Eine Masterclass zur PPC-Datenanalyse von Cory Lindholm

Episodenbeschreibung

In dieser Episode hat sich unser Mitbegründer und CEO, Frederick Vallaeys, mit Cory Lindholm zusammengesetzt, um tiefer in die Welt der PPC-Datenanalyse einzutauchen.

Cory begann mit den Grundlagen. Anschließend erklärte er den Prozess der Analyse, um wertvolle Erkenntnisse über Saisonalität, die Leistung deiner Konten und sogar Korrelationen zwischen verschiedenen Metriken zu entdecken.

Er diskutierte auch die Bedeutung einer soliden Grundlage in Statistik und Daten, wenn es darum geht, fundierte Entscheidungen über PPC zu treffen.

Diese Episode ist voller wertvoller Informationen. Wir hoffen, dass du sie nützlich findest.

Sieh dir diese Episode an, um zu lernen:

- Die Grundlagen der PPC-Metriken

- Wie man den Einfluss von Saisonalität und anderen PPC-Faktoren misst

- Wie man deine PPC-Daten mit deinen Geschäftsdaten integriert

- Häufige Fehler in der Datenanalyse, die du vermeiden solltest

- Die besten Tools für die Datenanalyse

Schlussfolgerungen der Episode

Die Grundlagen der PPC-Metriken

• PPC-Metriken wie die Klickrate (CTR) und die Kosten pro Klick (CPC) liefern grundlegende Daten zur Bewertung der Anzeigenrelevanz und der Budgeteffektivität.
• Der Qualitätsfaktor bleibt eine kritische Metrik, die die Kosten und die Platzierung der Anzeige beeinflusst, und betont die Bedeutung der Optimierung dieser Metrik zur Verbesserung der Kosteneffizienz.

Wie man den Einfluss von Saisonalität und anderen PPC-Faktoren misst

• Die Analyse saisonaler Trends hilft, Schwankungen vorherzusagen und sich effektiv auf zukünftige Kampagnen vorzubereiten.
• Nutze historische Daten, um Budgetzuweisungen und Marketingstrategien entsprechend vorhersehbaren Änderungen in der saisonalen Leistung anzupassen.

Wie man deine PPC-Daten mit deinen Geschäftsdaten integriert

• Verknüpfe die PPC-Daten mit anderen Geschäftsmetriken, um einen umfassenden Überblick über die Leistung und den ROI zu erhalten.
• Nutze Daten von verschiedenen Plattformen (z. B. Google Ads, CRM-Systeme), um die Genauigkeit bei der Segmentierung und dem Kundenverständnis zu verbessern.

Häufige Fehler in der Datenanalyse, die du vermeiden solltest

• Stelle sicher, dass du ausreichende Stichprobengrößen hast, um Verzerrungen zu vermeiden und die Zuverlässigkeit der Daten zu gewährleisten, bevor du Kampagnenentscheidungen triffst.
• Achte auf Bestätigungsfehler und Überanpassung in der Datenanalyse, um Objektivität und Genauigkeit in deinen Schlussfolgerungen zu bewahren.

Die besten Tools für die Datenanalyse

• Tools wie Optmyzr, Tableau und Power BI verbessern die Analyse von PPC-Kampagnen durch fortschrittliche Datenvisualisierung und Berichterstellung.
• Programmiersprachen wie Python und R werden empfohlen, um komplexe statistische Analysen durchzuführen und KI zu integrieren, um das prädiktive Modellieren zu verbessern.

Episodentranskript

FREDERICK VALLAEYS: Hallo und willkommen zu einer weiteren Episode von PPC Town Hall. Mein Name ist Fred Vallaeys. Ich bin Ihr Gastgeber. Ich bin auch der CEO und Mitbegründer von Optmyzr, einem PPC-Management-Tool. Heute haben wir das große Vergnügen, einen wiederkehrenden Gast willkommen zu heißen, Cory Lidholm, und er wird mit uns alles teilen, was er mit Statistiken gemacht hat, um ein besseres Verständnis der Welt zu erlangen.

Von Google Ads und PPC-Metriken. Also beginnen wir mit den Grundlagen wie CPC und CTR, aber sehr schnell werden wir in einige wirklich coole Statistiken eintauchen und einige wirklich coole Grafiken sehen, die dir einen tieferen Einblick geben, wie deine Konten funktionieren, Dinge wie Saisonalitätskorrelationen zwischen verschiedenen Dingen.

Und sie werden dich wirklich sofort ausrüsten, um die Konten besser zu analysieren und eine bessere Leistung für die Kunden zu erzielen, die du verwaltest. Also damit, begrüßen wir Cory.

CORY LINDHOLM: Gut. Also. Wenn du nicht weißt, wer ich bin, Cory Lindholm, adsbycory.com. Ich mache seit fast einem Jahrzehnt PPC, Google Ads, Microsoft Ads, aber ich bin wirklich ein selbsternannter Daten-Nerd, ein Fan der Datenwissenschaft.

Also wirst du hier grundlegende Dinge sehen, aber auch einige fortgeschrittenere Dinge, die mich wirklich begeistern. Also denke ich, dass es für jeden ein bisschen von allem geben wird. Auf dieser Folie. Also ja, lass uns loslegen. Also PPC-Datenanalyse, wichtige Erkenntnisse und Best Practices.

Also, die Klickrate, was bedeutet das wirklich? Es zeigt wirklich die Relevanz und das Engagement der Anzeige an, die Kosten pro Klick. Das ist dein CPC. Normalerweise hörst du das, offensichtlich wichtig für das Budget. Es ist dein durchschnittlicher Klickpreis, Konversionsrate. Dies ist ein Indikator für die Effektivität deiner Zielseite, richtig?

Jetzt, wenn wir über Verkaufsteams sprechen, wird es ähnlich sein. Es wird der Indikator für die Effektivität deines Verkaufsteams oder deiner Software sein, um diesen Lead zu schließen, was auch immer, ein Kosten pro Akquisition, der niedrigere CPA deutet auf einen effizienten Ausgaben hin. Wenn es offensichtlich ein höherer Kosten pro Akquisition ist, wird es dir anzeigen, dass es einige Ineffizienzen in deinen Werbeausgaben gibt, Return on Ad Spend.

Ich bin kein großer Fan, aber es ist eine sehr gängige Metrik, um die Rentabilität deiner Werbeausgaben anzuzeigen und dann Impressionen. Dies wird wirklich die Sichtbarkeit deiner Anzeige anzeigen, du weißt schon, Markenbekanntheit, solche Dinge. Die letzte wichtige, die wir berühren werden, wird der Qualitätsfaktor sein. Offensichtlich wird dies deine Kosten pro Klick und deine Anzeigenrangfolge beeinflussen.

Früher haben wir gesagt, dass es deine Anzeigenposition beeinflusst. Das ist nicht mehr relevant. Wir haben diese Anzeigenpositionsmetrik nicht mehr. Das gesagt, wird es immer noch anzeigen oder eine Art von Impressionenanteil oder wie oft du in relevanten Auktionen erscheinst, anzeigen. Hoffentlich sind sie relevant. Das sind mehr die gängigsten Metriken, würde ich sagen.

FREDERICK VALLAEYS: Genau. Und so wurde diese Anzeigenposition oder der Rang von Google entfernt, aber offensichtlich gibt es immer noch einen Entscheidungsprozess, welcher Anzeige über den anderen angezeigt wird, auch wenn Google es nicht unbedingt so nennt. Und der Qualitätsfaktor ist ein großer Faktor dabei. Aber wie du auch gesagt hast, ist es ein Rabattfaktor.

Je höher dein Qualitätsfaktor, desto weniger musst du bezahlen, um denselben Rang auf der Seite vor den Wettbewerbern zu halten. Und dann der Rang, wie hoch du auf der Seite bist, das bestimmt, wie viele Impressionen du bekommst, der CTR tendiert dazu, höher zu sein, je höher du auf der Seite bist. Also helfen sich all diese Dinge gegenseitig. Und ich bin immer noch ein großer Fan des Qualitätsfaktors. Ich denke, es ist immer noch eine der Metriken, die du wirklich nutzen kannst, um zu optimieren und deine Kosten zu senken. Wieder, wenn du den CPA betrachten möchtest, großartig, das sollte deine Referenzmetrik sein, aber wenn du damit nicht zufrieden bist, ist der Qualitätsfaktor dieser Hebel, um einen CPA zu bekommen, der dir besser gefällt als zuvor.

CORY LINDHOLM: Ja, und manchmal gibt es nichts, scheinbar nichts, was du mit dem Qualitätsfaktor tun kannst. Manchmal erreichst du einfach einen Punkt der abnehmenden Erträge. Du steckst all deine Zeit in die Optimierung der Zielseite, die Optimierung der ansprechenden Anzeige. Es scheint einfach keinen Unterschied zu machen. Aber, ist es das wert?

Absolut. Ich werde oft gefragt. Sollte ich mich überhaupt darum kümmern, um die Qualitätsfaktoren zu optimieren? Ist es wirklich so wichtig? Und ich sage immer, wenn du das Gleiche für weniger Kosten bekommen kannst. Würdest du es nicht tun? Nun, das ist es, was dir der Qualitätsfaktor ermöglicht. Also definitiv immer noch. Gut. Also lassen wir uns ein bisschen nerdig werden.

Also statistische Grundlagen. Jetzt Leute, ich entschuldige mich, wenn die Bilder schwer zu lesen sind. Ich kann definitiv eine Präsentation zur Verfügung stellen und werde sie zur Verfügung stellen, damit ihr das herunterladen könnt. Ihr könnt euch die Visuals näher ansehen. Ich werde versuchen, sie so gut wie möglich abzudecken, aber lassen wir uns in die Grundlagen eintauchen. Also werde ich oft gefragt, wenn ich anfangen würde, was ist das Erste, was du lernen würdest, wenn du mit PPC neu anfangen würdest?

Es wäre eigentlich nicht, die gesamte Google Ads Academy durchzugehen. Das könnte eine unpopuläre Meinung sein, aber eigentlich wird die Grundlage eines guten PPC-Managements eine gute Grundlage sein. In der Statistik, und ich weiß, dass du Albtraum-Flashbacks von Glockenkurven und der High School und solchen Dingen hast.

Aber Leute, die Statistik ist das, worauf PPC basiert. Wenn du dich einloggst und all diese Zahlen siehst, das ist Statistik. Es ist das. Dies sind Leistungsindikatoren für dein Geschäft und deine Werbung. Also wenn du keine solide statistische Grundlage hast, wie weißt du, ob das, was du siehst, statistisch solide ist?

Wie weißt du, wie sicher du sein kannst, dass die Zukunft wahrscheinlich X sein wird? Wie sicher kannst du sein, dass der vorherige Zeitraum, den du betrachtest, besser ist als der vorherige und ob das genug Daten sind, um solide Entscheidungen zu treffen? Also der erste Punkt, den ich hier erwähnen werde, sind die deskriptiven Statistiken.

