PPC預算預測的數學解決方案

在為許多行業的許多客戶管理 Google Ads 帳戶的十多年裡，我發現總會出現類似的問題。 我經常收到的最一致的問題，提煉成一個基本概念是：

“我們如何預測不同廣告投資的結果？” .

為這個問題提供一個很好的答案是我過去兩年的使命。

經驗豐富的 Google Ads 專業人士會本能地回答此類問題。 在帳戶中花費時間後，您會感受到它的潛力。

儘管能夠為我認為是對性能的良好預測提供一個直觀的答案，但在嘗試提供理由時，我總是表現不佳。

Budget Optimize 是我為解決這個問題而開發的工具。 它提供了一個可視化的活動軌跡圖和一個基於數學的不同支出的性能預測。 它使我們能夠提出解決方案並了解其背後的原因。

如何準確預測 PP​​C 支出？

這個問題通常在接管一個新賬戶時出現，但隨著賬戶的成熟，多年來也會不斷出現。 雖然客戶關於這個主題的問題範圍很廣，但它們都集中在一個相似的點上：

• 如果我們可以讓它發揮作用，我有足夠的預算，我們能達到 X:1 的投資回報率嗎？
• 如果我們將帳戶中的支出增加 X，CPA 會發生什麼變化？
• 我真的應該在我的帳戶中花費多少才能充分利用它？
• 我需要撤回預算，如果我們將預算減少 X%，我的 CPA（或 ROI）會是多少？

了解這個問題的背後是什麼以及誰在問這個問題很重要。 這些問題是高層次的，提問的人不是在看細節，例如為什麼某個廣告以一種方式編寫，或者為什麼這個關鍵字與那個廣告匹配。

它們是決策者和主要利益相關者提出的問題，這意味著最終它們是對企業很重要的問題。 這就是為什麼回答好這個問題如此重要的原因，一個有充分根據的答案會給那些重要並影響業務關鍵決策的人留下深刻印象。

此時，你會如何回答這個問題？ 一種常見的方法是根據展示次數份額進行推斷。 我們可以查看每個廣告系列並估算支出和轉化次數的變化。 如果我們將展示次數份額加倍，我們假設支出和轉化次數也會加倍。 這將提供有限的答案，但它假設隨著我們增加投資而不會考慮收益遞減的線性活動績效。

我們可以看到這在視覺上看起來如何以及持續增加支出是多麼不切實際。 在下面的示例中，當我們將展示次數份額 (IS) 從 30% 增加到 60% 時，我們假設支出和轉化率線性增加，這兩個指標都翻了一番。

