Una clase magistral de análisis de datos PPC por Cory Lindholm

Descripción del Episodio

En este episodio, nuestro cofundador y CEO, Frederick Vallaeys, se sentó con Cory Lindholm para profundizar en el mundo del análisis de datos PPC.

Cory comenzó cubriendo lo esencial. Luego, explicó el proceso de realizar un análisis para descubrir valiosas ideas sobre la estacionalidad, cómo están funcionando tus cuentas e incluso correlaciones entre diferentes métricas.

También discutió la importancia de tener una base sólida en estadísticas y datos cuando se trata de tomar decisiones informadas sobre PPC.

Este episodio está lleno de valor. Y esperamos que lo encuentres útil.

Mira este episodio para aprender:

- Los fundamentos de las métricas PPC

- Cómo medir el impacto de la estacionalidad y otros factores PPC

- Cómo integrar tus datos PPC con los datos de tu negocio

- Los errores comunes en el análisis de datos que debes evitar

- Las mejores herramientas para el análisis de datos

Conclusiones del Episodio

Los Fundamentos de las Métricas PPC

• Métricas PPC como la tasa de clics (CTR) y el costo por clic (CPC) proporcionan datos fundamentales para evaluar la relevancia del anuncio y la efectividad del presupuesto.
• La puntuación de calidad sigue siendo una métrica crítica que influye en el costo y la ubicación del anuncio, enfatizando la importancia de optimizar esta métrica para mejorar la eficiencia de costos.

Cómo Medir el Impacto de la Estacionalidad y Otros Factores PPC

• Analizar las tendencias estacionales ayuda a predecir variaciones y prepararse eficazmente para futuras campañas.
• Usa datos históricos para anticipar y ajustar las asignaciones de presupuesto y las estrategias de marketing de acuerdo con cambios predecibles en el rendimiento estacional.

Cómo Integrar Tus Datos PPC con los Datos de Tu Negocio

• Vincula los datos PPC con otras métricas de negocio para proporcionar una visión integral del rendimiento y el ROI.
• Utiliza datos de diferentes plataformas (por ejemplo, Google Ads, sistemas CRM) para mejorar la precisión en la segmentación y comprensión del cliente.

Los Errores Comunes en el Análisis de Datos que Debes Evitar

• Asegúrate de tener tamaños de muestra suficientes para evitar sesgos y garantizar la fiabilidad de los datos antes de tomar decisiones de campaña.
• Ten cuidado con el sesgo de confirmación y el sobreajuste en el análisis de datos para mantener la objetividad y precisión en tus conclusiones.

Las Mejores Herramientas para el Análisis de Datos

• Herramientas como Optmyzr, Tableau y Power BI mejoran el análisis de campañas PPC a través de la visualización avanzada de datos y la elaboración de informes.
• Se recomiendan lenguajes de programación como Python y R para realizar análisis estadísticos complejos e integrar IA para mejorar el modelado predictivo.

Transcripción del Episodio

FREDERICK VALLAEYS: Hola y bienvenidos a otro episodio de PPC Town Hall. Mi nombre es Fred Vallaeys. Soy su anfitrión. También soy el CEO y cofundador de Optmyzr, una herramienta de gestión PPC. Hoy, tenemos el gran placer de dar la bienvenida a un invitado recurrente, Cory Lidholm, y él va a compartir con nosotros todo lo que ha estado haciendo con estadísticas para obtener una mejor comprensión del mundo.

De Google Ads y las métricas PPC. Así que vamos a comenzar con lo básico como CPC y CTR, pero muy rápidamente vamos a entrar en algunas estadísticas realmente geniales y vamos a ver algunos gráficos realmente geniales que te darán una visión más profunda de cómo están funcionando tus cuentas, cosas como correlaciones de estacionalidad entre diferentes cosas.

Y realmente te armarán de inmediato para analizar mejor las cuentas y lograr un mejor rendimiento para los clientes que gestionas. Así que con eso, demos la bienvenida a Cory.

CORY LINDHOLM: Bien. Así que. Si no sabes quién soy, Cory Lindholm, adsbycory.com. He estado haciendo PPC, Google Ads, Microsoft Ads durante casi una década, pero realmente soy un nerd autoproclamado de los datos, aficionado a la ciencia de datos.

Así que verás cosas fundamentales aquí, pero también verás algunas cosas más avanzadas que realmente me apasionan. Así que creo que va a haber un poco de todo para todos. En esta diapositiva. Así que sí, vamos a entrar en ello. Así que análisis de datos PPC, ideas clave y mejores prácticas.

Entonces, la tasa de clics, ¿qué significa realmente? Realmente indica la relevancia y el compromiso del anuncio, el costo por clic. Ese es tu CPC. Normalmente lo escucharás, obviamente importante para el presupuesto. Es tu costo promedio por clic, tasa de conversión. Esta es una indicación de la efectividad de tu página de destino, ¿verdad?

Ahora, si estamos hablando de equipos de ventas, va a ser similar. Va a ser la indicación de la efectividad de tu equipo de ventas o de tu software para cerrar ese cliente potencial, lo que sea, un costo por adquisición, el CPA más bajo sugiere un gasto eficiente. Si obviamente es un costo por adquisición más alto, te va a indicar que hay algunas ineficiencias en tu gasto publicitario, retorno del gasto publicitario.

No soy un gran fan, pero es una métrica muy común para indicar la rentabilidad de tu gasto publicitario y luego impresiones. Esto realmente va a indicar la visibilidad de tu anuncio, ya sabes, el reconocimiento de marca, cosas así. La última importante que tocaremos será la puntuación de calidad. Obviamente, esto va a afectar tus costos por clic y tu clasificación de anuncios.

Solíamos decir que afecta tu posición de anuncio. Eso ya no es relevante. No tenemos esa métrica de posición de anuncio. Dicho esto, todavía va a indicar o va a indicar una especie de participación de impresiones o cantidad de veces que apareces en subastas relevantes. Esperemos que sean relevantes. Esas son más las métricas más comunes, diría yo.