Also das ist etwas, das wir die ganze Zeit verwenden, wenn wir uns einen neuen Datensatz ansehen, aber auch, wenn wir uns Veränderungen im Laufe der Zeit ansehen. Also im Wesentlichen wird es unsere Datenmerkmale zusammenfassen, wie wir es gerne nennen. Also der Mittelwert, auch bekannt als Durchschnitt, der dazu neigt, die Standardwerte zu sein, die du in deinem Google Ads-Konto siehst.

Deine Klickrate, das ist die durchschnittliche Klickrate. Du wirst CPC sehen, Kosten pro Klick, über die wir gesprochen haben. Das sind die durchschnittlichen Kosten pro Klick. Hier ist das Problem. Durchschnitte lügen oft, besonders wenn deine Daten, wie wir es nennen, verzerrt sind. Es gibt eine große Verteilung. Mit anderen Worten, du hast Ausreißer dort, richtig?

Du hast einen Tag, an dem diese bestimmte Kampagne einen CPC hatte, der 25 war und die meisten Tage liegt er nur im Bereich von 15. Nun, in diesem Fall, wenn du feststellst, dass das oft passiert, möchtest du eigentlich nicht den Durchschnitt verwenden, wenn du wirklich versuchst, die Leistung zu verfolgen, du möchtest wahrscheinlich zu etwas gehen, das die Ausreißer berücksichtigt, das wird der Median sein.

Also eine kleine schnelle Lektion. Wieder, das ist der Grund, warum Statistik und grundlegendes Wissen in Statistik wirklich nützlich für dich sein können, anstatt sich einfach auf die Standardwerte zu verlassen, die mit deinen PPC-Schnittstellen und -Software kommen.

FREDERICK VALLAEYS: Ja, und das bringt mich auch dazu, über den Ausschluss von Daten nachzudenken. Also wenn du irgendwelche seltsamen Daten siehst, egal ob du genau weißt, warum es war, vielleicht ist deine Zielseite kaputt gegangen und daher deine Konversionsrate.

War wirklich schrecklich. Oder wenn es etwas Saisonalität ist, das du nicht erwartet hast, wenn du siehst, dass es einen Ausschluss von Daten gibt, und das ist wirklich wichtig, denn ansonsten denken die maschinellen Lernsysteme von Google, dass dies gültige Daten sind und beginnen, Entscheidungen darauf zu basieren. Und dann beginnt das automatisierte Bieten zu überbieten oder zu unterbieten.

Und es ist sehr einfach. Du kannst einfach einen Auslöser festlegen. Das ist wie, hey, wenn wir etwas Seltsames sehen, schau nicht auf diese Daten. Wir haben ein Problem. Und dann, sobald es behoben ist, lässt du Google diese Daten neu bewerten. Dein Bieten wird schön und konsistent sein. Es wird nicht durch das, was passiert ist, durcheinander gebracht.

CORY LINDHOLM: Ich liebe das. Ich denke nicht, dass es eine Funktion ist, über die genug gesprochen wird, der Ausschluss von Daten. Also wenn das Conversion-Tracking kaputt ist, wie ein Hauptbeispiel, wenn du weißt, von diesem Moment bis zu diesem Moment, von diesem Datum bis zu diesem Datum, war das Conversion-Tracking ungenau. Es ist besser, dort hineinzugehen und diesen Algorithmen zu sagen, ich möchte nicht, dass du das berücksichtigst.

in deinem Bieten, richtig? Ich möchte nicht, dass du das siehst, als ob du die falsche Entscheidung in einer Zielgruppe getroffen hast, die du für gut hältst oder so. Ich möchte, dass du das einfach für jetzt loswirst. Es ist besser, das zu tun, als es drin zu lassen. Auch um hinzuzufügen, gibt es die Saisonalitätsanpassungen. Wieder, ich habe das Gefühl, dass sie sehr wenig genutzt werden.

Ich denke, viele Werbetreibende und Freddie, lass mich wissen, ob du das auch bei deinem Publikum findest, dass die Leute, sie nehmen an, dass diese Algorithmen magisch sind. Sie nehmen an, dass sie einfach vorhersagen und sehen können, oh, du hast einen Verkauf im Gange. Wir werden einfach die Konversionsrate berücksichtigen und uns entsprechend anpassen.

Ich würde es vorziehen, selbst wenn das wahr ist, Google mit der Saisonalitätsanpassung klar zu kommunizieren, dass wir einen Verkauf von diesem Datum bis zu diesem Datum oder von diesem Moment bis zu diesem Moment haben. Und ich erwarte, basierend auf der historischen Leistung oder meinen eigenen Vorhersagen, dass die Konversionsraten um diesen Betrag steigen.

Auf diese Weise kann ich ihnen einen klaren Start und ein klares Ende geben. Sie können ihre Vorhersagen darauf basieren. Sie können entsprechend bieten. Aber das Wichtigste, was ich das Gefühl habe, dass es wirklich unterschätzt wird, ist, dass, sobald der Verkauf vorbei ist und du ihnen sagst, ich erwarte, dass die Konversionsraten sinken, nicht plötzlich, als ob du keine Saisonalitätsanpassungen verwendet hättest, alle deine Gebote senken, weil sie sagen, oh, ich habe wirklich etwas vermasselt.

Und dann musst du plötzlich arbeiten. Es muss sich in Bezug auf das Bieten zurückarbeiten, um sich sicher zu fühlen, dass es jedes Ziel erreicht, das du Google kommuniziert hast. Also das sind wirklich zwei wichtige Funktionen. Ich bin froh, dass du das erwähnt hast.

FREDERICK VALLAEYS: Ja, stimme vollkommen zu. Ich meine, die Saisonalität, Google wird sicherlich die großen erfassen, wie die Feiertage zum Schulanfang.

Es ist jedes Jahr das Gleiche, richtig? Aber wenn du diese spezielle Promotion machen wirst. Oder sogar wie der Amazon Prime Day. Ich denke, es ändert sich jedes Jahr genau, wann das passiert und Google weiß es nicht. Und so, wenn du eine spezielle Promotion machen wirst, wird das System es erfassen, aber es könnte zwei Tage dauern, bis sie es tun.

Und wenn das dein Wochenendspecial war, weißt du, wie nützlich ist es, dass sie am Montag herausfinden, dass die Konversionsrate höher sein wird, weil sie jetzt aggressiver bieten, aber dein Verkauf, deine Rabatte sind weg. Also jetzt bietest du aggressiver, um Traffic zu bekommen. Das ist nicht so wertvoll.

Also ist alles ein bisschen umgekehrt. Wie du gesagt hast, wenn du Google sagen kannst. Dies wird von diesem Tag bis zu diesem Tag passieren. Dann können sie darauf vorbereitet sein und die Anpassungen genau so vornehmen, wie du es möchtest.

CORY LINDHOLM: Betrachte Google als deinen Werbeassistenten. Es ist nicht dein Genie. Weiter zu den inferentiellen Statistiken.

Also klingt es schick, aber im Wesentlichen lässt es uns wissen, basierend auf den Stichprobendaten, welche Konfidenzintervalle es gibt. Im Wesentlichen, wie sicher können wir uns über die Statistiken fühlen, die wir betrachten, besonders? Zeitraum über Zeitraum oder wenn du eine Hypothesentestung durchführst, sagst du, sollten wir mit einer inferentiellen Statistik gehen?

Wieder, ich werde nicht zu sehr ins Detail gehen, mache definitiv deine Recherche, benutze AI, um mehr Details über dieses Thema zu bekommen. Es geht wirklich ins Detail darüber. Also nicht zu verrückt. Regressionsanalyse. Also Beziehungen verstehen und Ergebnisse vorhersagen. Mir wird diese Frage die ganze Zeit gestellt, weißt du, wenn wir die Ausgaben erhöhen, wie wahrscheinlich ist es, dass wir mehr Konversionen bekommen?

Im Wesentlichen versuchst du zu sagen, bewegt sich diese Sache in diese Richtung, wird das mit dieser anderen Sache korrelieren, die sich in dieselbe Richtung oder in eine andere Richtung bewegt? Also zum Beispiel, das häufigste wird sein, wie ich sagte, die Ausgaben und die Konversionen. Wenn wir die Ausgaben erhöhen. ist es wahrscheinlich, dass die Konversionen steigen? Das ist etwas, das wir normalerweise die Regression verwenden, um zu versuchen, es herauszufinden.

Jetzt ist es wirklich klein, aber auf der rechten Seite siehst du ein visuelles Beispiel, wie das aussieht. Normalerweise würdest du ein Streudiagramm verwenden, wenn du diese Korrelation visualisieren möchtest. Also unten siehst du die Kosten, wenn sie nach rechts gehen, steigen die Kosten. Auf der linken Seite, auf der Y-Achse, sind die Konversionen.

Und wenn sie nach oben gehen, ist das ein Anstieg der Konversionen. Was du als Werbetreibender sehen möchtest, sagen wir, du schaust dir eine Kampagne an, die vielversprechend aussieht und du möchtest sehen, wenn ich die Ausgaben in dieser Kampagne erhöhe, ist es wahrscheinlich, dass wir mehr Konversionen bekommen? Was du sehen möchtest, ist, dass all diese Punkte, die Datenpunkte sein könnten, die Anzeigengruppen sein könnten, dass sie alle eng an dieser Linie in der Mitte ausgerichtet sind und dass es einen guten linearen Trend gibt. Also das wird dir sagen, dass es eine hohe Wahrscheinlichkeit gibt, dass, wenn du die Kosten erhöhst, du die Konversionen erhöhst. Und wie ich erwähnt habe, gibt es viele Möglichkeiten, dies zu verwenden. Es muss nicht nur Kosten und Konversionen sein. Es gibt auch Dinge wie die multiple Regressionsanalyse.

Du kannst wirklich mehrere Werte einfügen, um zu sehen, wie das andere Metriken beeinflusst. Viele lustige Dinge, die du damit machen kannst, aber es ist die Art und Weise, wie wir diese Frage beantworten, wenn wir X machen. Wie wahrscheinlich ist es, dass es Y beeinflusst? Eine großartige Möglichkeit, es zu verwenden. A/B-Tests, also alle als Werbetreibende haben davon schon einmal gehört, aber die Möglichkeit, zwei Versionen von etwas zu vergleichen, um eine bessere Leistung zu bestimmen.

Nun, für mich, aufgrund der Art und Weise, wie sich die RSAs, die responsiven Suchanzeigen, im Laufe der Jahre verändert haben und wir nur Impressionen bekommen, was großartig ist. Wahrscheinlich das Frustrierendste. Ich denke auch an A/B-Tests im Vergleich zu einem vorherigen Zeitraum, einem bestimmten Zeitraum gegenüber einem vorherigen Zeitraum. Und im Wesentlichen, weißt du, sagen wir, wir haben eine zentrale Änderung vorgenommen, wie eine Umstrukturierung.

