数据驱动的
互联网营销和运营

如何利用有限的转化数据制定明智的付费搜索竞价策略

严小鳙、朱玉雪,iCDO翻译志愿者。

付费搜索是根植于数据和统计学的一个行业,要求从业者能够正确运用一些常识和直觉来构建和管理项目。但是当我们的直觉与数据产生冲突并且没有一个可信服的数据体系或数据保障来防止那些不明智的决策时,就会出现麻烦。

你应该暂停关键词竞价或者调低关键词出价吗?

QSES拥有多个数据连接器,包含Microsoft Excel以及逗号分隔文件,网络文件和Open DatabaseConnectivity(ODBC)连接器。虽然不像Domo以及Tableau Desktop这么强大,但也是一个很好的数据连接器集合了。另外,你会获得访问在线Qilk DataMarket一系列公共数据库的权限,包括当前兑换汇率或天气数据等数据库。

假如一个关键词带来100次点击,但却没有产生任何订单,付费搜索竞价经理是否应当由于这个词没有产生转化就暂停或者删除这个关键词?尽管好像非常大的流量才能带来一个转化,然而答案显然首先取决于我们对于关键词转化率的期待,以及我们有多想提高这个关键词的转化率。

如果我们假设,在付费搜索竞价广告上的每次点击之间都是相互独立的,我们可以用二项分布构建一定量点击(或实验点击)条件下的转化概率模型。这在excel中很容易实现,而且使用Wolfram Alpha(编者注:Wolfram Alpha是开发计算数学应用软件的沃尔夫勒姆研究公司开发出的新一代的计算知识搜索引擎,能根据问题直接给出答案)可以很得心应手的快速获得运算结果。

在上述提到的案例中,如果我们的预期转化率是1%,而且也确实是某个关键词的“真实”转化率,我们期待,在超过100次点击的情况下,有大约37%的时间这个关键词的转化率是零。如果真实转化率是2%,我们仍然会期待这个关键词在超过100次的点击情况下会有13%的时间没有转化。

图1、100次广告点击下的零转化概率分布

如上图所示,直到我们的真实转化率接近4.5%时,在100次点击的情况下出现零转化率的概率开始将至不到1%。这些数字可能对我们不具有颠覆性的影响力,但是也绝不是大多数人平时司空见惯的数字。

当考虑是否要暂停或者删除一个在一定流量下没有转化的关键词时,我们通常会依靠常识作出判断,然而我们的直觉在一些情况下常常会对决策的正确与否起到更加重要的作用,比如,有时候一个关键词跟其他十几个如期产生转化的关键词并没有明显的区别)。

通过更多的数据来获得更清晰的信号

现在我们从反方向想一想先前的案例,假设我们有一个真实转化率为2%的关键词,那么多少点击才能使得该关键词产生零转化率的概率在1%以下?结果是228次点击。

这还不是付费搜索竞价的关键,我们需要为那些能够确定带来潜在转化率的关键词出价,而不只是简单剔除那些概率比较极端的关键词。

假设一个转化率为2%的关键词每天带来500点击量,那么平均情况下这个词可以产生10个转化。但是准确产生10个转化的概率略低于13%。仅仅增加一个或减少一个转化会使我们观察到的转化率和真实转化率有10个百分点的差异(1.8%以下 或者2.2%以上)

图2、真实转化率为2%的关键词在500次以上的点击情况下观测转化率的概率分布

换句话说,如果我们以每次转化成本或每次获客成本为目标来为一个真实转化率为2%的关键词设置竞价,在500次点击数据下,该竞价会有87%的几率至少偏离10%。这个几率听起来很高,但是如果你希望一个关键词的实验转化率能持续正确的反映其真实转化率的话,你确实需要大量的数据做研究。

图3、真实转化率为2%的关键词在13501次广告点击下实验转化率的概率分布

还是这个例子,如果你希望使自己的出价减少出现这10%偏差的可能性,你需要一个真实转化率为2%的关键词有大于13,500次点击。但这对于很多搜索项目与关键词来说都是不现实也不可行的。所以这就引出了关于付费竞价的出价和管理的两个基本问题:

  1. 在设置个别关键词出价时我们希望自己有多主动?
  2. 我们应该如何整合大量关键词数据来为每个特别的关键词设置出价?