FREDERICK VALLAEYS: Exactamente. Y así, esa posición de anuncio o el rango ha sido eliminado por Google, pero obviamente todavía hay un proceso de decisión de qué anuncio se muestra por encima de los demás, incluso si Google no lo nombra necesariamente de esa manera. Y la puntuación de calidad es un gran factor en eso. Pero como también dijiste, es un factor de descuento.

Así que cuanto más alta sea tu puntuación de calidad, menos tendrás que pagar para mantener ese mismo tipo de clasificación en la página frente a los competidores. Y luego el rango, qué tan alto estás en la página, eso determina cuántas impresiones obtienes, el CTR tiende a ser más alto, más arriba en la página. Así que todas estas cosas se ayudan entre sí. Y todavía soy un gran fan de la puntuación de calidad. Creo que sigue siendo una de las métricas que realmente puedes usar para optimizar y reducir tus costos. Nuevamente, si quieres mirar el CPA, genial, esa debería ser tu métrica de referencia, pero si no estás contento con ella, la puntuación de calidad es esa palanca para obtener un CPA que te guste más que antes.

CORY LINDHOLM: Sí, y a veces, no hay nada, aparentemente no hay nada que puedas hacer con la puntuación de calidad. A veces simplemente llegas a un punto de rendimientos decrecientes. Estás poniendo todo tu tiempo en la optimización de la página de destino, la optimización del anuncio cautivador. Simplemente no parece hacer una diferencia. Pero, ¿vale la pena?

Absolutamente. Me preguntan mucho. ¿Debería siquiera molestarme en optimizar alrededor de las puntuaciones de calidad? ¿Es realmente tan importante? Y siempre digo, si puedes obtener lo mismo por un costo más bajo. ¿No lo harías? Bueno, eso es lo que te permite hacer la puntuación de calidad. Así que definitivamente todavía. Bien. Así que pongámonos un poco más nerd.

Así que fundamentos estadísticos. Ahora chicos, me disculpo si las imágenes son difíciles de leer. Definitivamente puedo proporcionar y proporcionaré una presentación de diapositivas para que puedan descargar esto. Pueden acercarse a los visuales. Trataré de cubrirlos lo mejor que pueda, pero entremos en los fundamentos aquí. Así que me preguntan mucho si estuviera empezando, ¿cuál es la primera, ya sabes, en PPC comenzando de nuevo?

¿Cuáles son las primeras cosas que aprendería? En realidad, no sería pasar por toda la Academia de Google Ads. Eso podría ser una opinión impopular, pero en realidad, la base de una buena gestión de PPC va a ser una buena base. En estadísticas, y sé que estás teniendo flashbacks de pesadilla de curvas de campana y la escuela secundaria y cosas así.

Pero chicos, las estadísticas son en lo que se basa PPC. Cuando inicias sesión y ves todos estos números, eso es estadística. Es eso. Estos son indicadores de rendimiento para tu negocio y tu publicidad. Así que si no tienes una base estadística sólida, ¿cómo sabes si lo que estás viendo es estadísticamente sólido?

¿Cómo sabes cuán confiado puedes estar de que el futuro es probable que sea X? ¿Cuán confiado puedes estar para decir que el período anterior que estás viendo es mejor que el anterior a él y si eso es suficiente datos para tomar decisiones sólidas? Así que el primer punto que voy a mencionar aquí son las estadísticas descriptivas.

Así que esto es algo que usamos todo el tiempo cuando estamos viendo un nuevo conjunto de datos, pero también cuando estamos viendo cambios a lo largo del tiempo. Así que esencialmente, va a resumir nuestras características de datos como nos gusta llamarlas. Así que la media, también conocida como el promedio, que tiende a ser los valores predeterminados que ves en tu cuenta de Google Ads.

Tu tasa de clics, que es la tasa de clics promedio. Vas a ver CPC, costo por clic, del que hemos hablado. Ese es el costo promedio por clic. Aquí está el problema. Los promedios a menudo mienten, especialmente cuando tus datos están lo que llamamos sesgados. Hay una gran distribución. En otras palabras, tienes valores atípicos allí, ¿verdad?

Tienes un día en el que esta campaña en particular tuvo un costo por clic que fue 25 y la mayoría de los días está solo en el rango de 15. Bueno, en ese caso, si encuentras que eso sucede a menudo, en realidad no querrás estar utilizando el promedio cuando realmente estás tratando de rastrear el rendimiento, probablemente quieras ir a algo que tenga en cuenta los valores atípicos, que va a ser la mediana.

Así que una pequeña lección rápida. Nuevamente, esta es la razón por la que las estadísticas y el conocimiento fundamental en estadísticas pueden ser realmente útiles para ti en lugar de simplemente confiar en los valores predeterminados que vienen con tus interfaces y software de PPC.

FREDERICK VALLAEYS: Sí, y eso también me hace pensar en las exclusiones de datos. Así que si ves algún dato extraño, ya sea que sepas exactamente por qué fue, tal vez tu página de destino se rompió y por lo tanto tu tasa de conversión.

Fue realmente horrenda. O si es algo estacional que no esperabas, si ves que hay exclusión de datos, y eso es realmente importante porque de lo contrario los sistemas de aprendizaje automático de Google pensarán que estos son datos válidos y comenzarán a basar decisiones en ellos. Y luego la oferta automatizada comienza a sobrepujar o subpujar.

Y es muy fácil. Puedes simplemente establecer un desencadenante. Eso es como, oye, si vemos algo extraño, no mires esos datos. Tenemos un problema. Y luego, tan pronto como se solucione, permites que Google reevalúe esos datos. Tu oferta va a ser agradable y consistente. No va a ser desechada por lo que sucedió.