Wir haben neue Produkte eingeführt. Wir haben eine neue Promotion gemacht. Wir haben den Preis von etwas geändert, von diesem Datum an. gegenüber dem vorherigen Zeitraum. Das ist auch eine Art von A/B-Test. Weißt du, war diese Sache, die passiert ist, dieses Hauptereignis? Was ist die statistische Signifikanz dieser Änderung? Und können wir wirklich sagen, zum Beispiel mit Konfidenzintervallen, dass es statistisch aufgrund dieses Ereignisses war, anstatt nur zufällig.

Also das sind Dinge, bei denen uns diese Tools helfen können.

FREDERICK VALLAEYS: Ja. Und dann ist hier, wo die generative KI großartig ist, weil du hingehen und Fragen stellen kannst, wie man einen ordnungsgemäßen A/B-Test durchführt. Denn es gibt so etwas wie einseitige und zweiseitige A/B-Tests. Ja. Und der einseitige, der im Grunde sagt, was sind die Chancen, dass diese?

Änderung hat die Dinge verbessert, aber es bewertet nicht die Möglichkeit, dass diese Änderung die Dinge verschlechtert hat, was der zweiseitige ist. Es gibt ein Ergebnis von zwei Möglichkeiten, nicht nur, dass die Dinge besser werden. Und so könntest du in einer Situation enden, in der es eine gute Chance gibt, dass dein Test die Dinge verbessert hat, aber ebenso gibt es eine gute Chance, dass er sie verschlechtert hat.

Und so könntest du eine andere Entscheidung treffen wollen, als wenn du nur den einseitigen A/B-Test betrachten würdest. Also das ist sehr kompliziert. Aber wieder, Jenny, kann dir helfen zu verstehen, was die Fallstricke sind, damit du diese Fehler nicht machst und dir nicht ins eigene Bein schießt.

CORY LINDHOLM: Ich möchte auch den Tipp geben, wenn du diese Chat-GPTs oder was auch immer, Gemini, benutzt, kannst du.

Sei vorsichtig, irgendwelche Daten dort einzugeben, es sei denn, du benutzt das Enterprise-Level-Tool, zum Beispiel bei OpenAI. Sie werden die Daten, die du ihnen gibst, in ihren Trainingssätzen verwenden. Also, es sei denn, das ist in Ordnung für dich, sei sehr vorsichtig, alles zu anonymisieren, was du dort eingibst, bevor du es tust.

Besonders wenn du dort API-Schlüssel hast, von denen ich gehört habe, dass Leute das tun. Sie denken einfach, ach, was auch immer. Du weißt schon, es ist nur ein API-Schlüssel. Du willst das nicht irgendwo öffentlich haben. Also sei sehr vorsichtig, irgendwelche Datensätze dort einzuspeisen. Ich würde wirklich empfehlen, die Dinge so weit wie möglich zu anonymisieren.

FREDERICK VALLAEYS: Ja, genau. Ich meine, du hast hier den entscheidenden Punkt gemacht, nämlich wenn du OpenAI verwenden willst. Du speist die Daten in das Modell ein, das lernen wird.

Und es könnte diesen API-Schlüssel in einer Antwort an jemanden zufällig ausgeben. Und dann verwenden sie jetzt deinen API-Schlüssel. Und dann ist es ein bisschen wie bei Software-Tools, wie Optmyzr, wir senden keine Daten an OpenAI, bis du deine Assistentenfähigkeiten, deine generativen KI-Funktionen aktivierst. Aber dann, weil wir APIs verwenden, verwenden wir geschäftliche.

Diese Daten werden verwendet, um eine Antwort zu generieren, aber dann verworfen. Sie werden nicht verwendet, um zukünftige Modelle zu erstellen. Also ist es, es ist viel sicherer. Aber immer, weißt du, wenn du eine Agentur oder ein Auftragnehmer bist, willst du deinen Kunden nur anerkennen, mit welchen Softwareanbietern du arbeitest, wohin deine Daten gehen und validieren, dass sie nichts tun werden.

Was du nicht willst, denn wenn deine Konkurrenten deine CPC-Daten hätten, wäre das keine gute Sache.

CORY LINDHOLM: Brad, ich würde gerne für einen Moment unsere Aluhüte aufsetzen. Ich bin sehr neugierig, weil ich weiß, dass du ein ehemaliger Googler bist, richtig? Also könntest du ein bisschen voreingenommen sein, aber ich vertraue dir. Ich vertraue dir. Also mit dieser neuen Fähigkeit, Google unsere Gewinnzahlen zu übermitteln und dass es darauf basierend bieten kann, wie fühlst du dich, was sind einige ethische Überlegungen und wie sollten Werbetreibende darüber nachdenken, das anzugehen?

Danke. Diese Daten an Google zu geben, weil es viel Diskussion zu diesem Thema gibt.

FREDERICK VALLAEYS: Ja, ich meine, ich glaube immer noch, dass Google grundsätzlich das Richtige tun will, aber sie sind auch ein gewinnorientiertes Unternehmen. Und so werden sie Wege suchen, mehr Gewinn zu erzielen, richtig? Und wenn sie wissen, dass es mehr gibt.

Wettbewerbsdruck, den sie in die Auktion einführen können, weil die Leute mit diesen Klicks gutes Geld verdienen. Dann, ja, könnten sie Dinge tun, die die Auktionen ein wenig teurer machen, also musst du darauf achten. Und da kommen wir als Drittanbieter-Tool ins Spiel und sagen, nun, hör zu, du kannst diese Gewinnzahlen auch zu Optmyzr bringen, einige Regeln und Logik darüber erstellen, wie das in deine Gesamtstrategie passen sollte.

Und dann ist das Einzige, was wir an Google senden, das Cool. TROAS oder TCPA, oder in einigen Fällen das CPC-Gebot, das durch deine Gewinne informiert wird. Aber Google weiß nie, ob du für null Gewinn bietest und die Einnahmen maximierst oder ob du bietest, um große Gewinne pro Verkauf zu erzielen. Sie wissen es nicht.

Also schützt das diese Informationen ein wenig mehr.

CORY LINDHOLM: Gut. Wir werden ein bisschen nerdiger, Leute. Eine Folie nach der anderen. Also die Rolle der Datenanalyse in der PPC-Strategie. Also. Ich werde hier drei Hauptpunkte abdecken. Einer wird die Leistungsüberwachung sein, dann die Optimierung und die Budgetzuweisung.

Es gibt viel mehr, worüber wir sprechen könnten. Ich denke, das sind die drei Hauptpunkte. Also in Bezug auf die Leistungsüberwachung und wie wir Statistiken und Datenanalyse und diese Tools wie du weißt schon, OpenAI, Gemini, diese KI-Tools verwenden können, um schnell visuelle Darstellungen für uns zu erstellen. Jetzt, Hinweis, all die Dinge, die du auf dem Bildschirm sehen wirst, sind Dinge, die.

Ich mit meiner eigenen proprietären Software erstellt habe, die ich für meine Kunden und nur für meine Kunden verwende. Also wirst du diese genauen Visualisierungen nicht erhalten, aber du könntest sie aufschlüsseln und wahrscheinlich versuchen, die KI etwas Ähnliches machen zu lassen, aber es ist ein bisschen ressourcenintensiver. Also als Beispiel für die Leistungsüberwachung oben rechts und unten links, tut mir leid, das verwirrend zu machen, oben rechts, ein paar Dinge, die du normalerweise verfolgen möchtest.

Eines wird dieser tatsächliche Wert sein, was auch immer du betrachtest. Sagen wir in diesem Beispiel, es wird der Return on Ad Spend sein. Also, was war der tatsächliche Wert des Return on Ad Spend im Laufe der Zeit? Jetzt, das ist, was du als den Konversionswert über die Kosten in der Google Ads-Oberfläche sehen würdest. Großartig, aber das sagt dir nicht alles, richtig?

Du möchtest in der Lage sein, mehr Erkenntnisse zu gewinnen als nur das, was der tatsächliche Wert war. Also hier ist, wo der Einsatz von Dingen wie Python oder Software dir wirklich helfen kann. Also gibt es ein paar andere Dinge, die ich in diese Visualisierung einwerfe. Eines wird der gleitende Durchschnitt über drei Monate sein. Es muss nicht über drei Monate sein.

Du wirst das basierend auf deinen Daten anpassen müssen. Aber in diesem Beispiel verwenden wir einen gleitenden Durchschnitt über drei Monate. Also anstatt nur die Höhen und Tiefen auf täglicher Basis von ROAS in diesem Beispiel zu sehen, betrachten wir den allgemeinen Trend, indem wir 90 Tage zurückblicken, den Durchschnitt des Return on Ad Spend.

Jetzt möchtest du vielleicht eine andere Metrik verwenden, etc. Aber das ist nur ein grobes Beispiel. Also ermöglicht es dir zu wissen, dass du dich nicht über kurzfristige Schwankungen erschrecken solltest. Diese werden erwartet. Wenn es jedoch ein Ausreißer ist, möchtest du in der Lage sein, ihn zu bemerken und du möchtest in der Lage sein, ihn mit Statistiken zu untermauern, anstatt einfach zu sagen, hey, es scheint ziemlich hoch zu sein.

Ich denke, das ist ein Ausreißer. Du möchtest Mathematik verwenden, um den Ausreißer zu identifizieren. Also in diesem Fall kannst du diesen roten Punkt oben sehen. Das ist nicht nur ein hoher Tag. Es ist ein Ausreißertag basierend auf dem Datensatz, den wir diesem bestimmten Programm geben. Also wirst du in der Lage sein, diese Ausreißer zu erkennen. Du wirst immer danach suchen wollen, weil das deinen Durchschnitt oder dein Mittel beeinflussen wird.

Und dann sehe ich auch gerne nur ein statisches Mittel über den Datumsbereich. Du kannst hier sehen, dass es ein wenig unter drei liegt. Das ist diese gestrichelte Linie. Ich werfe auch gerne dort eine Art Überschuss ein, aber das Median, normalerweise werde ich alle meine Hauptmetriken in Diagrammen wie diesem platzieren, damit ich schnell durch sie scrollen kann und sehen kann, ob es einen großen Unterschied zwischen Mittel und Median gibt und wirklich beide Linien sehen kann, um mich wissen zu lassen.

Es gibt einen großen Unterschied zwischen Mittel und Median, was bedeutet, dass ich mit diesem Gedanken in meine Analyse für diese bestimmte Metrik gehen muss. Und dann der letzte Punkt, den ich erwähnen werde, ist dieser schattierte Bereich in Grau. Das ist dein IQR, auch bekannt als dein Interquartilsabstand. Dies ermöglicht es dir im Wesentlichen zu wissen, was der zentrale Trend der Daten ist, die du betrachtest.

