回归分析可改善Google Ads的效果

先进的数字营销要求我们超越其他所有人正在做的事情，并从新的角度进行研究。 在SEM分析和性能中脱颖而出的方法之一是通过诸如回归分析之类的先进技术。 回归实际上是基本机器学习（ML）的一种形式，是一种相对简单的数学应用程序。 除了有根据的猜测之外，这种类型的分析可以帮助您根据数据做出更好的预测。

回归听起来可能很吓人，但是在数学领域还没有那么先进。 对于已经通过10年级数学的任何人，您以前可能已经使用过回归公式。 我们将研究如何在Google Ads中使用回归来预测通过调整广告系列支出可以实现的转化量。 建立模型并应用它比您想象的要容易得多！

什么是回归？

回归模型是一种试图使自身最适合所呈现数据的算法。 本质上，这是一条最合适的线。 它可以是线性的（作​​为穿过数据的直线），也可以是非线性的（例如向上弯曲的指数曲线）。 通过对数据拟合曲线，可以进行预测以解释一个因变量和一个或多个自变量之间的关系。

下图显示了在x轴上的自变量“成本”（每天在Google Ads上的支出）和在y轴上的因变量“转化次数”（在Google Ads上的每日转化量）之间的简单线性回归。 我们已经拟合了线性回归线（蓝色）。 现在我们可以说，在轴上$ 3k，回归线上的那个点最多可以匹配35次转化。 因此，根据数据拟合的回归模型，如果我们花费$ 3k，我们预计将获得35次转化。

功能选择上的先发优势

我已经运行了许多这样的回归模型，并且我将分享我发现的真实情况，这将使您在从哪里着手寻找先机

多元回归是使用一些自变量（而不是如上例中的一个）来预测一个因变量的地方。 借助Google Ads，我发现总是有一个自变量是转化的最强预测指标。 您可能已经猜到它已经是哪一个了。

在每日标记的训练数据上运行ML模型以预测某些功能是否会带来转化时，我们不断发现，在所有其他条件相同的情况下，广告系列支出是转化量的最强预测指标。

下表显示了不同ML模型的“均方根误差”（RMSE）。

RMSE是误差的度量，它显示了训练数据与拟合模型的差距。 误差越小越好-这意味着模型可以更准确地拟合数据。 （2）所有功能包括：星期几，关键字，点击率，每次点击费用，设备，最终到达网址（目标网页），广告排名和费用。

我们运行了五种不同的机器学习算法：决策树，K最近邻，线性回归，随机森林和支持向量回归。 在大多数情况下，删除“成本”作为数据集中的一项功能，比删除其他任何功能都增加了错误值。 这意味着该模型在预测正确结果方面变得不那么准确。

我们还可以分析随机森林使用的特征重要性（最佳模型）。 显然，成本是算法用来确定其结果的关键特征：

这不足为奇，因为您花的钱越多，获得销售的可能性就越大。 使用成本作为销售预测指标是开始进行回归分析的好地方。

使用Google Ads数据从头开始构建回归

在这里，我们将向您展示如何使用“每日成本”作为自变量和“每日转化”作为因变量来构建回归模型。 我们将通过5个简单的步骤来完成此操作。

注意：这仅适用于包含转化数据的Google Ads帐号。

步骤1 –创建报告：

在Google Ads中，导航到报告>>预定义报告>>时间>>天

步骤2 –准备报告并下载：

进入报告（下面的屏幕截图）后，选择“列”按钮（红色框），然后删除除“费用”和“转化”以外的所有列。 然后选择一个从今天开始回溯一年的日期（蓝色框）。 最后，将报告下载为“ excel .csv”文件（绿色框）。