CORY LINDHOLM: Me encanta eso. No creo que sea una función de la que se hable lo suficiente, la exclusión de datos. Así que cuando el seguimiento de conversiones está roto como un ejemplo principal, si sabes desde este momento hasta este momento, desde esta fecha hasta esta fecha, el seguimiento de conversiones fue inexacto. Es mejor entrar allí y decirle a estos algoritmos, no quiero que tengas en cuenta eso.

en tu oferta, ¿verdad? No quiero que veas eso como si hubieras tomado la decisión equivocada en una audiencia que crees que es buena o algo así. Quiero que simplemente te deshagas de eso por ahora. Es mejor hacer eso que dejarlo dentro. También para agregar están los ajustes de estacionalidad. Nuevamente, siento que están muy subutilizados.

Creo que muchos anunciantes y Freddie, déjame saber si encuentras esto con tu audiencia también, que la gente, asumen que estos algoritmos son mágicos. Asumen que simplemente pueden predecir y ver, oh, tienes una venta en marcha. Simplemente tendremos en cuenta la tasa de conversión y nos adaptaremos en consecuencia.

Preferiría, incluso si eso es cierto, comunicar claramente a Google con el ajuste de estacionalidad que estamos teniendo una venta desde esta fecha hasta esta fecha o desde este momento hasta este momento. Y espero, basado en el rendimiento histórico o mis propias predicciones, que las tasas de conversión aumenten en esta cantidad.

De esa manera, puedo darle un inicio y un final claros. Puede formular sus predicciones a partir de eso. Puede ofertar en consecuencia. Pero lo más importante, que siento que está realmente subestimado, es una vez que la venta ha terminado y le estás diciendo, espero que las tasas de conversión bajen, no de repente, como si no hubieras usado ajustes de estacionalidad, baje todas tus ofertas porque dice, oh, realmente arruiné algo.

Y luego, de repente, tienes que trabajar. Tiene que trabajar su camino de regreso en términos de ofertar para sentirse seguro de alcanzar cualquier objetivo que le hayas comunicado a Google. Así que esas son realmente dos características importantes. Me alegra que hayas mencionado eso.

FREDERICK VALLAEYS: Sí, totalmente de acuerdo. Quiero decir, la estacionalidad, Google ciertamente captará las grandes, como las vacaciones de regreso a la escuela.

Es lo mismo cada año, ¿verdad? Pero si vas a hacer esa promoción especial. O incluso como el día de Amazon Prime. Creo que cambia cada año exactamente cuándo sucede eso y Google no lo sabe. Y así, si vas a hacer una promoción especial, el sistema lo captará, pero podría ser dos días hasta que lo hagan.

Y si ese fue tu especial de fin de semana, ya sabes, ¿cuán útil es que para el lunes, descubran que la tasa de conversión va a ser más alta porque ahora están ofertando más agresivamente, pero tu venta, tus descuentos se han ido. Así que ahora está ofertando más agresivamente para obtener tráfico. Eso no es tan valioso.

Así que todo está un poco al revés. Como dijiste, si puedes decirle a Google. Esto va a suceder desde este día hasta ese día. Entonces pueden estar listos para ello y pueden hacer los ajustes exactamente como deseas.

CORY LINDHOLM: Considera a Google como tu asistente de publicidad. No es tu genio. Pasando a las estadísticas inferenciales.

Así que suena elegante, pero esencialmente solo nos permite saber, basado en los datos de muestra, cualquier dato que estemos viendo. ¿Cuáles son los intervalos de confianza? En esencia, ¿cuán confiados podemos sentirnos sobre las estadísticas que estamos analizando, especialmente? Período sobre período o cuando estás realizando una prueba de hipótesis, estás diciendo, ¿deberíamos ir con una estadística inferencial?

Nuevamente, no voy a entrar demasiado en detalles, definitivamente haz tu investigación, usa AI para obtener más detalles sobre ese tema. Se pone realmente en los detalles sobre eso. Así que no demasiado loco. Análisis de regresión. Así que entender las relaciones y predecir resultados. Me hacen esta pregunta todo el tiempo, ya sabes, si aumentamos el gasto, ¿cuán probable es que obtengamos más conversiones?

Esencialmente, estás tratando de decir, ¿mover esta cosa en esta dirección se correlacionará con esta otra cosa moviéndose en la misma dirección o en una dirección diferente? Así que, por ejemplo, lo más común, como dije, va a ser el gasto y las conversiones. Si aumentamos el gasto. ¿es probable que las conversiones aumenten? Esto es algo que normalmente usamos la regresión para tratar de averiguarlo.

Ahora es realmente pequeño, pero en el lado derecho verás un ejemplo visual de cómo se ve eso. Generalmente usarías un diagrama de dispersión si quieres visualizar esta correlación. Así que en la parte inferior verás el costo a medida que va hacia la derecha, el costo está aumentando. En la izquierda, en el eje Y están las conversiones.

Y a medida que sube hacia la parte superior, eso es un aumento en las conversiones. Lo que esperas ver como anunciante, digamos que estás viendo una campaña que parece prometedora y quieres ver si aumento el gasto en esta campaña, ¿es probable que obtengamos más conversiones? Lo que esperarías ver es que todos esos puntos, que podrían ser fechas, podrían ser grupos de anuncios, que todos estén alineados estrechamente.

a esa línea en el medio, y que haya una buena tendencia lineal. Así que eso te permitirá saber que hay una alta probabilidad de que a medida que aumentes el costo, aumentes las conversiones. Y como mencioné, hay muchas maneras de usar esto. No tiene que ser solo costo y conversiones. También hay cosas como el análisis de regresión múltiple.

Puedes realmente conectar múltiples valores para ver cómo eso afecta a otras métricas. Muchas cosas divertidas que puedes hacer con eso, pero es la manera en que respondemos a esa pregunta si hacemos X. ¿Cómo es probable que afecte? ¿Por qué? Gran manera de usarlo. Pruebas A/B, así que todos como anunciantes hemos oído hablar de esto antes, pero poder comparar dos versiones de algo para determinar un mejor rendimiento.