Also zwischen welchem Bereich und welchem Bereich ist normal, richtig? Jetzt kannst du das nach Bedarf anpassen. Im Allgemeinen liegt es zwischen 25 Prozent deiner Datenpunkte und 75 Prozent deiner Datenpunkte und alles außerhalb davon ist nicht unbedingt ein statistischer Ausreißer, aber es liegt außerhalb dessen, was der zentrale Trend dieser Daten ist.

Also in diesem Beispiel, alles unterhalb dieser grauen Leiste. liegt außerhalb des Normalen und alles über dieser Linie ist auch nicht außerhalb des Normalen, aber in diesem Fall ist es etwas Gutes, weil es einen höheren Return on Ad Spend bedeutet. Also ermöglicht es uns zu wissen, was ungefähr die Verteilung des Return on Ad Spend in einem gegebenen Datumsbereich ist und ermöglicht es uns zu wissen, ob etwas innerhalb oder außerhalb dieses Bereichs liegt.

Sehr, sehr nützlich, besonders wenn du mehrere Metriken nebeneinander betrachtest, um zu sehen, du weißt schon, was normal ist? Also wenn du diesen gleitenden Durchschnitt betrachtest, erschrecke nicht über kurzfristige Schwankungen, richtig? Mit

FREDERICK VALLAEYS: etwas wie diesem, möchtest du wahrscheinlich auch eine kleine Aufschlüsselung zwischen Marke und Nicht-Marke und verschiedenen Produktkategorien haben.

Denn offensichtlich haben Marke und Nicht-Marke eine sehr unterschiedliche Leistung. Und so, was ist normal? Wäre nichts normal, richtig? Wie, was ist wirklich hoch? Eines ist wirklich niedrig. Also wäre alles im Grunde ein Ausreißer. Also möchtest du sicherstellen, dass das nicht der Fall ist, wenn du deine Daten betrachtest.

CORY LINDHOLM: Absolut. Ja. Berücksichtige immer deine Segmentierungen. Du möchtest nicht, wie du erwähnt hast, Marke Nicht-Marke Suche mit Shopping, besonders wenn du dramatisch unterschiedliche Datenverteilungen oder Mittelwerte siehst, was auch immer. Wenn du diese deskriptiven Statistiken betrachtest, wenn du deskriptive Statistiken ausführst, haben wir vorher gesehen und du siehst das Mittel, du siehst das Maximum, das Minimum deiner verschiedenen Datenpunkte, möchtest du deine Datengruppen zusammenfassen, richtig?

Also möchtest du deine, du möchtest sehen, was die Verteilung ist, was das Mittel ist, was das Median von bestimmten Metriken für deine Markensuche ist. Wie vergleicht sich das? zu deiner maximalen Leistung von Kampagnen, deinen Standard-Shopping-Kampagnen, deiner Nicht-Marken-Suche, deinen Display-Kampagnen. Du möchtest diese Dinge entsprechend in verschiedene Gruppen einteilen, weil sie dramatisch unterschiedliche Mittelwerte, Mediane, Maxima, Minima, Standardabweichungen haben werden, wirklich wichtig, jeden zu klassifizieren und separat zu analysieren.

Und dann in Bezug auf die Optimierung. Also, weißt du, offensichtlich, wenn du Datenanalyse machst, wirst du nach Wegen suchen, die Segmentierung zu verfeinern. Deine Anzeigentexte, deine Gebotsstrategien, viele Dinge, die du dort tun kannst. Offensichtlich sind das grundlegendere Dinge für PPC. Aber eine der Sachen, die ich oft übersehen finde, vielleicht weil es so offensichtlich erscheint, ist die Budgetzuweisung.

Aber Fred, ich kann dir nicht sagen, wie oft ich ein Konto geprüft habe und sie haben 80 Prozent ihres Budgets für diese Kampagnen ausgegeben, die sie wirklich zum Laufen bringen wollen, aber sie funktionieren einfach nicht. Und dann sind sie budgetbeschränkt in diesen Kampagnen, die eindeutig Gewinner sind in Bezug auf Rentabilität, Volumen, Potenzial und wie, haben wir jemals versucht, mehr Budget auf eine von ihnen zu setzen?

Nun, ja, aber wir wissen bereits, dass sie Gewinner sind. Warum skalieren wir das nicht? Es ist erstaunlich. Also fühle ich mich gezwungen, es zu erwähnen, aber. Um das in unseren Datenanalyseprozess einzubeziehen, hier ist, wo prädiktives Modellieren ins Spiel kommen kann und Dinge wie externe Faktoren zu PPC wie Saisonalität und Promotionen berücksichtigt werden können.

Aber im Wesentlichen können wir herausfinden, wie wir, sagen wir, ein gegebenes Jahresbudget dynamisch über das Jahr verteilen sollten. Und wie würde das in Bezug auf die Anzahl der Leads aussehen, die wir erhalten? Zum Beispiel, das ist unten rechts. Ein gutes Beispiel für etwas, eine Analyse, die ich gerade für einen Lead-Generierungs-Kunden gemacht habe.

Sie sind ein SaaS-Unternehmen, wo wir im Wesentlichen drei Jahre historische Daten genommen haben. Das ist alles, was wir von ihren internen Systemen zur Verfügung hatten. Und wir konnten, mit dem Lead-Generierungsansatz, mit einem hohen Maß an Genauigkeit vorhersagen. wie viel Budget von unserem Jahresbudget wir über das Jahr in einem gegebenen Monat verteilen müssen, und was wahrscheinlich unser Lead-Volumen für dieses Jahr sein wird, indem wir die Saisonalität berücksichtigen.

Unglaublich mächtige Art, dies zu nutzen, wenn du nur das Wissen hast, um dort einzusteigen. Gut, wir werden das vorantreiben, nur um sehr schnell zu sagen, dass die untere linke Ecke. Es ist ein bisschen die gleiche Idee wie die obere rechte Ecke, aber das ist eine Möglichkeit, einen vorherigen Zeitraum mit einem aktuellen Zeitraum zu vergleichen. Also diese orangefarbene Linie aktueller Zeitraum gegenüber vorherigem Zeitraum und wirklich, wirklich substanzielle Ausreißer in Bezug auf Erkenntnisse zu bemerken, weil viel von dem, was wir tun, ist, dort hineinzugehen und zu schauen, okay, seit dem letzten Mal, als ich das Konto optimiert habe, was ist die Veränderung?

Was ist der Vergleich von Werten und Metriken seit diesem Zeitraum im Vergleich zu einem vorherigen Zeitraum oder Verglichen mit dem letzten Jahr, was auch immer es ist, wirklich schön, diese Dinge visualisieren zu können. Und dann kannst du dein menschliches Gehirn verwenden, um zu beginnen, das Warum zu zerlegen, denn das ist ein wirklich wichtiger Punkt hier und dein Domänenwissen zu nutzen, um wirklich zu sagen, okay, hier ist das Was, hier ist, was passiert, aber warum passiert es?

Ja. Du kannst Datenanalyse und prädiktives Modellieren verwenden, um eine grobe Vorstellung zu bekommen. Ja. Du kannst Chat GPT oder so etwas bitten, zu raten, was es sein könnte. Aber selbst diese Technologien wie das Open AI werden dir sagen Hier ist, was ich denke, aber du musst deine Erfahrung als Domänenexperte nutzen, um wirklich herauszufinden, was passiert.

Gut, also Integration, ich habe viel darüber gesprochen, aber Integration von PPC-Daten aus anderen Geschäftsdaten. Ich denke, oft als PPC-Experten, ob du Facebook machst oder ob du Google oder Microsoft machst, was auch immer, wir konzentrieren uns so sehr und beginnen in einem Vakuum zu denken und schauen nur auf unsere Daten, die wir verwalten.

Aber es ist so wichtig, besonders in der heutigen Werbe- und Online-Marketing-Umgebung, dass du über den Kanal nachdenkst, du denkst darüber nach, wie nicht nur wie die Erhöhung der Ausgaben, sagen wir auf Facebook, Google Ads beeinflusst. Aber, was ist mit dem Verbrauchervertrauensindex, richtig? Wird das möglicherweise deine Verkäufe beeinflussen?

Das sind Dinge, die du berücksichtigen möchtest, weißt du, gibt es einen Trend in der lokalen Wirtschaft, der die Verkäufe beeinflussen könnte? Wenn du diese Dinge nicht kennst, könntest du denken, dass es die Änderungen sind, die du vorgenommen hast, die das verursachen, wenn diese anderen Faktoren auch berücksichtigt werden müssen. Also das ist ein einfaches Beispiel, wieder, Marktforschung zu nutzen, um im Wesentlichen den CCI, den Verbrauchervertrauensindex, in den Staaten zu erhalten und zu vergleichen und zu kontrastieren mit deinen PPC-Konversionen.

Also wieder, sehr hohes Niveau, super einfach. Du kannst es so komplex machen, wie es nötig ist, aber die zentrale Idee hier ist, externe Faktoren in deine PPC-Leistung zu integrieren und nicht nur über deine Google Ads-Daten in einem Vakuum nachzudenken. Du musst das gesamte Bild berücksichtigen.

FREDERICK VALLAEYS: Ja. Und ich liebe das, Cory, weil ich denke, dass du wirklich deine eigenen Geschäftsdaten einbringen musst.

Und wieder, wie ich sagte, bring es so nah wie möglich an das, was wirklich für dein Geschäft wichtig ist. Wie CPC, CTR, wen interessiert das? Konzentrieren wir uns auf Gewinne und Einnahmen. Und das kannst du nur tun, wenn du dein CRM verbindest. Also, du weißt, welcher Lead tatsächlich zu einem Verkauf geführt hat. Und dann in Bezug auf das Verständnis, habe ich etwas im Geschäft geändert, das dazu führt, dass ich eine bessere oder schlechtere Leistung habe, während es hilft, vertikale Benchmarks zu betrachten?

Also, wie geht es allen anderen in der Branche, oder schau dir ein Tool wie PPC Investigator an? Also wenn du siehst, dass deine Konversionen sehr hoch sind, was ist die zugrunde liegende Ursache dafür? Ist es, weil du mehr Impressionen für die Dinge hast, die du bewirbst? Und dann kannst du anfangen, Fragen zu stellen. Gibt es mehr Impressionen?

Wie, sprechen die Nachrichten darüber? Ist das ein Trendthema? Gibt es eine Veränderung in der Verbrauchernachfrage, die dazu führt, dass sie nach meinem Angebot mehr suchen als zuvor? Und so, je mehr Alarme du haben kannst, um dir zu sagen, wann es Zeit ist, zu gehen und zu untersuchen, denn letztendlich ist es ein schwieriges Problem, richtig?

