Análisis de regresión para mejorar el rendimiento de Google Ads

El marketing digital avanzado requiere que vayamos más allá de lo que hacen los demás y nos acerquemos desde nuevos ángulos. Una de las formas de destacar en su análisis y rendimiento SEM es a través de técnicas avanzadas como el análisis de regresión. La regresión es en realidad una forma de aprendizaje automático básico (ML) y una aplicación matemática relativamente simple. Este tipo de análisis puede ayudarlo a realizar mejores predicciones a partir de sus datos, más allá de las conjeturas.

La regresión puede parecer aterradora, pero no es tan avanzada en el mundo de las matemáticas. Para cualquiera que haya pasado el décimo año en matemáticas, probablemente ya haya trabajado con la fórmula de regresión anteriormente. Vamos a analizar el uso de regresión en sus anuncios de Google para predecir el volumen de conversión que puede lograr ajustando los gastos de la campaña. ¡Construir el modelo y aplicarlo es mucho más fácil de lo que piensa!

¿Qué es la regresión?

Un modelo de regresión es un algoritmo que intenta adaptarse mejor a los datos presentados. En esencia, es una línea de mejor ajuste. Puede ser lineal, como una línea recta a través de los datos, o no lineal, como una curva exponencial, que se curva hacia arriba. Al ajustar una curva a los datos, puede hacer predicciones para explicar la relación entre una variable dependiente y una o más variables independientes.

El siguiente gráfico muestra una regresión lineal simple entre una variable independiente «costo» (gasto diario en Google Ads) en el eje x y una variable dependiente «conversiones» (volumen de conversión diario en anuncios de Google) en el eje y. Hemos ajustado una línea de regresión lineal (azul). Ahora podemos decir que a $ 3000 en el eje, ese punto en la línea de regresión coincidiría con hasta 35 conversiones. Entonces, según el modelo de regresión ajustado a los datos, si gastamos $ 3000, se predice que recibiremos 35 conversiones.

Inicio en la selección de funciones

He estado ejecutando muchos de estos modelos de regresión y compartiré lo que descubrí que es cierto, lo que le dará una ventaja sobre dónde comenzar a buscar.

La regresión múltiple es donde se usan algunas variables independientes (en lugar de solo una, como en el ejemplo anterior), para predecir una variable dependiente. Con Google Ads, descubrí que siempre hay una variable independiente que es el predictor más fuerte de conversiones. Probablemente ya podrías haber adivinado cuál es.

Al ejecutar modelos de AA en datos de entrenamiento etiquetados diariamente para predecir si ciertas funciones conducirían a una conversión, continuamente descubrimos que, en igualdad de condiciones, el gasto de la campaña es el predictor más sólido del volumen de conversión.

La siguiente tabla muestra el “Error cuadrático medio de raíz” (RMSE) para diferentes modelos de ML.

RMSE es una medida de error, muestra qué tan lejos está el modelo ajustado de los datos de entrenamiento. Cuanto menor sea el error, mejor; significa que el modelo se ajusta con mayor precisión a los datos. (2) Todas las funciones incluir: Día de la semana, palabra clave, CTR, CPC, dispositivo, URL final (página de destino), posición y costo del anuncio.

Ejecutamos cinco algoritmos de aprendizaje automático diferentes: árbol de decisión, K vecinos más cercanos, regresión lineal, bosque aleatorio y regresión de vector de soporte. En la mayoría de los casos, la eliminación de «costo» como una característica en el conjunto de datos aumentó el valor de error en más que la eliminación de cualquier otra característica. Esto significa que el modelo se volvió menos preciso para predecir el resultado correcto.

También podemos analizar la importancia de la característica utilizada por el bosque aleatorio (el mejor modelo). Está claro que el costo es la característica clave que utiliza el algoritmo para determinar sus resultados:

Esto no debería ser una gran sorpresa: cuanto más gastes, más probabilidades tendrás de recibir ventas. Usar el costo como predictor de ventas es un excelente lugar para comenzar su análisis de regresión.

Construyendo una regresión desde cero con datos de Google Ads

Aquí le mostraremos cómo construir un modelo de regresión con «costo diario» como variable independiente y «conversiones diarias» como variable dependiente. Haremos esto en 5 sencillos pasos.

Nota: Esto solo funcionará con una cuenta de Google Ads que contenga datos de conversión.

Paso 1: crear informe:

En Google Ads, vaya a Informes >> Informes predefinidos >> Hora >> Día

Paso 2: preparar el informe y descargarlo:

Una vez en el informe (captura de pantalla a continuación), seleccione el botón «columnas» (cuadro rojo), luego elimine todas las columnas excepto «Costo» y «Conversiones». Luego, seleccione una fecha que se remonta a un año desde hoy (cuadro azul). por último, descargue el informe como un archivo «excel .csv» (cuadro verde).

Paso 3 – Genere un gráfico de dispersión en Excel:

Abra el archivo de Excel y seleccione columnas que contengan solo los datos de «costo» y «conversiones». En el siguiente ejemplo, las celdas C3: D17. Luego, en la barra de menú, seleccione «Insertar ‘>>’ gráfico de dispersión».