Ahora, para mí, debido a la forma en que los RSAs, los anuncios de búsqueda responsivos, han cambiado a lo largo de los años y solo obtenemos impresiones, lo cual es genial. Probablemente lo más frustrante. También pienso en las pruebas A/B en comparación con un período anterior, un cierto período frente a un período anterior. Y esencialmente, ya sabes, digamos que hicimos un cambio central, como una reestructuración.

Lanzamos nuevos productos. Hicimos una nueva promoción. Cambiamos el precio de algo desde esa fecha en adelante. frente al período anterior. Eso también es un tipo de prueba A/B. Ya sabes, ¿fue esa cosa que sucedió, ese evento principal? ¿Cuál es la significancia estadística de ese cambio? Y realmente podemos decir, por ejemplo, con intervalos de confianza, que fue estadísticamente debido a ese evento, en lugar de solo al azar.

Así que estas son cosas que estas herramientas pueden ayudarnos con.

FREDERICK VALLAEYS: Sí. Y luego aquí es donde la IA generativa es genial porque puedes ir y hacerle preguntas sobre cómo hacer una prueba A/B adecuada. Porque hay una cosa como las pruebas A/B de un extremo y de dos extremos. Sí. Y el de un extremo que básicamente dice, ¿cuáles son las posibilidades de que este?

cambio hizo las cosas mejor, pero no está evaluando la posibilidad de que ese cambio haya empeorado las cosas, que es el de dos extremos. Hay un resultado de dos posibilidades, no solo que las cosas mejoren. Y así podrías terminar en una situación en la que hay una buena posibilidad de que tu prueba haya mejorado las cosas, pero igualmente, hay una buena posibilidad de que las haya empeorado.

Y así podrías querer tomar una decisión diferente que si solo miraras la prueba A/B de un extremo. Así que esto es muy complicado. Pero nuevamente, Jenny, puedo ayudarte a entender cuáles son las trampas para que no cometas esos errores y termines disparándote en el pie.

CORY LINDHOLM: También quiero lanzar el consejo sobre cuando estás usando estos chat GPTs o lo que sea, Gemini, puedes.

Ten cuidado de simplemente alimentar cualquier dato allí a menos que estés usando la herramienta de nivel empresarial, por ejemplo, en OpenAI. Van a usar esos datos que les das dentro de sus conjuntos de entrenamiento. Así que a menos que eso esté bien contigo, ten mucho cuidado de anonimizar cualquier cosa que pongas allí antes de hacerlo.

Especialmente si tienes claves API allí, de las que he oído hablar de personas que hacen esto. Simplemente piensan, ah, lo que sea. Ya sabes, es solo una clave API. No quieres eso en algún lugar público. Así que ten mucho cuidado de simplemente alimentar cualquier conjunto de datos allí. Realmente recomendaría anonimizar las cosas tanto como sea posible.

FREDERICK VALLAEYS: Sí, exactamente. Quiero decir, así que hiciste el punto clave aquí, que es si vas a usar OpenAI. Estás alimentando los datos en el modelo que va a aprender.

Y podría producir esa clave API en una respuesta a alguien al azar. Y luego ahora están usando tu clave API. Y luego es un poco como en herramientas de software, como Optmyzr, no enviamos ningún dato a OpenAI hasta que habilites tus capacidades de asistente, tus características de IA generativa. Pero luego, porque estamos usando API, estamos usando empresarial.

Esos datos se utilizan para generar una respuesta, pero luego se descartan. No se utilizan para construir modelos futuros. Así que es, es mucho más seguro. Pero siempre, ya sabes, si eres una agencia o un contratista, solo quieres reconocer a tus clientes con qué proveedores de software trabajas, dónde van a ir tus datos y validar que no van a hacer algo.

Que no quieres porque tus competidores teniendo tus datos de CPC no sería una buena cosa.

CORY LINDHOLM: Brad, me encantaría poner nuestros sombreros de papel de aluminio por un segundo. Tengo mucha curiosidad porque sé que eres un ex Googler, ¿verdad? Así que podrías estar un poco sesgado, pero confío en ti. Confío en ti. Así que con esta nueva capacidad de alimentar a Google nuestros datos de ganancias y que pueda ofertar a partir de eso, ¿cómo sientes que son algunas consideraciones éticas y cómo los anunciantes deberían pensar en abordar eso?

Gracias. Dar esos datos a Google, porque hay mucho debate sobre ese tema.

FREDERICK VALLAEYS: Sí, quiero decir, así que todavía creo que Google fundamentalmente quiere hacer lo correcto, pero también son una corporación con fines de lucro. Y así van a buscar maneras de generar más ganancias, ¿verdad? Y si saben que hay más.

Presión competitiva que pueden introducir en la subasta porque la gente está ganando buen dinero con esos clics. Entonces, sí, podrían hacer cosas que hagan que las subastas sean un poco más caras, así que tienes que tener cuidado con eso. Y ahí es donde nosotros, como una herramienta de terceros, entramos y decimos, bueno, escucha, también puedes traer esos datos de ganancias a Optmyzr, construir algunas reglas y alguna lógica sobre cómo eso debería encajar en tu estrategia general.

Y luego lo único que enviamos a Google es el Cool. TROAS o TCPA, o en algunos casos la oferta CPC, que está informada por tus ganancias. Pero Google nunca sabe si estás ofertando para cero ganancias y maximizando los ingresos o si estás ofertando para tener grandes ganancias por cada venta. No lo saben.

Así que eso sí protege un poco más esa información.

CORY LINDHOLM: Bien. Nos estamos poniendo un poco más nerd, chicos. Una diapositiva a la vez. Así que el papel del análisis de datos en la estrategia PPC. Así que. Voy a cubrir tres puntos principales aquí. Uno va a ser el monitoreo del rendimiento, luego la optimización y la asignación de presupuesto.

