ما دائماً به دنبال راه هایی برای بهینه سازی کمپین های PPC و به حداکثر رساندن تأثیر هستیم.
آزمایش برای این فرآیند بسیار مهم است، اما روش‌های سنتی مانند تست‌های A/B، ارزیابی‌های افزایشی و آزمایش‌های جغرافیایی اغلب محدودیت‌های قابل‌توجهی دارند.
نیازهای داده بزرگ، برنامه ریزی گسترده و اتکا به عملکرد پلت فرم تبلیغاتی می تواند به دست آوردن بینش روشن و قابل اعتماد را چالش برانگیز کند.
وقتی این محدودیت‌ها وارد عمل می‌شوند، ممکن است تصمیمات مهمی را بر اساس داده‌های ناقص یا گمراه‌کننده بگیریم – هدر دادن بودجه یا از دست دادن فرصت‌های مقیاس‌پذیر.
این مقاله یک تکنیک تست قدرتمند اما اغلب نادیده گرفته شده را بررسی می‌کند: مطالعات تاثیر علی. کشف کنید که آنها چگونه کار می کنند، چه زمانی از آنها استفاده کنید و چگونه می توانند رویکرد شما را به بهینه سازی و تصمیم گیری تغییر دهند.
مطالعات تاثیر علّی چیست؟
مطالعات تأثیر علّی با تخمین یک خلاف واقع، تأثیرات واقعی تغییرات در کمپین‌های شما را به دقت اندازه‌گیری می‌کند (یعنی بدون تغییر اجرا شده چه اتفاقی می‌افتاد؟).
درک تفاوت بین همبستگی و علیت بسیار مهم است.
به عنوان مثال، اگر تعداد Aperol Spritzes که من در تابستان می نوشم همراه با شکایت من از گرما افزایش یابد، یکی باعث دیگری نمی شود. هر دو بیشتر تحت تأثیر قرار گرفتن خورشید هستند.
مطالعات تأثیر علّی به شما کمک می‌کند تا تعیین کنید آیا تغییر در کمپین‌های رسانه‌ای پولی شما مستقیماً باعث تغییر در یک KPI خاص شده است یا به هر حال این تغییر رخ می‌دهد.
این مطالعه مجموعه‌ای از داده‌های مشاهده‌شده را می‌گیرد و این سناریوی خلاف واقع را تخمین می‌زند – اساساً می‌پرسد بدون تغییر چه اتفاقی می‌افتاد.
تفاوت بین این داده های خلاف واقع و داده های مشاهده شده، تأثیر علی مداخله شما را نشان می دهد.
عمیق تر حفاری کنید: 3 مرحله برای گزارش گیری و تجزیه و تحلیل موثر PPC
چگونه کار می کنند؟
در یک تست A/B، دو گروه از کاربران درگیر هستند: یکی در معرض شرایط تست و دیگری تحت شرایط کنترل.
شما می توانید نتایج را برای هر دو گروه مشاهده کنید – چه اتفاقی با شرایط آزمون می افتد و چه چیزی بدون هیچ تغییری اتفاق می افتد.
با این حال، اگر هیچ تغییری ایجاد نشده باشد، نمی‌توانید نتیجه را برای گروه آزمایش مشاهده کنید، همچنین نمی‌توانید تعیین کنید که اگر شرط آزمون اعمال می‌شد، گروه کنترل چگونه عمل می‌کرد.
در یک مطالعه تأثیر علّی، هدف تخمین نتیجه برای گروه آزمایش در صورت عدم ایجاد تغییر است (در این نمودار، گروه آزمایشی 2):
برای ایجاد این تخمین، باید مجموعه داده دیگری از همان دوره زمانی پیدا کنید که با KPI شما مرتبط باشد اما تحت تأثیر تغییر کمپین قرار نگیرد. این می‌تواند داده‌های یک کمپین مشابه باشد که تحت تأثیر آزمایش قرار نگرفته است یا چیزی گسترده‌تر مانند جستجوهای برند یا تقاضای کلی دسته‌بندی.
هنگامی که مدل را بر روی این دو مجموعه داده – داده های مشاهده شده و مجموعه داده های مرتبط – اجرا می کنید، ابتدا رابطه بین آنها را بررسی می کند. سپس، تخمین می‌زند که اگر داده‌های مشاهده‌شده آن رابطه را فراتر از نقطه اجرا دنبال می‌کردند، چه اتفاقی می‌افتاد.
اگر این برآورد با داده های مشاهده شده شما مطابقت داشته باشد، نشان می دهد که تغییر شما تأثیری نداشته است. با این حال، اگر برآورد نتایج بسیار متفاوتی را نشان دهد، می توانید یک اثر علی معنی دار را شناسایی کنید.
این مطالعه تکرارهای زیادی از مدل را برای تولید توزیعی از نتایج تخمینی انجام می دهد که از آن می توان یک فاصله اطمینان ایجاد کرد.
برای تایید نتایج خود، همیشه می توانید به تست های A/B خود بازگردید.
اگر یک تست A/B را با استفاده از شرایط آزمون یکسان اجرا کنید، آیا گروه کنترل شما با روند داده‌ای مشابه با تخمین خلاف واقع شما همراه است؟ اگر چنین است، می توانید با اطمینان بگویید که مدل شما دقیق است.
