使用 Google Sheets 和 Vertex AI 進行 PPC 預測

隨著 PPC 格局的不斷發展，預測未來營銷活動績效的能力是非常寶貴的。

本文將介紹一些我最喜歡的使用 Google Sheets 和 Vertex AI 的 PPC 預測技術，這些技術可以描繪出更清晰的未來圖景，並為客戶提供可行的見解。

雖然沒有任何工具或技術可以提供 100% 準確的未來圖景，但這裡概述的方法可以讓我們一睹 PPC 活動的潛在軌跡。

Google Sheets FORECAST 函數：基礎知識

Google Sheets 使用以下公式提供易於使用且可靠的預測函數：

=FORECAST(z, known_y values, known_x values)

在哪裡：

• z是您要預測相應 y 值的數據點。
• known_y's是相關數據點的範圍（通常是您過去的結果或成果）。
• known_x's是獨立數據點的範圍（通常是您認為可能影響結果的變量）。

如果您只有二維，此函數是一個很好的工具。

然而，它使用線性回歸，這對於快速預測預覽來說很好，但對於考慮外部環境或其他數據源來說並沒有太先進。

假設您有去年的歷史數據，並希望預測未來的預算，以便有一些數字可供規劃。

在此示例中，我們擁有截至 8 月的當年銷售數據，並希望預測 9 月至 12 月的未來銷售數據。

如果我們將這些預測可視化，您很快就會發現使用此方法的缺點。

藍線代表截至8月份的已知銷售數據，紅線代表預測的銷售數據。

該預測只不過是一條趨勢線，這可能有助於從高層次上了解某些事物，但與藍線相比什麼都不是，藍線基本上就是真實業務數據的樣子。

增強 Google Sheets 的 FORECAST 功能

為了解決線性回歸問題，有多種方法可以使用高級方法來處理預測公式。

您可以通過在預測公式中添加趨勢數據或其他市場預測來添加一些變化，而不是僅使用線性=FORECAST()函數，如下所示：

=FORECAST()*3rdParty_Trend_Data

您可以從 Google Trends、Google Keyword Planner、Dataset Search by Google 或行業報告（來自 PwC、EY、McKinsey 等）等公共來源獲取趨勢數據，並將其導出為 CSV 或您習慣使用的任何其他格式和。

清理這些數據集以匹配原始工作表的結構，例如每日、每週或每月的數據，

接下來，補充 FORECAST 函數以獲得更真實的預測，而不僅僅是一條向上或向下的直線。

在此示例中，我們使用了額外的趨勢數據，顯示了今年第四季度的增長趨勢。 因此，這些數字與沒有趨勢數據的預測銷售額不同。

如果我們可視化這些新數據，我們可以看到與平坦趨勢線相比，趨勢數據為我們提供了更好的見解和更多細節。

根據經驗，用盡可能多的數據支持這些預測並提供更詳細的時間範圍（例如每日或每週）的數據幾乎總是一個好主意。

獲取搜索營銷人員信賴的每日新聞通訊。

正在處理...請稍候。

訂閱

查看條款。

使用 Vertex AI 進行高級預測

如果您的 PPC 營銷活動涉及具有多個變量的大型數據集，那麼轉向 Google 的 Vertex AI 可能會改變您的預測需求。

與更簡單的工具不同，Vertex AI 允許使用更複雜的模型，這些模型可以考慮多種因素，例如季節性、不同的廣告平台，甚至全球市場趨勢。

首先，您首先需要將歷史 PPC 數據上傳到 Google Cloud Storage。

從那裡，您可以訪問 Vertex AI 的 AutoML 表，自動構建適合您的數據集的機器學習模型。

訓練模型後，您可以使用內置指標評估其性能，以確保其滿足您的預測要求。 一旦您感到滿意，部署模型就很容易了。

現在，您可以使用此模型根據不同水平的廣告支出、廣告展示位置或您認為重要的任何其他變量來預測未來結果，例如點擊次數、展示次數或轉化次數。

最好的部分是什麼？ 您無需成為機器學習專家即可執行此操作。 通過一些設置和一些微調，您將獲得更準確、更有洞察力的 PPC 預測。

Vertex AI 的功能是無窮無盡的，但讓我們先看一個簡單的框架。

設置 Google Cloud 帳戶並在 Vertex AI 中創建項目後，您應該首先創建數據集。

數據集基本上是您想要用於預測的數據點的集合。

該數據集包含一個時間維度以及一些預算和收入維度。 根據您的目標，數據集可能包含不同的數據點。

命名您的數據集，選擇表格作為您的數據類型，選擇回歸或預測作為您的目標。

雖然回歸通常用於理解關係並且可以應用於各種數據類型，但預測更側重於預測時間序列中的未來點。

兩者都是數據科學中必不可少的工具，用於不同類型的決策和分析。 在大多數情況下，您都可以進行預測。

現在是時候訓練新模型了。 對於初學者來說， AutoML訓練方法始終是一個不錯的選擇。 接下來，您必須對預測期間、目標和數據粒度進行一些設置。

完成後，設置培訓持續時間和預算，就可以了。 該模型現在將開始學習，完成後您將收到通知。

最後一步是從 ML 模型中獲取預測。 此選項僅在培訓完成後才可用。

要創建預測，您需要提交預測所基於的數據。 最好使用更新的數據。

該模型將根據您的預測數據集預測在訓練數據集上學到的未來目標值。

根據數據量，該作業將需要一段時間。 但對於 PPC 任務，您的等待時間不應超過 5-10 分鐘。

完成後，Vertex AI 將提供一個輸出文件，其中包含帶有預測值的新列，您可以將其用於進一步決策。

Vertex AI 對於某些預測任務來說似乎有點多，但請記住，您可以提交多年的歷史數據、庫存見解等來訓練模型。

借助 Vertex AI，您可以構建適合您業務的機器學習預測模型，該模型比任何靜態預測公式都要強大得多。

PPC 預測以獲得更好的廣告系列效果

最終，這些工具之間的選擇取決於您的目標和 PPC 營銷活動的複雜性。

Google 表格提供了一種簡單易用的方式來進行 PPC 預測。 雖然它可能有局限性，但對於許多廣告商來說這是一個有價值的起點。

另一方面，Vertex AI 能夠處理大型數據集和復雜模型，將您的 PPC 預測能力提升到一個新的水平。 您現在可以考慮季節性、全球趨勢和各種變量，以便根據您的業務做出準確的預測。

無論您選擇簡單的 Google Sheets 還是複雜的 Vertex AI，PPC 廣告中的預測都不再是猜謎遊戲。

現在，您可以為自己提供可行的見解，並就 PPC 營銷活動做出有數據支持的決策。

深入挖掘：有效 PPC 預測指南