Hay mucho más de lo que podríamos hablar. Creo que estos son los tres principales. Así que en términos de monitoreo del rendimiento y cómo podemos usar las estadísticas y el análisis de datos y estas herramientas como ya sabes, OpenAI, Gemini, estas herramientas de IA para construir visuales para nosotros muy rápidamente. Ahora, pista, todas las cosas que vas a ver en la pantalla son cosas que.

Construí con mi propio software propietario que uso para mis clientes y solo para mis clientes. Así que no vas a obtener estos visuales exactos, pero podrías desglosarlos y probablemente intentar que la IA haga algo similar, pero es un poco más intensivo en recursos. Así que como ejemplo de monitoreo del rendimiento en la parte superior derecha y la parte inferior izquierda, lo siento por hacer eso confuso, en la parte superior derecha, un par de cosas que normalmente querrás rastrear.

Una va a ser ese valor real, lo que sea que estés mirando. Digamos que en este ejemplo, va a ser el retorno del gasto publicitario. Entonces, ¿cuál fue el valor real del retorno del gasto publicitario a lo largo del tiempo? Ahora, esto es lo que verías como el valor de conversión sobre el costo dentro de la interfaz de Google Ads. Genial, pero eso no te dice todo, ¿verdad?

Quieres poder extraer más ideas que solo lo que fue el valor real. Así que aquí es donde el uso de cosas como Python o software realmente puede ayudarte. Así que hay un par de otras cosas que lanzo en este visual. Uno va a ser el promedio móvil de tres meses. No tiene que ser de tres meses.

Vas a tener que personalizar esto basado en tus datos. Pero en este ejemplo, estamos usando un promedio móvil de tres meses. Así que en lugar de solo ver los altibajos en una base diaria de ROAS en este ejemplo, estamos viendo la tendencia general al mirar hacia atrás 90 días el promedio de retorno del gasto publicitario.

Ahora, tal vez quieras usar una métrica diferente, etc. Pero esto es solo un ejemplo aproximado. Así que te permite saber que no deberías asustarte por las fluctuaciones a corto plazo. Esas van a ser esperadas. Sin embargo, si es un valor atípico, querrás poder notarlo y querrás poder respaldarlo con estadísticas en lugar de simplemente decir, oye, parece que está bastante alto.

Creo que eso es un valor atípico. Quieres usar matemáticas para identificar el valor atípico. Así que en este caso, puedes ver ese punto rojo en la parte superior. Esto no es solo un día alto. Es un día atípico basado en el conjunto de datos que estamos dando a este programa en particular. Así que podrás detectar esos valores atípicos. Siempre vas a querer buscar eso porque eso va a influir en tu promedio o tu media.

Y luego también me gusta ver solo una media estática sobre el rango de fechas. Puedes ver aquí que está un poco por debajo de tres. Esa es esa línea punteada. También me gusta lanzar allí hay una especie de exceso, pero la mediana normalmente lo que haré es poner todas mis métricas principales en gráficos como este para que pueda desplazarse rápidamente a través de ellos y pueda ver si hay una media y una mediana gran diferencia entre ellos y realmente ver ambas líneas para dejarme saber.

Hay una gran diferencia en la media y la mediana, lo que significa que necesito entrar en mi análisis con eso en mente para esa métrica en particular. Y luego el último punto que mencionaré es esa área sombreada en gris. Esa es tu IQR, también conocida como tu rango intercuartil. Esto esencialmente te permite saber cuál es la tendencia central de los datos que estás viendo.

Así que entre qué rango y qué rango es normal, ¿verdad? Ahora puedes personalizar esto según sea necesario. Generalmente es entre el 25 por ciento de tus puntos de datos y el 75 por ciento de tus puntos de datos y cualquier cosa fuera de eso no es necesariamente un valor atípico estadístico, pero está fuera de lo que es la tendencia central de esos datos.

Así que en este ejemplo, cualquier cosa por debajo de esa barra gris. está fuera de lo normal y cualquier cosa por encima de esa línea también no está fuera de lo normal, pero en este caso es algo bueno porque es un mayor retorno del gasto publicitario. Así que nos permite saber aproximadamente cuál es la distribución del retorno del gasto publicitario en un rango de fechas dado y nos permite saber si algo está dentro o fuera de ese rango.

Muy, muy útil, especialmente cuando estás viendo múltiples métricas una al lado de la otra para ver ya sabes, ¿qué es normal? Así que cuando estás viendo ese promedio móvil, no te asustes por las fluctuaciones a corto plazo, ¿verdad? Con

FREDERICK VALLAEYS: algo como esto, probablemente también quieras tener un pequeño desglose entre marca y no marca y diferentes categorías de productos.

Así que porque obviamente la marca y la no marca tienen un rendimiento muy diferente. Y así, ¿qué es normal? No sería nada normal, ¿verdad? Como, ¿qué es realmente alto? Uno es realmente bajo. Así que todo sería básicamente un valor atípico. Así que quieres asegurarte de que ese no sea el caso cuando estás viendo tus datos.

CORY LINDHOLM: Absolutamente. Sí. Siempre considera tus segmentaciones. No quieres estar, como mencionaste, marca no marca búsqueda con compras, especialmente si ves distribuciones de datos dramáticamente diferentes o medias, lo que sea. Cuando miras esas estadísticas descriptivas cuando ejecutas estadísticas descriptivas, estábamos viendo antes y estás viendo la media, estás viendo el máximo, el mínimo de tus diferentes puntos de datos, querrás estar agrupando tus grupos de datos juntos, ¿verdad?

Así que querrás estar poniendo tus, querrás ver cuál es la distribución, cuál es la media, cuál es la mediana de ciertas métricas para tu búsqueda de marca. ¿Cómo se compara? a tu rendimiento máximo de campañas, tus campañas de compras estándar, tu búsqueda no de marca, tus campañas de display. Quieres poner esas cosas en diferentes grupos en consecuencia porque van a tener medias, medianas, máximos, mínimos, desviaciones estándar dramáticamente diferentes, realmente importante clasificar cada uno y analizarlos por separado.