Wenn du an Google denkst und sie haben jetzt, es wurde offengelegt, es gibt mehr als 14.000 Ranking-Faktoren, aber Denk daran, dass du wahrscheinlich auch mehr als 14.000 Dinge verwenden könntest, um zu überlegen, ob das mein Geschäft beeinflusst, aber das ist viel Aufwand, um all diese Dinge durchzugehen. Also auf irgendeiner Ebene, selbst zu wissen, wann man diese nächste Frage stellen sollte, und dann denke ich, dass Agenturen und Berater wirklich ihren Platz verdienen, weil sie oft mit mehr Werbetreibenden in diesem Bereich arbeiten.

Also, wie du gesagt hast, arbeitest du nur mit einem SaaS-Unternehmen. Und sie könnten sagen, hey Cory, was hast du gesehen? Und du wirst diesen speziellen Kunden nicht offenlegen, aber du wirst sagen, ja, wir sehen eine Art Trend, wo vielleicht die Wirtschaft ein bisschen besser ist. Die Leute sind eher bereit, Geld für Software auszugeben und dies und das.

Und so lernen jetzt alle voneinander. Also das ist, das ist ein großer Wert.

CORY LINDHOLM: Absolut. Das ist ein sehr guter Punkt. Ich bekomme diese Frage oft, nun, weißt du, sollte ich es einfach selbst machen? Und es ist wie, nun, du könntest in der Lage sein, es mit diesem Datenvolumen und deinem eigenen Wissen in diesem Bereich und deiner Verfügbarkeit von Zeit, was auch immer, du könntest in der Lage sein, es zu tun, aber bedenke den Wettbewerbsvorteil, den du hast, wenn du mit einer Agentur arbeitest, die diese geteilten Erkenntnisse in einer Branche wie deiner hat.

Wie wenn du mit einer Agentur arbeitest, die sich auf Einzelhandels-E-Commerce spezialisiert hat, könnten sie Erkenntnisse haben, die du einfach nicht haben wirst, weil sie diese Erkenntnisse durch und diese Muster durch verschiedene andere, du weißt schon, andere Einzelhandels-E-Commerce-Anbieter sehen können. Also ja, wirklich, wirklich wichtig und ein guter Grund, mit einer Agentur oder einem Spezialisten zu arbeiten, anstatt es einfach selbst zu versuchen.

Gut. Also das ist eine meiner Lieblingsanalysen zu machen. Ich denke, die Leute überdenken das ein wenig, also klingt es wirklich kompliziert, aber es ist. Die Nutzung von Saisonalität und externen Faktoren zu PPC. Wir haben ein wenig darüber gesprochen, wie mit dem CCI, aber das ist ein bisschen tiefer. Also im Wesentlichen wollen wir saisonale Trends nutzen, um Variationen vorherzusagen und uns darauf vorzubereiten.

Also hier ist die Sache, Leute, wenn ich saisonal sage, ist es sehr einfach, standardmäßig an Herbst, Frühling, Sommer und Winter zu denken. Das ist nicht das, worüber ich hier spreche. Also könnten dies saisonale Muster sein, von denen du keine Ahnung hast, die dir wirklich nicht klar waren. Du könntest ein gewisses Bauchgefühl gehabt haben, je länger du dein Geschäft betreibst.

Aber du möchtest wirklich Daten verwenden, um herauszufinden, ob das vorhersehbar ist, ob es nur Zufall, zufälliges Rauschen ist, das ist, was eine saisonale Zerlegungsanalyse für dich tun kann. Also wieder, das ist eines meiner Lieblingsdinge, die ich für ein Unternehmen tun kann, ist in der Lage zu sein, ihre historischen Daten zu nehmen und in der Lage zu sein, Vorhersagen aus den Daten zu machen, die wir haben, aber auch die Saisonalität darin zu integrieren, sowie uns eine Vorstellung davon zu geben, wie wir, wie ich zuvor erwähnt habe, budgetieren und prognostizieren und uns vielleicht auf Promotionen oder Lagerbestände vorbereiten sollten, was wir erwarten sollten, angesichts der saisonalen Muster.

Also auf der rechten Seite ist das, was du normalerweise mit einer standardmäßigen saisonalen Zerlegung sehen wirst. Also wenn du ChachuPT oder so etwas fragen würdest, weißt du, Cory sagte, mach eine saisonale Zerlegung in diesem Datensatz. Ich weiß nicht, was das bedeutet, aber mach es einfach. Das wird wahrscheinlich die Standardausgabe sein.

Es wird im Wesentlichen sein, was auch immer beobachtet wird, in diesem Fall verwenden wir Gesamtkunden, also ist es alles kombiniert. Es ist nur das, was du normalerweise sehen würdest, wenn du deine Kunden im Laufe der Zeit grafisch darstellen würdest. Großartig, nicht so nützlich, richtig? Du hättest das selbst machen können, kein Code erforderlich. Der zweite Teil ist, wo die Dinge interessanter werden.

Also, das ist der allgemeine Trend der Daten, richtig? Also im Wesentlichen haben Sie das Rauschen entfernt, wenn Sie jemals das Sprichwort gehört haben, kennen Sie das Signal vom Rauschen. Das ist das Signal. Das ist der allgemeine Trend über die Zeit. Der dritte Punkt wird in einem Moment mehr Sinn machen. Der dritte Punkt sind die saisonalen Muster, die wir sehen.

Und in diesem Datensatz können Sie tatsächlich ein ziemlich klares Muster sehen, richtig? Ich denke, es ist ungefähr im Juni oder so, wenn wir beginnen, einen großen saisonalen Anstieg zu sehen, aber im Wesentlichen beginnen wir, Spitzen zu sehen, und, und potenzielle Kunden, die der Saisonalität zugeschrieben werden und nicht dem zufälligen Rauschen. Hier wird es wirklich interessant, richtig?

Denn dieser letzte Teil unten rechts ist der Rest, nur ein technischer Begriff für das Rauschen. Das sind Dinge, die durch die Saisonalität im Datensatz nicht erklärt werden können. Zum Beispiel können Sie am Anfang diesen blauen Punkt sehen, der dort wirklich hoch ist. Das kann durch die Saisonalität im Datensatz nicht erklärt werden.

Daher gibt es Ihnen etwas, um zu sagen, nun, ich frage mich, warum, was haben wir gemacht? Haben wir eine Promotion durchgeführt? Hatten wir ein Produkt, das wir entfernt haben, das wir vielleicht, wissen Sie, nicht hätten tun sollen. Es lässt uns wissen, dass dies die Art von zufälligen Dingen ist. Die Dinge oben sind, um uns wissen zu lassen, dass dies die echten Trends sind.

Dies sind die echten saisonalen Muster. Fantastisch, um wieder vorherzusagen und in die Zukunft zu projizieren, wie wir Dinge wie Inventar, Werbeausgaben usw. handhaben sollten und was wir erwarten sollten. Also sage ich immer Fred auch den Beratungskunden. Dass Sie berücksichtigen müssen, was Google Ihre Konversionszyklen nennt.

Das ist, was Google in Bezug auf Ihre Attributionsreise sehen kann. Wie viele Tage dauert es normalerweise vom ersten Klick bis zur Konversion? Dies kann nützlich sein, um zu entscheiden, welche dieser Datenpunkte zwischen Ihren internen, zwischen dem, was Google sieht, am nützlichsten sein werden. Aber es lässt Sie auch wissen, dass es diese erwartete Verzögerung geben wird.

Und wieder hängt es davon ab, was Sie verwenden, welches Tool Sie verwenden usw. Aber um es einfach zu halten, wenn Sie Google verwenden und es scheint, dass Ihr durchschnittlicher Konversionszyklus vier Wochen dauern wird, zum Beispiel, möchten Sie nicht, wissen Sie, alle Ihre Gebote für Juni erhöhen, wenn tatsächlich alles beginnt.

Vier Wochen später. Das ist, wenn Sie wollen, weil Sie diese Konversionszyklen berücksichtigen möchten. Es ist ein bisschen komplex, aber

FREDERICK VALLAEYS: Haben Sie ein GPT geschrieben oder im Grunde das Plugin, das ich hier machen möchte, ist, dass Leute GPTs schreiben, die speziell dafür gebaut sind, bestimmte Dinge zu tun. Ich habe ein GPT geschrieben, um Ihnen beim Schreiben von Skripten zu helfen, und ich habe ihm Informationen darüber gegeben, dies sind die fünf Dinge, die Sie jemanden fragen sollten, der mit einer Skriptanfrage zu Ihnen kommt, richtig?

Denn jemand wird kommen und sagen, hey, kannst du mir ein Skript schreiben, das mir hilft, besser zu etablieren? TRO als Gebot, aber sie könnten nicht an die Rückblickfenster denken. Sie könnten die Saisonalität nicht betrachten. Sie könnten nicht berücksichtigen, dass Sie ein MCC-Skript oder ein einzelnes Kontoskript erstellen können. Sie könnten nicht an die Trennung zwischen Marken- und Nicht-Marken-Kampagnen gedacht haben.

Und so gibt es all diese Dinge, die Sie und ich und die Spezialisten wissen. Und so können Sie wirklich ein GPT erstellen, das diesen Benutzer zwingt, diese Fragen zu adressieren oder zumindest darüber nachzudenken. Darüber nachzudenken, bevor sie das Ergebnis erhalten und hoffentlich ein besseres Endergebnis erzielen.

CORY LINDHOLM: Ja. Meine Hauptnutzung der GPTs der Welt ist es, Python-Skripte zu schreiben und mir zu helfen, diese Python-Skripte anzupassen und meine eigene Logik darin herauszufordern, um Vorurteile zu überprüfen, solche Dinge.

Aber ich habe meine eigenen kleinen benutzerdefinierten, wieder, proprietären Dinge. Aber was ich wirklich gerne mache, Fred, wieder, ein bisschen nerdig, aber auch ein bescheidenes Prahlen ist, dass ich gerne drei habe, die ich baue, also sind sie alle nicht miteinander verbunden, aber ich habe einen, der mir die Hinweise für den Skript-Builder gibt.

Und dann habe ich einen dritten, der das Skript QA ist, das geschrieben wird, weil ich nicht lüge, ich finde tatsächlich bessere Ergebnisse, wenn ich diese drei Assistenten habe, die wirklich nicht vollständig wissen, was mit dem anderen passiert. Aber es ist besser, weil wenn Sie alles in einem haben, neigt es dazu, verwirrt zu werden.

Es verliert den Kontext. Sie müssen sich wiederholen. Selbst wenn Sie ihm einen sehr, sehr klaren Hinweis geben. Was ich nicht tun möchte, ist, einen zu haben, der ein Skript erstellt. Dann stelle ich ihm Fragen und lenke es ein wenig vom Weg ab. Es neigt dazu, ein Problem zu haben, zurückzugehen und sich zu korrigieren. Also mag ich es, drei zu haben.