如果只是为了一个关键词设置更准确的出价,你可以等这个词不断积累数据或者利用其它关键词的数据作为参考设置出价。强势的关键词出价往往会青睐和参考关键词自身的数据,尽管这些数据对估算其转化率带来的误差相当的大。

一个更为强势的方式是,假设有些关键词会在本质上和其他即使看起来很相近的关键词表现出不同的效果,所以最终会有利于快速限制由相关关键词对个别关键词出价产生的影响。

举个例子,一个投放竞价的广告主处理稀少的特定关键词数据最简单(而且可能也是最常见)的方式是,在推广单元、推广计划甚至推广帐户层面收集数据。这个推广单元也许可以产生一个整体上看为1%的转化率,但是广告主相信这个关键词的真实转化率会因实际情况而有所不同。

当一个关键词有500或者1000次点击并且完全通过自身数据来为关键词出价时,广告主从统计学的角度知道,对于这样一个不算小的点击量而言,在任何时候都可能会使出价偏离50%甚至更多,来达到这个级别的数据,但是这也许是值得的。

对于一个真实转化率为2%的关键词,观察转化率在500次点击的情况下平均会有15%的可能性以50%的差距偏离真实转化率,1000次点击的情况下则是3%的可能性。所以即使选择从推广计划(基于其每百分之一的转化率)中取得这个关键词的出价,这个代替方案也比所有时间都是低于真实转化率50%的出价要好。

这样,开启广泛组合关键词的竞价策略就显得尤为重要了。对于一个广告主来说,由于其竞价平台受限于使用Adwords竞价搜索账户的金字塔结构来收集数据,因此创建的关键词广告组很有可能转化情况相似。这种情况已经司空见惯,但却并非一成不变。因为如果我们不把自己的思维仅仅局限于传统的推广单元/计划/账户模型中,其实还有很多成熟的方法可以收集关键词数据。

基于关键词属性的转化率预测

我们可以研究和了解每个个体关键词及其他关键词组之间共有的很多属性,通过这些属性(如广告文案、目标受众、地理位置等等),我们可以决定是否需要把一些关键词归为同一个广告单元或广告计划。

对预测转化率有重大意义的关键词属性的数量,受限于广告主的想象力。不过,一些案例中的关键词也包含了产品属性或服务属性。

  • 产品目录和子目录
  • 着陆页
  • 颜色
  • 尺寸
  • 材料
  • 性别
  • 价格区间
  • 推广状态
  • 制造商等

我们也会考虑关键词自身的情况,比如,该关键词是否包含制造商名称、模型编号、个性关键词、代表“便宜”及“时尚”的元素符号、广告主品牌名称、匹配类型,以及是否考虑了其字符长度等等。

并不是所有我们能想到的关键词属性都能很好的预测转化效果,或者为我们提供足够多的数据量供我们做出合理的数据分析。但是这种竞价形式为我们处理数据量较少的个别关键词问题提供了可能性。谷歌,尽管有其局限性,已经涉足该领域,考虑使用Adwords标签处理该问题。

付费搜索竞价关键词的多属性特征,使得数据分析变得愈加复杂起来,但是即便对较为简单的关键词数据进行分析,也可以产生更加精准有效的关键词竞价决策。

结语

在预测关键词转化率和付费搜索竞价的基本数据统计方面,我也只是隔靴搔痒。大多数广告主也必须考虑某种程度的平均订单大小或价值,而且季节性因素会对我们的竞价效果产生重大影响。

考虑到以下愈加重要的因素,如设备、受众、地理位置等,付费搜索竞价只会随着时间的推移变得越来越复杂。

显然,具体操作中有很多变化的因素。在我们核对每月关键词效果时,尽管我们的直觉可能并不总是那么靠谱,但是当我们评估所使用的的工具是否能帮助我们做出更好的决策,是否能够真正做到智能化和提供更高水平的数据结果来长期满足我们的预期时,我们仍然可以信靠直觉。

译者介绍:

严小鳙:产品运营,喜欢研究数据驱动下的产品商业化。目前在上海,iCDO翻译志愿者。

朱玉雪:玖富互金控股集团有限责任公司旗下品牌玖富叮当市场营销负责人,热衷于数据分析、搜索引擎优化、搜索引擎营销、网上名誉管理、APP营销、程序化广告、新媒体营销等领域。

其他Tableau相关文章

智能分析工具PK:Tableau VS Google Data Studio

Domo 还是 Tableau,如何选择正确的商业智能解决方案?

自助性BI工具:Zoho Reports
对于Tableau这个工具,美国人自己怎么看
自助性BI工具:Clearify QQube
未经允许不得转载:DigiMaxDigiMax » 如何利用有限的转化数据制定明智的付费搜索竞价策略
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址