Y luego en términos de optimización. Así que, ya sabes, obviamente cuando estás haciendo análisis de datos, vas a estar buscando maneras de refinar la segmentación. Tu copia de anuncio, tus estrategias de oferta, muchas cosas que puedes hacer allí. Obviamente, esas son más fundamentales para PPC. Pero una de las cosas que tiendo a sentir que se pasa por alto tal vez porque parece tan obvio, que es la asignación de presupuesto.

Pero Fred, no puedo decirte cuántas veces he auditado una cuenta y han gastado el 80 por ciento de su presupuesto en estas campañas que realmente quieren que funcionen, pero simplemente no están funcionando. Y luego están limitados por el presupuesto en estas campañas que son claramente ganadoras desde el punto de vista de la rentabilidad, el volumen, el potencial y como, ¿alguna vez hemos intentado poner más presupuesto hacia cualquiera de ellas?

Bueno, sí, pero ya sabemos que son ganadoras. Entonces, ¿por qué no estamos escalando eso? Es sorprendente. Así que siento que tengo que mencionarlo, pero. Para poder utilizar eso dentro de nuestro proceso de análisis de datos, aquí es donde el modelado predictivo puede entrar en juego y tener en cuenta cosas como factores externos a PPC como la estacionalidad y las promociones, cosas así.

Pero esencialmente podemos averiguar cómo deberíamos, digamos dado un presupuesto anual, distribuir ese presupuesto dinámicamente a lo largo del año. Y cómo se vería eso en términos de número de clientes potenciales que obtenemos? Por ejemplo, eso está en la parte inferior derecha. Un buen ejemplo de algo, un análisis que acabo de hacer para un cliente de generación de clientes potenciales.

Son una empresa SaaS donde esencialmente tomamos tres años de datos históricos. Eso es todo lo que teníamos disponible de sus sistemas internos. Y pudimos, con el enfoque de la generación de clientes potenciales, predecir con un alto grado de precisión. cuánto presupuesto de nuestro presupuesto anual necesitamos distribuir a lo largo del año en un mes dado, y cuál es probable que sea nuestro volumen de clientes potenciales para ese año al tener en cuenta la estacionalidad.

Increíblemente poderosa manera de utilizar esto si solo tienes el conocimiento para entrar allí. Bien, vamos a avanzar eso solo para decir muy rápidamente que la parte inferior izquierda. Es un poco la misma idea que la parte superior derecha, pero esta es una manera de ver un período anterior frente a un período actual. Así que esa línea naranja período actual frente al período anterior y notando valores atípicos realmente, realmente sustancial en términos de ideas porque mucho de lo que hacemos es entrar allí y miramos, ok, desde la última vez que optimicé la cuenta, ¿cuál es el cambio?

¿Cuál es la comparación de valores y métricas desde ese período frente a un período anterior o Comparado con el año pasado, lo que sea que sea, realmente agradable poder visualizar esas cosas. Y luego puedes usar tu cerebro humano para comenzar a desglosar el por qué, porque esa es una pieza realmente importante aquí y usar tu conocimiento de dominio para realmente decir, ok, aquí está el qué, aquí está lo que está pasando, pero ¿por qué está ocurriendo?

Sí. Puedes usar el análisis de datos y el modelado predictivo para obtener una idea aproximada. Sí. Puedes pedirle a chat GPT o algo que adivine qué podría ser. Pero incluso esas tecnologías como el open AI te dirán Aquí está lo que pienso, pero necesitas usar tu experiencia como experto en el dominio para realmente averiguar qué está pasando.

Bien, así que integrando, hablé de esto mucho, pero integrando datos PPC de otros datos de negocio. Creo que muchas veces como expertos en PPC, ya sea que estés haciendo Facebook o ya sea que estés haciendo Google o Microsoft, lo que sea, nos enfocamos tanto y comenzamos a pensar en un vacío y solo miramos nuestros datos que estamos gestionando.

Pero es tan importante, especialmente en, en el entorno actual de publicidad y marketing en línea que, estás pensando en el canal, estás pensando en cómo no solo cómo el aumento en el gasto, digamos en Facebook influye en Google Ads. Pero, ¿qué pasa con el índice de confianza del consumidor, verdad? ¿Es eso posiblemente va a influir en tus ventas?

Estas son cosas que querrás tener en cuenta ya sabes, ¿hay una tendencia en la economía local que podría estar impactando las ventas? Si no conoces estas cosas, podrías pensar que son los cambios que hiciste los que están causando, cuando estos otros factores también necesitan ser considerados. Así que este es un ejemplo fácil, nuevamente, de utilizar una investigación de mercado para esencialmente obtener y comparar y contrastar el CCI, el índice de confianza del consumidor, en los estados frente a tus conversiones PPC.

Así que nuevamente, muy alto nivel, súper simple. Puedes hacerlo tan complejo como sea necesario, pero la idea central aquí es integrar factores externos en tu rendimiento PPC y no solo pensar, solo sobre tus datos de Google Ads en un vacío. Tienes que estar considerando el panorama completo.

FREDERICK VALLAEYS: Sí. Y me encanta eso, Cory, porque creo que realmente tienes que traer tus propios datos de negocio.

Y nuevamente, como dije, acércalo lo más posible a lo que realmente importa para tu negocio. Como CPC, CTR, ¿a quién le importa? Enfoquémonos en las ganancias y los ingresos. Y solo puedes hacer eso si conectas tu CRM. Así que, ya sabes, qué cliente potencial realmente llevó a una venta. Y luego en términos de entender, ¿cambié algo en el negocio que está causando que tenga un mejor o peor rendimiento mientras ayuda a mirar los puntos de referencia verticales?

Entonces, ¿cómo le está yendo a todos los demás en la industria, o mira una herramienta como PPC Investigator? Así que si ves que tus conversiones están muy arriba, ¿cuál es la causa subyacente de eso? ¿Es porque tienes más impresiones para las cosas que anuncias? Y luego puedes comenzar a hacer preguntas. ¿Hay más impresiones?