Also habe ich eine Art benutzerdefinierte Sache, die im Wesentlichen drei Assistenten verwendet, um die Arbeit der anderen zu überprüfen und erstaunliche Ergebnisse für sie zu erzielen. Ja,

FREDERICK VALLAEYS: das ist brillant. Ich meine, wenn Sie nicht extra für einen weiteren Assistenten bezahlen müssen und warum nicht, richtig?

CORY LINDHOLM: Genau. Ja.

FREDERICK VALLAEYS: Sehr cool.

CORY LINDHOLM: Und dann nur um die Saisonalität abzuschließen, ein paar Dinge, die ich wirklich empfehle, um dies für die Stakeholder zu vereinfachen, denn wenn Sie ihnen diese Dinge auf der rechten Seite zeigen, werden sie sich wahrscheinlich völlig verlieren und nicht verstehen, was Sie sagen.

Also setzen Sie es in eine Sprache, die sie verstehen werden. Und das untere mittlere Diagramm ist das, das ich wahrscheinlich am meisten benutze. Dies ist der durchschnittliche saisonale Effekt auf, in diesem Beispiel, potenzielle Kunden pro Monat. Also würde uns dies im Wesentlichen sagen, dass wir in einem gegebenen Monat im Vergleich zum Jahresdurchschnitt der potenziellen Kunden erwarten können, wie viele mehr oder wie viele weniger potenzielle Kunden wir in einem gegebenen Monat erwarten?

Und wieder, Sie müssen die Qualität Ihrer Daten und die Konversionsverzögerungen usw. berücksichtigen, wie wir gerade angesprochen haben. Aber in diesem Beispiel können wir im Juni tatsächlich erwarten, 15 potenzielle Kunden weniger als unser Jahresdurchschnitt im Juni zu sehen, während wir im Mai. 41 potenzielle Kunden mehr als der Durchschnitt erwarten. Also sind dies wieder Wege, wie wir schnell grafisch sehen können, es ist, es ist ein sehr klares visuelles, dass selbst wenn Sie nicht hundertprozentig in all diesen Dingen sind und keine solide statistische Grundlage haben, können Sie sagen, nun, eindeutig zeigt dieser große grüne Balken, dass wir viel mehr im Mai ausgeben müssen oder vielleicht im Monat davor zu unserem Punkt über die Konversionsverzögerung.

Um wirklich von diesem klaren saisonalen Effekt zu profitieren, der auftritt, und wir sollten wahrscheinlich nicht so viel im Juni oder Juli ausgeben, oder vielleicht müssen wir nur untersuchen, warum wir das sehen, wissen Sie, ist das die Zeit, in der unser Verkaufsteam dazu neigt, viele Ferien zu nehmen und das einige unserer Verkäufe beeinflusst und Sie können diese Regressionsanalysen durchführen, über die wir zuvor gesprochen haben, wenn Sie genügend Daten haben, um zu sehen.

Ist das, wissen Sie, sagen wir, das Verkaufsteam geht in den Urlaub. Ist das, wissen Sie, stark mit unseren sinkenden Verkäufen korrelierend? Es ist nur ein dummes Beispiel, aber nur eine grobe Idee, wie Sie diese Dinge nutzen können, um darüber nachzudenken.

FREDERICK VALLAEYS: Und so ist Google Ads sehr nett, weil es Ihnen die Daten bis zum Anfang gibt, als Sie eine Kampagne gestartet haben.

Also haben Sie oft mehrere Jahre an Daten, die Sie in GPT einspeisen können. Aber wenn es um etwas wie Amazon Ads geht, haben sie eine Grenze von 90 Tagen, wie lange Sie zurückblicken können. Haben Sie jemals festgestellt, dass Sie die Erkenntnisse einer Plattform nutzen können, um die Saisonalität auf einer anderen Plattform vorherzusagen?

CORY LINDHOLM: Oh ja, absolut.

Ich mache das viel. Also das ist, was wir in der Welt der Datenwissenschaft Feature Engineering nennen. Also greifen Sie. Was auch immer Sie können, alle Daten, die da sind, Shopify, Amazon, Facebook, ich will alles. Und ich möchte das durch eine Korrelationsmetrik oder Matrizen laufen lassen, um statistisch herauszufinden, welche Metriken von welchen Dingen kombiniert werden müssen.

Beeinflusst das die Genauigkeit meiner Vorhersagemodelle usw.? Also ziehe ich definitiv ständig aus den APIs, um so viele Daten wie möglich zu erhalten, um wirklich gute Vorhersagen zu machen und, und, und zu diesen soliden Grundlagen in meiner Analyse zu gelangen. Ja.

FREDERICK VALLAEYS: Sehr cool.

CORY LINDHOLM: Gut. Und dann das untere linke für alle, die neugierig sind, welches das ist, das Sie nicht erwähnt haben?

Dies ist ein wirklich verwirrendes Thema, aber ich möchte es nur dort einwerfen. Es ist Autokorrelation. Also werde ich es wirklich kurz und süß halten, weil uns die Zeit ausgeht. Wenn Sie feststellen, dass der Punkt außerhalb des schattierten Bereichs liegt, was in diesem Fall drei war, sagt uns das, dass wir alle drei Monate eine negative Korrelation mit den drei vorherigen Monaten haben.

Mit anderen Worten, alle drei Monate erwarten wir eine negative Leistung bei unseren potenziellen Kunden, und dann erwarten wir in den nächsten drei Monaten tatsächlich einen positiven Anstieg bei den potenziellen Kunden. Also neigen diese Jungs dazu zu sehen. dass ihre ihre potenziellen Kunden einem sehr klaren Geschäftszyklus von vierteljährlich folgen. Also alle, alle drei Monate oder so, erwarten wir ein paar niedrige Monate und ein paar hohe Monate.

Nun, wieder, Sie müssen es mit einem Körnchen Salz nehmen. Es wird nicht immer das gleiche Hoch und das gleiche Tief alle drei Monate sein. Und es könnte nicht so schlimm sein wie die drei Monate zuvor, und es wird nicht hundertprozentig sein. Nichts davon soll mit hundertprozentiger Genauigkeit sagen. Dies sind alles Schätzungen unter Verwendung von Mathematik und einer soliden statistischen Grundlage.

Aber ich möchte nicht, dass die Leute in dies hineingehen und sagen, wir werden in der Lage sein, mit hundertprozentiger Sicherheit vorherzusagen, dass der Mai unglaublich sein wird, weil wir eine saisonale Zerlegung gemacht haben. Dies gibt uns nur unsere beste Inferenz oder unsere beste. Hypothese oder beste Schätzung dessen, was wahrscheinlich passieren wird, garantiert nicht, dass es passieren wird.

Und so, prädiktive Analyse, wir haben dies ein wenig angesprochen. Ich möchte nur ein visuelles Beispiel zeigen, wie dies aussehen könnte, aber im Wesentlichen mit prädiktiver Analyse im Kontext von PPC, was ich nicht viel Inhalt darüber sehe, neigt es dazu, Sie wissen schon, Konzepte aus der Biologie oder was auch immer zu verwenden, und es ist schwer für die Leute zu verstehen, wie man es auf PPC anwendet.

Also im Allgemeinen werden wir versuchen, die zukünftige Leistung unter Verwendung historischer Trends usw. vorherzusagen. Ein häufiges Beispiel ist die Vorhersage des Lebenszeitwerts des Kunden. Sie werden dies in vielen Datenwissenschaftsagenturen sehen, wo dies eine der ersten Aufgaben ist, die sie tun, ist, alle Ihre Produkte und so viele Merkmale und Datenpunkte wie möglich zu nehmen, um Ihnen eine ungefähre Vorstellung davon zu geben, was der Lebenszeitwert des Kunden für ein gegebenes Produkt oder eine bestimmte Kohorte, eine Kohorte eines Publikums wahrscheinlich sein wird.

Also könnte das wie eine Art von Publikum sein, Menschen, die Premium-Produkte kaufen, die mit diesem Produkt beginnen. Das wäre so etwas wie eine Marktanalyse, so etwas. Aber wie könnten wir dies wirklich einfach auf PPC anwenden, in diesem Fall war es Lead-Generierung. Also, was ich dafür verwendet habe, es gibt viele verschiedene prädiktive Modelle, die Sie verwenden können.

Ich bin ein großer Fan als Vermarkter des Facebook Prophet Modells. Fred, ich bin sicher, dass Sie das in gewissem Maße verwendet haben, weil das Tolle an diesem Modell ist, dass es Feiertage berücksichtigt, die, wenn Sie nur Ihr eigenes prädiktives Modell erstellen würden, müssten Sie das maßgeschneidert bauen und es jedes Jahr an die Feiertage und sich ändernden Daten anpassen, das Facebook Prophet Modell integriert das bereits in seine Vorhersagen.

Also ist dies eine großartige Möglichkeit, in diesem Fall unsere blaue Linie ist die allgemeine Prognose, aber dann die oberen und unteren Grenzen dieser Vorhersage. Das ist wirklich wichtig. Geht zu unserem Punkt darüber, dass nichts eine perfekte hundertprozentige Vorhersage ist. Wir erwarten in diesem Fall, und es ist wahrscheinlich, dass wir sehen werden, dass der tatsächliche Wert der potenziellen Kunden innerhalb dieser grünen Linie und der roten Linie liegen wird.

Also zum Beispiel erwarten wir im nächsten Jahr einen wirklich, wirklich guten Juni. Es könnte einer der besten sein, die wir je hatten. Und wieder, dies basiert auf einer soliden Grundlage von sauberen Daten. Und dann gibt es einige Dinge, die sich nicht mit dem decken, was wir mit der saisonalen Zerlegung gesehen haben, was wirklich interessant ist. Also wenn wir die historische Leistung betrachten, zeigt es, dass diese gegebenen Monate nicht so gut sind, aber wenn Sie unsere prädiktiven Modelle verwenden, könnten sie sich nicht mit ihnen decken, was, wissen Sie, ein ganz anderes Thema ist, aber Sie möchten untersuchen, warum das so sein könnte und wie genau Ihr prädiktives Modell ist, usw.

Aber Sie können immer versuchen, diese Modelle zu optimieren und sollten diese Modelle optimieren, um im Laufe der Zeit eine bessere Genauigkeit zu erzielen. Gut, wir werden das beschleunigen, Leute. Also ein Datenexperiment, Hypothesentests. Also in dieser Analyse wollten wir eine Vorstellung davon bekommen, ob wir unsere Top-Anzeigengruppen und die URLs, die mit diesen Anzeigengruppen mit höherem Ausgaben und besserer Leistung verbunden sind, ändern, was ist das Risiko und was erwarten wir in Bezug auf Einnahmen und Return on Ad Spend, wenn wir von Blog-URLs zu Produktseiten-URLs wechseln?