اطلاعات کامل و راهنمای پیاده سازی بسته ایجاد شده توسط Kay H. Brodersen و Alain Hauser را می توان در GitHub یافت. من همچنین به شدت توصیه می کنم سخنرانی برودرسن در مورد این موضوع را در یوتیوب تماشا کنید.
عمیق تر حفاری کنید: تکنیک های تحلیلی پیشرفته برای اندازه گیری PPC
چه زمانی از مطالعات تأثیر علی استفاده کنیم
چه زمانی استفاده از مطالعه تأثیر علی مناسب است؟ برای پاسخ به این موضوع، مزایا و معایب زیر را در نظر بگیرید.
جوانب مثبت
- درک روشن: شما می توانید بینش روشنی از تأثیر یک تغییر خاص به دست آورید.
- انعطاف پذیری: در تنظیمات تست انعطاف‌پذیری وجود دارد و تا زمانی که مجموعه داده‌های مناسبی را برای مقایسه انتخاب کنید، روی متغیرهای مخدوش‌کننده مانند فصلی بودن کنترل دارید.
- تحلیل گذشته نگر: این آزمایشات را می توان به صورت گذشته انجام داد. اگر تست A/B ممکن نبود یا اجرا نشد، همچنان می‌توانید تغییرات گذشته را تجزیه و تحلیل کنید تا تعیین کنید که آیا تأثیر داشته یا عوامل دیگری بر نتایج تأثیر گذاشته‌اند.
منفی
- تخصص فنی مورد نیاز: اجرای آزمون مستلزم دانش فنی خاصی است. در حالی که من از تیم خود در Google و تیم راه حل های داده ام پشتیبانی دارم، اما همه این امکانات را ندارند.
- منابع فشرده: اگر بتوان با استفاده از آزمون A/B به یک فرضیه پاسخ مناسب داد، اجرای آن رویکرد به طور کلی آسان‌تر و کم‌هزینه‌تر از منابع است.
- وابستگی به داده ها: قدرت مدل به شدت به مجموعه داده ای که برای آموزش آن استفاده می کنید بستگی دارد. اگر مجموعه داده ای را انتخاب کنید که ارتباط نزدیکی با KPI آزمایشی شما نداشته باشد، مدل شما ممکن است دقیق نباشد و منجر به نتایج بی معنی شود.
اگر توانایی فنی (یا تمایل به یادگیری) دارید، مجموعه داده مناسبی برای مقایسه دارید، و فرضیه شما را نمی توان با آزمون ساده تری مانند A/B پاسخ داد، در این صورت مطالعه تاثیر علی ابزار ارزشمندی برای تعیین دقیق واقعیت است. تاثیر یک مداخله
به عنوان مثال، تیم من در حال حاضر دو تجزیه و تحلیل را برای یک مشتری اجرا می کند: یکی که در آن فعالیت GDN آنها را خاموش کردیم و آن بودجه را مجدداً به تولید تقاضا اختصاص دادیم و دیگری که در آن در حال آزمایش تأثیر افزودن دارایی ها به حداکثر عملکرد فقط فید هستیم. کمپین مطالعات تأثیر علّی به ما کمک می کند تا تعیین کنیم که آیا این تغییرات به طور قابل توجهی بر عملکرد کلی Google Ads ما تأثیر گذاشته است یا خیر.
تست بعدی من؟
تأیید اینکه آیا مصرف Aperol Spritz من ناشی از بیرون رفتن بیشتر خورشید است یا اینکه ارتباطی با افزایش طول لیست کارهای من دارد!
اندازه‌گیری اثربخشی کمپین واقعی با مطالعات تأثیر علی
مطالعات تأثیر علّی ابزاری قدرتمند برای بازاریابان رسانه ای پولی است که به دنبال درک تأثیرات واقعی تغییرات کمپین خود هستند.
با تخمین دقیق سناریوهای خلاف واقع، این مطالعات به شما کمک می کند تشخیص دهید که آیا نتایج مشاهده شده ناشی از اقدامات شما است یا عوامل دیگر.
در حالی که آنها به تخصص فنی و انتخاب دقیق داده نیاز دارند، توانایی آنها در ارائه بینش روشن آنها را برای بهینه سازی استراتژی های بازاریابی ارزشمند می کند.
پذیرش مطالعات تاثیر علی می تواند منجر به تصمیم گیری های آگاهانه تر شود و در نهایت اثربخشی کمپین های شما را بهبود بخشد.
عمیق تر حفاری کنید: چگونه می توان استراتژی اندازه گیری PPC خود را برای آینده حریم خصوصی توسعه داد
نویسندگان مشارکت کننده برای ایجاد محتوا برای سرزمین موتورهای جستجو دعوت می شوند و به دلیل تخصص و کمک به جامعه جستجو انتخاب می شوند. همکاران ما تحت نظارت کارکنان تحریریه کار می کنند و مشارکت ها از نظر کیفیت و ارتباط با خوانندگان ما بررسی می شوند. نظراتی که بیان می کنند، نظر خودشان است.