Como, ¿las noticias están hablando de esto? ¿Es este un tema de tendencia? ¿Hay algún cambio en la demanda del consumidor que está causando que busquen mi oferta más de lo que lo hacían antes? Y así, cuantas más alertas puedas tener para decirte cuándo es el momento de ir e investigar, porque en última instancia es un problema difícil, ¿verdad?

Si piensas en Google y tienen ahora, ha sido expuesto, hay más de 14,000 factores de clasificación, pero Piensa que probablemente también podrías usar más de 14,000 cosas para considerar si eso impacta mi negocio, pero eso es mucho esfuerzo para pasar por todas estas cosas. Así que en algún nivel, incluso saber cuándo comenzar a hacer esa pregunta de siguiente nivel, y luego creo que las agencias y los consultores realmente ganan su lugar porque a menudo trabajan con más anunciantes en ese espacio.

Así que, como dijiste, solo estás trabajando con una empresa SaaS. Y podrían decir, oye Cory, ¿qué has visto? Y no vas a divulgar ese cliente específico, pero vas a decir, sí, estamos viendo una especie de tendencia donde tal vez la economía es un poco mejor. La gente está más dispuesta a gastar dinero en software y esto y aquello.

Y así ahora todos aprenden unos de otros. Así que eso es, eso es un gran valor.

CORY LINDHOLM: Absolutamente. Ese es un muy buen punto. Lo recibo mucho, esa pregunta de, bueno, ya sabes, ¿debería simplemente hacerlo yo mismo? Y es como, bueno, podrías ser capaz de hacerlo con este volumen de datos y tu propio conocimiento en esto y tu disponibilidad de tiempo, lo que sea, podrías ser capaz de hacerlo, pero considera la ventaja competitiva que tienes si trabajas con una agencia que tiene estos conocimientos compartidos en una industria como la tuya.

Como si trabajas con una agencia que se especializa en comercio electrónico minorista, ellos podrían tener conocimientos que simplemente no vas a tener porque pueden ver esos conocimientos a través y esos patrones a través de diferentes otros, ya sabes, otros proveedores de comercio electrónico minorista. Así que sí, realmente, realmente importante y una buena razón para trabajar con una agencia o un especialista en lugar de simplemente intentar hacerlo tú mismo.

Bien. Así que este es uno de mis análisis favoritos para hacer. Creo que la gente sobrepiensa esto un poco, así que suena realmente complicado, pero es. Utilizando la estacionalidad y factores externos a PPC. Tocamos un poco como con el CCI, pero esto es un poco más en profundidad. Así que esencialmente queremos utilizar tendencias estacionales para predecir y prepararnos para variaciones.

Así que aquí está la cosa chicos, cuando digo estacional, es muy fácil defaultar a pensar, ya sabes, otoño, primavera, verano e invierno. No es de lo que estoy hablando aquí. Así que esto podría ser patrones estacionales de los que podrías no tener idea, que realmente no estabas claro. Podrías haber tenido algún instinto, cuanto más tiempo hayas estado manejando tu negocio.

Pero querrás realmente usar datos para descubrir si eso es predecible, si es solo casualidad, ruido aleatorio, eso es lo que un análisis de descomposición estacional puede hacer por ti. Así que nuevamente, este es uno de mis cosas favoritas para hacer para una empresa es poder tomar sus datos históricos y poder hacer predicciones a partir de los datos que tenemos, pero también integrar la estacionalidad en eso, así como darnos una idea de cómo deberíamos estar, como mencioné antes, presupuestando y pronosticando y preparándonos tal vez para promociones o niveles de inventario lo que deberíamos esperar dado los patrones estacionales.

Así que en el lado derecho es lo que normalmente verás con una descomposición estacional predeterminada. Así que si fueras a preguntarle a ChachuPT o algo, ya sabes, Cory dijo, haz una descomposición estacional en este conjunto de datos. No sé qué significa, pero simplemente hazlo. Esto probablemente será la salida predeterminada.

Va a ser esencialmente Lo que sea que se observe, en este caso, estamos usando clientes potenciales totales, así que es todo combinado. Es solo lo que normalmente verías si fueras a graficar tus clientes potenciales a lo largo del tiempo. Genial, no es tan útil, ¿verdad? Podrías haber hecho eso tú mismo, no se requiere código. La segunda parte es donde las cosas comienzan a ponerse más interesantes.

Así que esta es la tendencia general de los datos, ¿verdad? Así que esencialmente, ha eliminado el ruido, si alguna vez has oído el dicho, conoce la señal del ruido. Esta es la señal. Esta es la tendencia general a lo largo del tiempo. Esa tercera va a tener un poco más de sentido en un segundo. Esa tercera son los patrones estacionales que vemos.

Y en este conjunto de datos, puedes ver en realidad un patrón bastante claro, ¿verdad? Creo que es alrededor de junio o así cuando comenzamos a ver un gran aumento estacional, pero esencialmente comenzamos a ver picos y, y clientes potenciales que se atribuyen a la estacionalidad y no se atribuyen al ruido aleatorio. Aquí es donde las cosas se ponen realmente interesantes, ¿verdad?

Porque esta última parte en la parte inferior derecha es el residuo, solo un término técnico para el ruido. Esto es cosas que no pueden ser explicadas por la estacionalidad en el conjunto de datos. Por ejemplo, al principio, puedes ver ese punto azul que está realmente alto allí. Eso no puede ser explicado por la estacionalidad en el conjunto de datos.

Por lo tanto, te da algo para ir, bueno, me pregunto por qué, ¿qué estábamos haciendo? ¿Estábamos ejecutando una promoción? ¿Teníamos un producto que que eliminamos que tal vez, ya sabes, no deberíamos haberlo hecho. Nos permite saber, es esto es el tipo de cosas aleatorias. Las cosas en la parte superior es para dejarnos saber estas son las tendencias reales.