Dies ist tatsächlich eine ziemlich häufige Frage für größere E-Commerce-Werbetreibende, weil, wissen Sie, wir haben hauptsächlich Blog-URLs für Suchkampagnen ausgeführt, weil uns gesagt wurde, dass es die beste Praxis ist, aber wir haben es nie wirklich getestet. Dies ist eine gute Möglichkeit, in Hypothesentests einzusteigen, in etwas, das eindeutig für PPC anwendbar ist.

Also in diesem Fall, das erste, was wir getan haben, eines der ersten Dinge, die wir getan haben, also haben wir die allgemeine Verteilung des Return on Ad Spend für beide dieser beiden Dinge betrachtet, Return on Ad Spend für Blog-URLs gegenüber Produkt-URLs. Sie können sehen, dass die Verteilung viel mehr nach rechts für die Produkt-URL verzerrt ist. Also ist der Return on Ad Spend für einige von ihnen viel höher, aber die meisten Blogs neigen dazu, mehr einer normalen Verteilung zu folgen.

Also neigen sie dazu, sich im Bereich von 0,5 bis 2X im Return on Ad Spend zu befinden. Also Greg gibt uns eine allgemeine Vorstellung. Gehen wir weiter, was können wir wirklich erwarten in Bezug auf die Vorhersage des Return on Ad Spend? Nun, das unten rechts ist, wo das ins Spiel kommt. Also im Wesentlichen wird uns das auf der x-Achse, unten dort die horizontale Achse, die Anzahl der Proben zeigen.

Also ist dies ein Modell, das je mehr Proben, je mehr Male es diese Sache testet, was ist die, was ist die Verteilung? Wie viel Return on Ad Spend sollten wir erwarten, wenn wir Produkt verwenden? Gegenüber Blog Return on Ad Spend. Und das klare, was Sie hier sehen können, ist, dass der Return on Ad Spend des Blogs, wenn die Proben zunehmen, die Anzahl der Tests, die wir in diesem Modell ausführen, zunimmt, der Return on Ad Spend im Allgemeinen viel niedriger ist als der Return on Ad Spend des Produkts.

Also wenn Ihr Ziel ist, die Effizienz dieser Anzeigengruppen zu erhöhen. Dies könnte Ihnen einen Grund geben zu sagen, nun, die Dinge sehen ziemlich gut aus in Bezug auf den Return on Ad Spend. Aber dann müssen Sie weitermachen und sagen, nun, was ist mit den Einnahmen, jedoch? Denn Prozentsätze bringen kein Geld auf das Bankkonto des Unternehmens, richtig?

Es sind die Gewinne. Es sind die Einnahmen. Das ist es, was uns wirklich am Laufen hält, die Lichter an. Also möchten Sie dies auch durchlaufen und sagen, okay. Jetzt weiß ich, wie der Return on Ad Spend aussieht. Es sieht so aus, als ob der Return on Ad Spend des Produkts der Gewinner für uns in Bezug auf Effizienz sein wird, aber wenn ich dasselbe mache und dann sehe, dass die Einnahmen einfach anfangen zu fallen, je mehr Proben ich ausführe, könnte es den Kompromiss nicht wert sein, aber wirklich wichtig, diese Arten von Analysen durchzuführen.

Also häufige Fehler in der Datenanalyse, die Sie vermeiden sollten. Wir haben mehrere davon angesprochen, also werden wir das beschleunigen, aber eine große Sache, und wahrscheinlich haben Sie das seit der High School gehört, aber Korrelation bedeutet nicht Kausalität. Also müssen wir uns dieser Dinge in unseren PPC-Daten wirklich bewusst sein. Nur weil Sie sehen, dass Sie ein Streudiagramm ausgeführt haben, und es scheint, dass wenn die CPCs steigen, der Return on Ad Spend auch steigt, was seltsam wäre, aber sagen wir nur zum Beispiel, dass das der Fall ist, das der Fall ist.

Das bedeutet nicht unbedingt, dass das Erhöhen Ihrer Gebote und damit Ihr Cost-per-Click steigt, dass es verursacht, dass Ihr Return on Ad Spend steigt. Es gibt andere Faktoren, die in diese Art von Analyse einfließen müssen. Kleine Stichprobengrößen ignorieren. Wir haben dies zu Beginn des Anrufs angesprochen.

Stellen Sie sicher, dass Sie zuverlässige Stichprobengrößen haben. Also passiert das viel mit neuen Werbetreibenden oder Geschäftsinhabern, die versuchen, diese Dinge selbst zu machen. Und sie sind erschrocken, weil sie 13 Klicks in der letzten Woche auf diese bestimmte Anzeigengruppe haben und der Return on Ad Spend ist schrecklich. Und wir wissen nicht, was wir tun sollen.

Sollten wir, sollten wir zu PMAX zurückkehren? Sollten wir, wissen Sie, sollten wir alle unsere Gebote senken? Was sollten wir tun? Und das erste, was ich betrachten werde, ist die Stichprobengröße. Nun, wir haben 13 Klicks, also gibt es viel Zufälligkeit darin. Es könnte einfach reiner Zufall sein. Wahrscheinlich wollen wir keine dramatischen Entscheidungen mit einer so kleinen Stichprobengröße treffen.

Nun, ich kann auch verstehen, als Geschäftsinhaber, richtig? Sie versuchen, die Rechnungen zu bezahlen. Diese Sache scheint sehr unrentabel zu sein. Aber wenn Sie etwas aus diesem Video und dieser Episode mitnehmen können, ist es, die Stichprobengrößen zu überwachen und zu wissen, wie das Normale für ein bestimmtes Segment aussieht. Wie sieht das Normale für Ihre Marken-Suchkampagnen in Bezug auf den Return on Ad Spend aus?

Was ist der normale Cost-per-Click für eine gegebene Anzeigengruppe? Es kann schwierig sein, dies zu verfolgen, aber wir haben bereits angesprochen, wie Sie diese Dinge mit Python und Software tun könnten. Sie können versuchen, den Überblick zu behalten und, und Benchmarks für Ihr Konto und Ihre Kampagnen, Ihre Anzeigengruppen usw., Ihre Kampagnentypen festzulegen.

Und das wird wirklich hilfreich sein, damit Sie, wenn Sie darüber nachdenken, wie viele Klicks genug sind, bevor Sie eine gute Entscheidung treffen, nun, das wird davon abhängen, wie Ihr normaler Konversionszyklus aussieht. Ist es drei Wochen? Nun, geben Sie ihm zuerst drei Wochen, bevor Sie Änderungen vornehmen. Wie viele Klicks gibt es dort?

Wie viele Klicks braucht es normalerweise, um eine Konversion innerhalb dieses ähnlichen Produkts oder was auch immer wir betrachten, zu erhalten? Nun, das müssen Sie auch berücksichtigen. Im Allgemeinen werden die meisten Leute sagen, dass 30 das absolute Minimum ist. Also 30 Konversionen, bevor Sie eine statistisch solide Änderung vornehmen können. Jedes Konto wird ein bisschen anders sein.

Es wird viele Konten geben, die die Dinge nicht alle sechs Monate ändern könnten, wenn sie auf 30 Conversions warten würden. Das muss man also offensichtlich berücksichtigen. Es gibt statistische Analysen, es gibt Möglichkeiten, Statistiken bei sehr kleinen Stichprobengrößen zu verwenden, aber das ist ein sehr komplexes Thema und man muss all diese Ideen mit Vorsicht genießen, aufgrund der kleineren Stichprobengröße.

Das ist ein wichtiger Punkt, den man beachten sollte. Bestätigungsfehler, vermeiden, sich nur auf Daten zu konzentrieren, die unterstützen. Was du finden möchtest, passiert die ganze Zeit bei Berichterstattungsanrufen mit Agenturen, wo du all die schlechten Dinge versteckst und all die guten Dinge zeigst. Das ist gut, wie schau dir unsere Klickrate an.

Sie ist durch die Decke gegangen, 35 Prozent Monat für Monat, und du hast den ROAS versteckt, der um 40 Prozent gesunken ist. Du willst das nicht tun, aber du willst das auch nicht selbst tun, wenn du in deine Analysen gehst, wenn du eine Frage untersuchen und beantworten möchtest. Geh nicht mit einer vorgefassten Meinung hinein, dass du, weißt du, nach Beweisen suchen möchtest, die unterstützen, dass ich, indem ich an diesem Konto arbeite, die Einnahmen gesteigert habe.

Fred, ich weiß, dass du darüber in deinen Büchern gesprochen hast, weißt du, der Unterschied zwischen deskriptiv und präskriptiv, richtig? Wir sind hier alle Piloten wie Datenanalysten. Es wird unterschiedliche Ebenen geben, wie du deine Daten analysierst. Und solche Dinge wie der Bestätigungsfehler spielen eine wirklich wichtige Rolle.

FREDERICK VALLAEYS: Ja, absolut.

Daten können jede Geschichte erzählen, die du möchtest. Und so kannst du GPT verwenden. Und tatsächlich haben wir ein interessantes Beispiel dafür verwendet. In Optmyzr mit unserem Assistenten. Es gibt also eine Möglichkeit, wie du ihn bitten kannst, dir die glückliche Geschichte zu geben. Gib mir die guten Nachrichten basierend auf den Metriken, die du zu einem Kundengespräch mitnehmen kannst.

Und das ist wirklich nützlich, oder? Weil es das Gespräch mit einer positiven Note beginnt. Und, aber dann haben wir eine entsprechende Anfrage an GPT, die sagt, okay, jetzt sag mir, wo es besser hätte laufen können und wie die Dinge hätten verbessert werden können. Und so, jetzt, da der Kunde glücklich ist und versteht, dass die Dinge in die richtige Richtung gehen, konzentrieren wir uns auf einige Dinge, die wir noch besser machen könnten.

Aber es sind immer dieselben Daten und es ist nur, wie du sie präsentierst und wo du vielleicht Dinge filterst oder wie du sie betrachtest.

CORY LINDHOLM: Ich liebe das. Gut. Und dann das Überanpassen. Das ist also ein etwas komplizierteres Thema, aber wenn du Modelle erstellst, musst du berücksichtigen, ob die Modelle, die du erstellst, auf neue Daten verallgemeinert werden können.

Ein wirklich häufiges Beispiel ist, wenn du Clusteranalysen machst, wie das K-Means-Clustering, um herauszufinden, wie deine Produkte in deinem Katalog in verschiedenen Shopping-Kampagnen gruppiert werden sollten. Eine wirklich häufige Analyse. Also, wenn du einen K-Means-Clustering-Algorithmus verwendest, den du entworfen hast, musst du sicherstellen, dass, wenn neue Produkte in dieses K-Means-Clustering einfließen, das Modell gut auf diese neuen Produkte verallgemeinern kann.

