PPC预算预测的数学解决方案

在为许多行业的许多客户管理 Google Ads 帐户的十多年里，我发现总会出现类似的问题。 我经常收到的最一致的问题，提炼成一个基本概念是：

“我们如何预测不同广告投资的结果？” .

为这个问题提供一个很好的答案是我过去两年的使命。

经验丰富的 Google Ads 专业人士会本能地回答此类问题。 在帐户中花费时间后，您会感受到它的潜力。

尽管能够为我认为是对性能的良好预测提供一个直观的答案，但在尝试提供理由时，我总是表现不佳。

Budget Optimize 是我为解决这个问题而开发的工具。 它提供了一个可视化的活动轨迹图和一个基于数学的不同支出的性能预测。 它使我们能够提出解决方案并了解其背后的原因。

如何准确预测 PPC 支出？

这个问题通常在接管一个新账户时出现，但随着账户的成熟，多年来也会不断出现。 虽然客户关于这个主题的问题范围很广，但它们都集中在一个相似的点上：

• 如果我们可以让它发挥作用，我有足够的预算，我们能达到 X:1 的投资回报率吗？
• 如果我们将帐户中的支出增加 X，CPA 会发生什么变化？
• 我真的应该在我的帐户中花费多少才能充分利用它？
• 我需要撤回预算，如果我们将预算减少 X%，我的 CPA（或 ROI）会是多少？

了解这个问题的背后是什么以及谁在问这个问题很重要。 这些问题是高层次的，提问的人不是在看细节，例如为什么某个广告以一种方式编写，或者为什么这个关键字与那个广告匹配。

它们是决策者和主要利益相关者提出的问题，这意味着最终它们是对企业很重要的问题。 这就是为什么回答好这个问题如此重要的原因，一个有充分根据的答案会给那些重要并影响业务关键决策的人留下深刻印象。

此时，你会如何回答这个问题？ 一种常见的方法是根据展示次数份额进行推断。 我们可以查看每个广告系列并估算支出和转化次数的变化。 如果我们将展示次数份额加倍，我们假设支出和转化次数也会加倍。 这将提供有限的答案，但它假设随着我们增加投资而不会考虑收益递减的线性活动绩效。

我们可以看到这在视觉上看起来如何以及持续增加支出是多么不切实际。 在下面的示例中，当我们将展示次数份额 (IS) 从 30% 增加到 60% 时，我们假设支出和转化率线性增加，这两个指标都翻了一番。

图 1：使用展示份额来估计增加的支出潜力会产生不切实际的线性预测。

我们需要一个更好的模型来更准确地映射我们的活动并解释收益递减。

可视化 Google Ads 帐户

更好的方法是根据过去的表现建立数学模型。 解释这个模型的最好方法是在图表上对其进行可视化。

将此视为能够从另一个维度查看您的 Google Ads 帐户。 我们习惯于查看广告系列、展示次数和点击次数以及关键字和广告效果。

这些对于理解和优化帐户的组成部分都至关重要，但关注这些指标并不能提供帐户轨迹的整体视图。

账户轨迹是一个新维度，让我们能够回答潜在的问题。 它为我们提供了帐户绩效的可视化视图，我们可以用它来预测和预测绩效。

下面是我们如何绘制和可视化帐户轨迹的示例。

x 轴显示每天的支出，y 轴显示每天的转化量。 每个点是六个月期间特定日期的支出和转化次数。 在这六个月的时间里，每天大约有 182 个点映射到图表上。

仅通过查看图表，我们就可以了解帐户轨迹。 我们可以看到支出和转化之间存在关系。 随着支出的增加，转化率会以特定的速度增加。

这种关系的变化率，我们可以用数学方法描述，这是我们的关键洞察力。

回归分析

回归分析是一种机器学习模型，可以用数学方式表示这段时间内支出和转化之间的这种关系。 在同一个例子中，我们现在添加了一条回归线来映射这种关系。

回归曲线使我们能够预测不同支出水平下的相应转化。 此外，我们可以超越图表的限制，使用曲线的回归公式达到任何每日支出。

成本与 CPA 维度

我们之前绘制了成本与转化的图表。 我们还可以绘制另一个可能更具洞察力的维度：成本与 CPA，其中 CPA（或 ROI）是最重要的绩效衡量标准。

在下面的屏幕截图中，左侧的图表是成本与转化次数的关系图，而右侧的图表是使用成本与 CPA 绘制的同一帐户。

成本与 CPA 图表以图形方式向我们展示了最佳 CPA 点是每天大约 1,400 美元的支出，这是 CPA 最低的点。 随着我们从那时起增加支出，我们可以想象 CPA 如何开始上升。

我们现在可以从两个视觉方面（维度）看到账户轨迹。 这两个回归图对于预测不同支出级别的转化率或CPA都很有用。 （或者收入和投资回报率）。 这些是重要的指标，我们有一个预测它们的公式。

现在可以了解帐户的潜力并回答最初的问题。 它不再是猜谜游戏或直觉，现在我们可以根据基于过去表现的合理数学模型进行预测。

预算优化价值主张

虽然可以在 Excel 中执行回归分析，但 Budget Optimize 能够为高级分析添加额外的功能。 优点包括：

拟合不同的回归模型：不同的账户有不同的轨迹，因此不同的回归模型提供更高的准确性。 我们将r 平方和均方误差视为自动拟合最佳模型并提出最准确预测的度量。

以下示例显示了不同模型如何能够表示成本与转化之间的关系。 有些模型比其他模型更准确地反映了趋势。

假设分析：当我们对帐户进行可视化时，可以很容易地看到最佳 CPA 或 ROI 的点。 该工具还能够使用假设分析以数学方式解决这个问题

高级过滤：当您需要过滤掉某些帐户指标并查看不同的广告系列组合时，运行和重新运行这些模型非常耗时。 您可能只想查看非品牌广告系列或更改历史时间段或仅查看移动广告系列。 该工具使这在几秒钟内成为可能，而不是手动花费数小时。

绘制多条回归线（高级）：该工具虽然未包含在当前功能中，但提供了回归公式，允许您在绘图工具中绘制线并测量性能。

删除异常值：单击即可轻松过滤掉异常值。 您可能有销售日或其他一些不寻常的活动，这些活动会影响结果。 Budget Optimize 允许您通过自动检测来过滤掉这种倾斜的数据。

与实际结果进行比较： Budget Optimize 允许您根据未来的预测预测查看该期间的实际结果。 在同一屏幕上轻松进行比较和预测。

限制

预算优化和回归分析并不声称提供 100% 准确的预测。 虽然我们认为这是一种预测效果的合理方法，但它的准确性会因每个帐户而异，并且只能将其视为预测。

主要限制是结果基于历史数据。 历史数据中未考虑的事情可能会在未来发生。 一些例子包括：

• 自然现象，如一连串的坏天气。 （如果您的企业销售雨伞，那就太好了）
• 帐户本身的新变化就像一个比以前更好的新帐户经理。
• 基于市场的变化，例如新的竞争对手进入或退出。

在季节性方面，我们建议使用与您尝试预测的时期相似的时期的数据。 此外，选择一个足够长且具有足够数据点的时间段。 选择最准确的时间段和有足够的数据来处理是一种平衡行为。

解决大问题

正如那句名言所说，“唯一不变的就是变化”。 Google Ad 帐户是动态的，营销预算会发生变化，这就是为什么客户总是想知道预算变化的预测结果是什么。

我的答案是基于机器学习回归算法的基于数学的解决方案。 虽然它确实有局限性并且不应该依赖于 100% 的准确性，但它是估计未来帐户绩效的合理方法。