C) Bağımsız Değişkenlerin Katsayıları: Katsayılar, regresyon formülünüzdeki “A” terimleridir. Dolayısıyla, bu örnek için, TBM'deki 1 birimlik bir artış, EBM'deki 8,4'lük bir artışa eşit olmalıdır (CVR'nin sabit kaldığı varsayılırsa).

(D) Bağımsız Değişkenlerin P-değeri: Layman'ın terimleriyle, P-değeri bağımsız değişkenin önemini söyler. Düşük P değerleri önemlidir (0,1'den daha azını hedefleyen), yüksek P değerleri ise algılanan korelasyonun tamamen şans olabileceğini gösterir. Yüksek P değerlerine sahip Bağımsız Değişkenler, “esnek revizyon” aşamasında hariç tutulmalıdır.

(E) Artıklar: Bu, her yineleme için Bağımlı Değişkenin tahmin edilen değeri ile gerçek kaydedilen değer arasındaki farkı gösterir. Yukarıda bahsedildiği gibi, çoğu artık 1 Standart Hata'dan az olmalı ve neredeyse tamamı 2 * Standart Hata değerinden küçük olmalıdır. Belirlenen aykırı değerlerin (Standart Hatanın iki katından büyük artıklar) modelinize dahil edilip edilmeyeceğine karar verebilirsiniz.

Adım 5: Bir araya getirmek (Paket Servisler Bölümü!)

Üç regresyon çalıştırdıktan sonra, Arama ve Görüntülü Reklam Ağı TBM'sini ve CVR'yi ağ ve Toplam EBM'lerle ilişkilendiren aşağıdaki üç denklemi bulduk:

Bu denklemler, halihazırda bildiğimizi (veya bildiğimizi düşündüğümüzü) doğruluyor: Arama ve Görüntülü Reklam Ağı TBM'leri ve CVR'lerin tümü, Toplam EBM'mizin davranışında önemli bir rol oynuyor. Ancak bunun ötesinde, standart bir ısı haritasının gösteremeyeceği 3 şeyi de ortaya çıkardılar.

• Arama Ağı TBM'sindeki artışın Arama EBM'si üzerindeki etkisi, Arama CVR'sindeki eşdeğer artışa göre 3,5 kat daha fazladır
• Görüntülü Reklam Ağı TBM'sindeki dalgalanmalar, Görüntülü Reklam Ağı CVR'sinin Görüntülü Reklam Ağı EBM'si üzerindeki etkisinin yaklaşık 5 katıdır
• Genel olarak, Görüntülü Reklam Ağı performansındaki değişimler, Toplam EBM'yi Arama ağı performansındaki benzer büyüklükteki değişimlere göre daha çarpıcı biçimde etkiler

Buradan, Toplam EBM'yi düşürmeyi hedefliyorsam Görüntülü Reklam Ağı TBM'sinin optimizasyon için 1 numaralı hedef olduğu açıktır. Arama TBM'si ve Görüntülü CVR'yi, Arama CVR'si önceliklerimin en küçüğüdür.

Regresyonlar güçlü bir araçtır ve PPC Manager'ın alet kemerine harika bir ektir. Bu temel örnek, regresyonların sevgili KPI'larınız arasındaki ilişkileri anlamanıza yardımcı olabileceği birçok yoldan sadece birini göstermektedir. Excel'deki regresyon özelliğini test edeceğinizi veya kullanmaya devam edeceğinizi ve deneyimlerinizi/düşüncelerinizi/bulgularınızı Twitter'da bizimle paylaşacağınızı umuyoruz!