Du willst nur sicherstellen, dass du die Dinge nicht überanpasst und es so aussieht, als wäre es eine großartige Vorhersage, obwohl die Mathematik nicht zeigt, dass es eine sehr gute Vorhersage ist. Du musst das berücksichtigen, wenn du die Genauigkeit deiner Modelle bewertest. Und die Visualisierungen rechts und unten sind nur Dinge, die du normalerweise betrachten würdest, wenn du versuchst zu bewerten, weißt du, ob etwas statistisch signifikant ist, welche Metriken, das ist etwas, das ich in meiner Software gebaut habe, das mir im Wesentlichen nur die Metriken gibt.

Wenn ich einen gegebenen Zeitraum im Vergleich zu einem vorherigen Zeitraum betrachte, welche Metriken sind statistisch signifikant unter Verwendung eines P-Werts? Jetzt, noch einmal, wir werden nicht zur Statistik der High School zurückkehren, aber ein P-Wert, wenn wir, wir wollen 95 Prozent Vertrauen. 95 Prozent Vertrauen. Wir wollen im Wesentlichen einen P-Wert sehen, der 0.

5 oder weniger ist. In diesem Fall haben alle diese Metriken, die du siehst, Klickrate, CPC, Conversion nach Datum, ROAS, statistisch signifikante Veränderungen in einem gegebenen Zeitraum gesehen, seit ein Ereignis eingetreten ist. Dann kann ich in meine Daten eintauchen und sehen, okay, ich werde mich nur auf diese Metriken konzentrieren, weil ich weiß, dass diese statistisch fundierte Daten haben.

Diese anderen Metriken sollte ich betrachten und in Betracht ziehen, aber ich weiß, dass sie mathematisch nicht wirklich bereit sind, für dieses gegebene Ereignis bewertet zu werden. Also wirklich, wirklich wichtig. Also werden wir das abschließen, Fred, Tools in der Technologie für die PPC-Datenanalyse. Also, weißt du, wenn du Optmyzr nicht verwendest, bist du verrückt. Die Jungs bauen und innovieren die ganze Zeit.

Verwende definitiv Optmyzr für deine PPC-Bedürfnisse. Nicht nur, weil ich im Podcast bin. Ich glaube wirklich an das Unternehmen, offensichtlich ist der Gründer ein sehr kluger Typ. Er weiß, was er tut. Also verwende Optmyzr für deine PVC-Bedürfnisse. Ich bin auch ein großer Fan von Datenvisualisierung und Berichterstattung, weil ich die Dinge wirklich selbst anpassen möchte, wie du sehen kannst, ich bin sehr in die Personalisierung verliebt. Ich liebe es, Tools wie Tableau oder Power BI zu verwenden, damit ich die Geschichte dessen erzählen kann, was in den Daten passiert.

Das ist großartig für diese wöchentlichen, monatlichen Berichte, was auch immer für die Stakeholder, die sagen, hier sind die Trends. Hier ist, was ich sehe. Hier ist, was wir dagegen tun werden. Richtig? Das ist die Macht der Datenstorytelling. Wir müssen diese Sache in unserer Branche stoppen, nur ein Diagramm zu zeigen und zu erwarten, dass der Stakeholder weiß, was vor sich geht.

Alle werden ihre Vor- und Nachteile haben. Alle fragen mich, welches das Beste ist. Es gibt kein Bestes. Experimentiere. Mach das, was am besten für deine speziellen Bedürfnisse funktioniert. Google Analytics, wir haben genug darüber gesprochen. Tabellenkalkulationen, Excel, Google Sheets. Ich bin ein großer Fan von Excel, weil Google Sheets für mich zu langsam ist.

Offensichtlich, wenn du ein Skript ausgibst, wird es in ein Google Sheet gehen, aber dann übertrage ich es normalerweise in ein Excel oder Python oder so etwas. Und das Letzte, Python R in Bezug auf Programmierung. Großartig für fortgeschrittene statistische Analysen. All die Dinge, die du im Laufe dessen gesehen hast, sind großartig.

Dinge, die ich wirklich gemacht habe. Dies sind aktuelle Analysen, für die ich Python verwende. Also, wenn sie für dich wirklich cool aussehen und du wirklich interessiert bist, empfehle ich sehr, R oder Python zu lernen. Im Allgemeinen ist Python etwas benutzerfreundlicher als R. Aber ja, so kannst du dorthin gelangen, es ist, ein bisschen Programmierung zu lernen und Chat GPT zu verwenden, um dir auf dem Weg zu helfen.

FREDERICK VALLAEYS: Großartig. Und danke für das Lob für Optmyzr und für mich selbst, ich schätze das wirklich und eine Reihe anderer großartiger Tools. Ein kleiner Tipp, wenn du GPT verwendest, um deinen Python-Code zu generieren, speichere ihn, validiere ihn, denn wenn du denselben Code morgen neu schreiben wirst, wird er anders herauskommen und du weißt nie, wer Fehler macht.

Und so. Das wird das Schlimmste sein, wenn du zu einem Kunden gehst und diese Analyse tausendmal verwendet hast und dann an diesem Tag GPT sich geändert hat und dir die falsche Antwort gibt und du vor dem Kunden dumm aussiehst, richtig? Also, wenn du feststellst, dass es funktioniert, speichere es, und dann kannst du es wiederverwenden und dann wirklich zuverlässige Konsistenz in der Ausgabe haben.

CORY LINDHOLM: Absolut. Und wie ich erwähnt habe, Leute, wenn du auf dieses Niveau kommst, wo du diese KI Skripte für dich schreiben lässt, musst du den Unterschied zwischen einem t-Test und einer ANOVA kennen. Noch einmal, du musst diese Dinge kennen. Du musst die Grundlagen haben, denn wenn es dir eine Funktion gibt, die du verwenden sollst, und du verstehst nicht, wie diese Funktion funktioniert.

Das ist es. Ich habe festgestellt, Fred, dass es im Allgemeinen nicht den besten Praktiken für die Python-Codierung oder für die Datenanalyse folgt. Selbst wenn ich das Datenanalyse-Add-In verwende, neigt es dazu, Dinge zu überspringen. Es neigt dazu, anzunehmen, dass ich diese Dinge weiß, was ich tue. Aber dann, wenn ich den Code anschaue und überprüfe, frage ich mich, warum würdest du diesen Test verwenden?

Wie, das ist eine schreckliche Idee. Aber noch einmal, da kommt deine Domänenexpertise ins Spiel und du musst die Grundlagen kennen, oder du könntest dieses großartige Skript schreiben, von dem du denkst, dass es erstaunlich ist, aber es ist grundlegend fehlerhaft, weil du diese grundlegenden Prinzipien der Datenanalyse und statistischen Analyse nicht kanntest.

FREDERICK VALLAEYS: Ja. Super Tipp. Danke, Cory.

CORY LINDHOLM: Natürlich. Gut, Leute, wir hatten eine Folie über zukünftige Trends. Ich weiß, dass wir, wir sind hier völlig über der Zeit. Also wollte ich es nur wirklich ansprechen und zeigen, weißt du, wir haben Werbung, die innerhalb dieser OpenAI-Dinge passiert, Shopping-Anzeigen, Suchanzeigen, verwandte Artikel, usw.

Aber zumindest wollte ich erwähnen, dass dies wahrscheinlich uns als PPC-Vermarkter beeinflussen wird, richtig? Die Nutzung von KI-Assistenten. Wir werden wahrscheinlich einige Änderungen in unseren Suchbegriffen sehen. Und offensichtlich, wenn diese Anzeigen hier hereinkommen, wird es eine Rolle spielen. Es ist eine sehr mobile Werbung zuerst.

FREDERICK VALLAEYS: Ja, ich denke, es wird große Veränderungen geben, aber ich denke, wir haben auch ein paar Jahre Zeit, um diesen Übergang zu machen. Also alles, was du heute behandelt hast, macht absolut Sinn. Ich denke nur, dass wir uns mehr in eine Welt bewegen, in der dein generativer Assistent so viele Dinge über dich weiß.

Er enthält im Grunde dein Gedächtnis, wo du gewesen bist, was du gesehen hast, was du gesucht hast, was du gefragt hast. Und so ist die Bedeutung von Dingen wie, was ist das Schlüsselwort, was ist die Zielgruppe, all das ist viel weniger wichtig als wie der Assistent dich versteht. Und so wird es für uns schwieriger, wirklich zu konsultieren und diese Korrelationen in Bezug auf das, was wir getan haben, zu sehen, weil wir wirklich nicht mehr die Dinge tun.

Es ist. Es ist der generative Assistent, der Dinge in unserem Namen als Werbetreibende löst. Und wie wir das manipulieren, denke ich, das ist eine große Frage und wir müssen es gemeinsam herausfinden, aber bis dahin verwende alle besten Praktiken von Cory hier, verwende viele dieser hochrangigen Statistiken und habe einige erstaunliche Ideen. Also, und so einige dieser Dinge, die du uns heute gezeigt hast, Cory, sehr fortgeschritten, andere ein bisschen einfacher zu beginnen. Also, was würdest du sagen in Bezug auf Leute, die anfangen, wenn sie noch nie Statistiken gemacht haben?

CORY LINDHOLM: Ja. Es wird sich anhören, als wären wir auf einem KI-Zug, aber ich glaube wirklich, dass KI, ich meine, es ist eine Sprachaufgabe zuerst.

Es ist in der Lage, Dinge sehr gut für die Leute zu erklären. Ehrlich gesagt, du musst verstehen, dass es dort einige Fehler geben wird. Deshalb sagt es, dass Chat GPT einige Fehler machen kann, weißt du, überprüfe die Informationen, aber es ist eine großartige Möglichkeit zu lernen. Es ist ein großer Vorteil. Wir hatten noch nie in der Vergangenheit, wo du hingehen kannst, okay, ich möchte mehr darüber lernen, wie man Datenanalyse auf PPC anwendet, und es kann dir einige Ausgangspunkte geben.

Und dann kannst du Folgefragen stellen. Weißt du, kannst du mehr darüber ausführen? was dieser Teil bedeutet, was ist der multivariate Test und dann einfach anfangen, mehr darüber zu lernen und in das Thema einzutauchen, anfangen, Bücher darüber zu lesen. Wenn du wirklich so interessiert bist, fang an, ein bisschen Code zu lernen.

Und ich empfehle sehr, wenn du die Antworten von Chat GPT erhältst, wenn es eine Analyse für dich durchführt, kannst du den Code erweitern, den es verwendet. Es verwendet Python-Code. Also, noch einmal, es ist keine Magie. Es führt nur denselben Code aus, den ich dir gezeigt habe, den ich selbst mache, den du im Wesentlichen anfangen kannst zu zerlegen und zu sagen, okay, welchen Code verwendet es mehr?