圖 1：使用展示份額來估計增加的支出潛力會產生不切實際的線性預測。

我們需要一個更好的模型來更準確地映射我們的活動並解釋收益遞減。

可視化 Google Ads 帳戶

更好的方法是根據過去的表現建立數學模型。 解釋這個模型的最好方法是在圖表上對其進行可視化。

將此視為能夠從另一個維度查看您的 Google Ads 帳戶。 我們習慣於查看廣告系列、展示次數和點擊次數以及關鍵字和廣告效果。

這些對於理解和優化帳戶的組成部分都至關重要，但關注這些指標並不能提供帳戶軌蹟的整體視圖。

賬戶軌跡是一個新維度，讓我們能夠回答潛在的問題。 它為我們提供了帳戶績效的可視化視圖，我們可以用它來預測和預測績效。

下面是我們如何繪製和可視化帳戶軌蹟的示例。

x 軸顯示每天的支出，y 軸顯示每天的轉化量。 每個點是六個月期間特定日期的支出和轉化次數。 在這六個月的時間裡，每天大約有 182 個點映射到圖表上。

僅通過查看圖表，我們就可以了解帳戶軌跡。 我們可以看到支出和轉化之間存在關係。 隨著支出的增加，轉化率會以特定的速度增加。

這種關係的變化率，我們可以用數學方法描述，這是我們的關鍵洞察力。

回歸分析

回歸分析是一種機器學習模型，可以用數學方式表示這段時間內支出和轉化之間的這種關係。 在同一個例子中，我們現在添加了一條回歸線來映射這種關係。

回歸曲線使我們能夠預測不同支出水平下的相應轉化。 此外，我們可以超越圖表的限制，使用曲線的回歸公式達到任何每日支出。

成本與 CPA 維度

我們之前繪製了成本與轉化的圖表。 我們還可以繪製另一個可能更具洞察力的維度：成本與 CPA，其中 CPA（或 ROI）是最重要的績效衡量標準。

在下面的屏幕截圖中，左側的圖表是成本與轉化次數的關係圖，而右側的圖表是使用成本與 CPA 繪製的同一帳戶。

成本與 CPA 圖表以圖形方式向我們展示了最佳 CPA 點是每天大約 1,400 美元的支出，這是 CPA 最低的點。 隨著我們從那時起增加支出，我們可以想像 CPA 如何開始上升。

我們現在可以從兩個視覺方面（維度）看到賬戶軌跡。 這兩個回歸圖對於預測不同支出級別的轉化率或CPA都很有用。 （或者收入和投資回報率）。 這些是重要的指標，我們有一個預測它們的公式。

現在可以了解帳戶的潛力並回答最初的問題。 它不再是猜謎遊戲或直覺，現在我們可以根據基於過去表現的合理數學模型進行預測。

預算優化價值主張

雖然可以在 Excel 中執行回歸分析，但 Budget Optimize 能夠為高級分析添加額外的功能。 優點包括：

擬合不同的回歸模型：不同的賬戶有不同的軌跡，因此不同的回歸模型提供更高的準確性。 我們將r 平方和均方誤差視為自動擬合最佳模型並提出最準確預測的度量。

以下示例顯示了不同模型如何能夠表示成本與轉化之間的關係。 有些模型比其他模型更準確地反映了趨勢。

假設分析：當我們對帳戶進行可視化時，可以很容易地看到最佳 CPA 或 ROI 的點。 該工具還能夠使用假設分析以數學方式解決這個問題

高級過濾：當您需要過濾掉某些帳戶指標並查看不同的廣告系列組合時，運行和重新運行這些模型非常耗時。 您可能只想查看非品牌廣告系列或更改歷史時間段或僅查看移動廣告系列。 該工具使這在幾秒鐘內成為可能，而不是手動花費數小時。

繪製多條回歸線（高級）：該工具雖然未包含在當前功能中，但提供了回歸公式，允許您在繪圖工具中繪製線並測量性能。

刪除異常值：單擊即可輕鬆過濾掉異常值。 您可能有銷售日或其他一些不尋常的活動，這些活動會影響結果。 Budget Optimize 允許您通過自動檢測來過濾掉這種傾斜的數據。

與實際結果進行比較： Budget Optimize 允許您根據未來的預測預測查看該期間的實際結果。 在同一屏幕上輕鬆進行比較和預測。

限制

預算優化和回歸分析並不聲稱提供 100% 準確的預測。 雖然我們認為這是一種預測效果的合理方法，但它的準確性會因每個帳戶而異，並且只能將其視為預測。

主要限制是結果基於歷史數據。 歷史數據中未考慮的事情可能會在未來發生。 一些例子包括：

• 自然現象，如一連串的壞天氣。 （如果您的企業銷售雨傘，那就太好了）
• 帳戶本身的新變化就像一個比以前更好的新帳戶經理。
• 基於市場的變化，例如新的競爭對手進入或退出。

在季節性方面，我們建議使用與您嘗試預測的時期相似的時期的數據。 此外，選擇一個足夠長且具有足夠數據點的時間段。 選擇最準確的時間段和有足夠的數據來處理是一種平衡行為。

解決大問題

正如那句名言所說，“唯一不變的就是變化”。 Google Ad 帳戶是動態的，營銷預算會發生變化，這就是為什麼客戶總是想知道預算變化的預測結果是什麼。

我的答案是基於機器學習回歸算法的基於數學的解決方案。 雖然它確實有局限性並且不應該依賴於 100% 的準確性，但它是估計未來帳戶績效的合理方法。