Paso 4: generar una línea de regresión en un gráfico de dispersión:

Ahora tenemos un hermoso gráfico de dispersión que muestra el «costo» y las «conversiones». Genere una línea de regresión haciendo clic con el botón derecho en cualquiera de los puntos de datos y seleccionando «agregar línea de tendencia».

Paso 5: elija la mejor línea de regresión usando r-cuadrado:

En el menú del lado derecho, ahora puede seleccionar diferentes opciones de regresión (cuadro rojo). Seleccione la casilla de verificación «Mostrar valor R cuadrado en el gráfico» (cuadro rosa). En un sentido general, cuanto mayor sea la r-cuadrada, mejor será el ajuste de la línea. A medida que recorre diferentes líneas de regresión, puede ver cuál tiene el valor r cuadrado más alto. También puede decidir visualmente cuál parece adaptarse mejor. A continuación, agregue la fórmula de regresión para el ajuste que ha elegido (cuadro verde). Usaremos esta fórmula para hacer predicciones.

Hacer predicciones extendidas usando la ecuación de regresión

La línea de regresión que acabamos de crear es extremadamente útil. Incluso desde una perspectiva visual, ahora puede visualizar cuáles serán sus conversiones diarias esperadas en cualquier punto del costo diario.

Aunque esto se puede hacer visualmente, usar la fórmula de regresión es más preciso y también puede extender las predicciones fuera del gráfico. En el siguiente ejemplo que he trazado (con una cuenta más grande), la ecuación de regresión se da como y = 28,782 * ln (x) – 190,36.

En la ecuación y representa conversiones y X representa «costo». Predecir y para cualquier dado X, reemplazamos X con un número real. Supongamos un costo de $ 5,000. Decimos y = 28,782 * ln (5,000) – 190,36. Usando una calculadora, se obtienen 54 conversiones por día.

Ahora, el poder real aquí viene cuando ampliamos este cálculo más allá del gráfico hasta donde el gasto no ha estado antes. Los puntos de datos en el gráfico muestran que el gasto más alto jamás realizado por día fue de menos de $ 7,000. Si reemplazamos X con 10k, (un gasto previsto de $ 10,000 por día), puedo obtener una estimación usando la fórmula, de 74.7 conversiones por día.

Bonificación: encontrar puntos óptimos o rendimientos decrecientes con CPA

Graficar el «costo» y las «conversiones» juntas es extremadamente poderoso para poder predecir conversiones en diferentes gastos. Pero, en realidad, a menudo nos interesa más minimizar el CPA o predecir conversiones con un CPA específico. De manera similar, podemos graficar el CPA contra las conversiones para comprender mejor esto.

En el gráfico de CPA de la derecha, identificamos un punto mínimo donde el CPA es el más bajo en la dimensión de costo, esta es la parte inferior de la forma de ‘U’. Este punto también se corresponde en el gráfico de la izquierda (costo frente a conversiones) con la línea verde.

Usando esta metodología, ahora podemos identificar el CPA potencial más bajo, a qué costo ocurre esto y luego también predecir cuántas conversiones recibiríamos en ese momento. Lo mismo se puede hacer para cualquier punto de la línea CPA.

Descargos de responsabilidad

Es fundamental mencionar que la regresión solo utiliza datos históricos. Todos los costos y los datos de conversión se basan en lo que sucedió en el pasado. Por lo tanto, si espera que su rendimiento mejore y las conversiones aumenten en el futuro, esto no se tendrá en cuenta en estos modelos. Para ajustar esto, tomar solo datos más recientes, como hace seis meses o tres meses atrás, podría ser una mejor opción. Del mismo modo, puede eliminar o incluir «días» durante los períodos de ventas que pueden ser relevantes o no, para no sesgar los datos.

Estudios de caso y aplicación

Usando esta metodología, hemos podido lograr tres resultados clave con los clientes:

1. Hemos ayudado a los clientes existentes a estimar lo que sucederá si aumentan sus gastos mensuales en $ 10,000. Esta es una pregunta de cliente muy común y este método es mejor que las suposiciones fundamentadas, ya que se modela con datos.
2. Hemos podido mostrar a los clientes existentes dónde se encuentra el CPA óptimo y cuánto potencial existe en la cuenta. Para uno de nuestros principales clientes en el competitivo espacio legal, esto les ha permitido disminuir los CPA en más del 20 por ciento y mantener estable el volumen de conversión.
3. que ha hecho que las auditorías de cuentas nuevas sean más rápidas y precisas para nosotros. Sin saber demasiado acerca de un nuevo cliente, hemos incluido datos históricos de «costo» y «conversión» en un modelo de regresión para visualizar si están gastando la cantidad óptima que deberían gastar y descubrir el potencial en el futuro.

Exploración adicional

Tenga en cuenta que muchas empresas están interesadas en los ingresos y el ROI, en lugar de las conversiones y el CPA. Las mismas técnicas se pueden utilizar para predecir los ingresos, así como las opciones para maximizar el ROI (buscamos puntos máximos en lugar de mínimos). Actualmente estoy construyendo una herramienta de optimización de PPC para automatizar este proceso de predicción y gráficos.

---

Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a El Blog informatico. Los autores del personal se enumeran aquí.

---