步骤3 –在Excel中生成散点图：

打开excel文件，然后选择仅包含“费用”和“转化”数据的列。 在下面的示例中，单元格C3：D17。 然后在菜单栏中选择“插入” >>“散点图”。

步骤4 –在散点图上生成回归线：

现在，我们有了一个漂亮的散点图，描绘了“成本”和“转化”。 通过右键单击任何数据点并选择“添加趋势线”来生成回归线。

步骤5 –使用r平方选择最佳回归线：

现在，在右侧菜单中，您可以选择不同的回归选项（红色框）。 选中“在图表上显示R平方值”复选框（粉红色框）。 一般而言，r平方越高，线条的拟合度越好。 在不同的回归线之间循环时，可以查看哪个具有最高的r平方值。 您还可以从视觉上确定哪个最合适。 接下来，为您选择的拟合添加回归公式（绿色框）。 我们将使用此公式进行预测。

使用回归方程进行扩展的预测

我们刚刚创建的回归线非常有用。 即使从视觉角度来看，您现在也可以直观地看到在每日费用的任何点上预期的每日转化量。

尽管可以直观地完成此操作，但是使用回归公式更为准确，并且您还可以将预测扩展到图表之外。 在下面我绘制的示例中（使用较大的帐户），回归方程式为y = 28.782 * ln（x）– 190.36。

在等式中， y表示转化， x表示“成本”。 为了预测任何给定x的y ，我们将x替换为实数。 假设费用为$ 5,000。 我们说y = 28.782 * ln（ 5,000 ）– 190.36。 使用计算器，每天可以进行54次转换。

现在，当我们将计算范围从图形扩展到之前从未花费过的地方时，真正的力量就来了。 图表中的数据点显示，每天执行的最高支出低于7,000美元。 如果将x替换为10k（每天的预计支出为10,000美元），我可以使用公式得出每天74.7次转化的估算值。

奖励：通过每次转化费用寻找最佳积分或收益递减

将“成本”和“转化”一起绘制成图表对于预测不同支出的转化非常有力。 但实际上，我们通常对降低CPA或预测特定CPA的转化更感兴趣。 我们可以类似地将CPA与转化进行比较，以更好地理解这一点。

从右侧的CPA图表中，我们确定了CPA在成本维度上最低的最小点，即“ U”形的底部。 这一点在左图（成本与转化）上也用绿线表示。

使用这种方法，我们现在可以确定最低的CPA潜力，产生的成本，然后预测到那时我们将获得多少转化。 对于CPA线上的任何点都可以执行相同的操作。

免责声明

重要的是要提到回归仅使用历史数据。 所有费用和转化数据均基于过去发生的情况。 因此，如果您希望以后性能有所提高，转化次数也有所增加，那么这些模型将不会考虑到这一点。 为了对此进行调整，最好仅获取更新的数据，例如追溯六个月或追溯三个月。 同样，您可以在可能不相关的销售期间中删除或包括“天数”，以免数据出现偏差。

案例研究与应用

使用这种方法，我们已经与客户取得了三个关键成果：

1. 我们已经帮助现有客户估算了将每月支出增加$ 10,000会发生什么情况。 这是一个非常常见的客户问题，由于该方法是使用数据建模的，因此它比有根据的猜测更好。
2. 我们已经能够向现有客户展示最佳CPA位置以及该帐户中存在多少潜力。 对于竞争激烈的法律领域中的主要客户而言，这使他们可以将每次转化费用降低20％以上，并保持转化量的稳定。
3. 比我们更快速，更准确地进行新帐户审核。 在不了解新客户的情况下，我们将历史“成本”和“转换”数据插入到回归模型中，以可视化他们是否在花费最佳数量，并发现未来的潜力。

进一步探索

考虑到许多企业对收入和投资回报感兴趣，而不是对转化和每次转化费用感兴趣。 可以使用相同的技术来预测收入以及最大化ROI的选项（我们在寻找最大的积分，而不是最小的积分）。 我目前正在构建一个PPC优化工具，以自动执行此绘图和预测过程。

本文中表达的观点是来宾作者的观点，不一定是Search Engine Land。 工作人员作者在此处列出。