Estos son los patrones estacionales reales. Fantástico para nuevamente, predecir y proyectar hacia el futuro de cómo deberíamos manejar cosas como inventario, gastos publicitarios, etcétera, y qué deberíamos esperar Así que siempre digo Fred a los clientes de consultoría también. Que necesitas considerar lo que Google llama tus ciclos de conversión.

Esto es lo que Google puede ver en términos de tu viaje de atribución. ¿Cuántos días desde el clic inicial normalmente toma obtener una conversión? Esto puede ser útil para decidir cuáles de estos puntos de datos van a ser más útiles entre tus internos, entre lo que Google ve. Pero también te permite saber que va a haber este retraso esperado.

Y nuevamente, depende de lo que estés usando, qué herramienta estás usando, etcétera. Pero solo para mantenerlo simple, si estás usando Google, y parece que tu ciclo de conversión promedio va a ser de cuatro semanas, por ejemplo, no querrás estar, ya sabes, aumentando todas tus ofertas para junio si en realidad todo comienza.

Cuatro semanas después. Eso es cuando vas a querer, porque vas a querer tener en cuenta esos ciclos de conversión. Es un poco complejo, pero

FREDERICK VALLAEYS: ¿Has escrito un GPT o básicamente el complemento que quiero hacer aquí es que la gente escribe GPTs que están especialmente construidos para hacer ciertas cosas. He escrito un GPT para ayudarte a escribir scripts y le he dado información sobre estas son las cinco cosas que deberías preguntar a alguien que viene a ti con una solicitud de script, ¿verdad?

Porque alguien va a venir y decir, oye, ¿puedes escribirme un script que me ayude a establecer mejor? TRO como una oferta, pero podrían no estar pensando en las ventanas de retroceso. Podrían no estar mirando la estacionalidad. Podrían no considerar que puedes hacer un script MCC o un script de cuenta individual. Podrían no haber pensado en la división entre campañas de marca y no marca.

Y así hay todas estas cosas que tú y yo y los especialistas sabemos. Y así puedes realmente construir un GPT que obligue a ese usuario a abordar esas preguntas, o al menos pensar en ellas. Pensar en ellas antes de obtener el resultado y, con suerte, obtener un mejor resultado final debido a eso.

CORY LINDHOLM: Sí. Mi uso principal de los GPTs del mundo es para escribir scripts de Python y para ayudarme a adaptar esos scripts de Python y desafiar mi propia lógica dentro de eso para verificar sesgos, cosas así.

Pero tengo mis propios pequeños personalizados, nuevamente, cosas propietarias. Pero lo que realmente me gusta hacer, Fred, nuevamente, un poco de nerd, pero también de alarde humilde es que me gusta tener tres que construyo, así que todos ellos no se conectan entre sí, pero tengo uno que me da los avisos para el constructor de scripts.

Y luego tengo un tercero que QA es el script que se está escribiendo porque no miento, encuentro en realidad mejores resultados al tener estos tres asistentes que realmente no saben completamente lo que está pasando con el otro. Pero es mejor porque si solo lo tienes todo en uno, tiende a confundirse.

Pierde el contexto. Tienes que repetirte. Incluso cuando le das un aviso muy, muy claro. Lo que no quiero hacer es tener uno que esté construyendo un script. Luego le hago preguntas y lo alejo un poco del camino. Tiende a tener un problema al volver y corregirse. Así que me gusta tener tres.

Así que tengo una especie de cosa personalizada que esencialmente utiliza tres asistentes para verificar el trabajo de los demás y obtener resultados increíbles para ellos. Sí,

FREDERICK VALLAEYS: eso es brillante. Quiero decir, si no tienes que pagar extra por un asistente más y por qué no, ¿verdad?

CORY LINDHOLM: Exactamente. Sí.

FREDERICK VALLAEYS: Muy genial.

CORY LINDHOLM: Y luego solo para concluir la estacionalidad, un par de cosas que realmente recomiendo para simplificar esto para las partes interesadas, porque si les muestras esas cosas a la derecha, probablemente se van a perder totalmente y no entenderán lo que estás diciendo.

Así que ponlo en un lenguaje que van a entender. Y el gráfico del medio inferior es el que probablemente uso más. Este es el efecto estacional promedio en, en este ejemplo, clientes potenciales por mes. Así que esto esencialmente nos diría que en un mes dado podemos esperar frente al promedio anual de clientes potenciales, cuántos más o cuántos menos clientes potenciales en un mes dado esperamos?

Y nuevamente, necesitas estar considerando la calidad de tus datos y los retrasos de conversión, etcétera, como acabamos de tocar. Pero en este ejemplo, podemos ver en junio, en realidad esperamos 15 clientes potenciales menos que nuestro promedio anual en junio, mientras que en mayo. Esperamos 41 clientes potenciales más que el promedio. Así que estas son nuevamente, maneras en que podemos ver rápidamente gráficamente, es, es un visual muy claro que incluso si no estuvieras al cien por cien en todas estas cosas y no tuvieras una base estadística sólida, puedes ir, bueno, claramente esa gran barra verde muestra que necesitamos estar gastando mucho más en mayo o tal vez el mes anterior a nuestro punto sobre el retraso de conversión.

Para realmente capitalizar en ese claro efecto estacional que está ocurriendo, y probablemente no deberíamos gastar tanto en junio o julio, o tal vez solo necesitamos investigar por qué estamos viendo eso, ya sabes, ¿es ese el momento en que nuestro equipo de ventas tiende a tomar muchas vacaciones y eso está impactando algunas de nuestras ventas y puedes ejecutar esos análisis de regresión que hablamos antes, si tienes suficientes datos para ver.

Es eso, ya sabes, digamos que el equipo de ventas se va de vacaciones. Es eso, ya sabes, correlacionando fuertemente con nuestras ventas bajando? Es solo un ejemplo tonto, pero solo una idea aproximada de cómo puedes utilizar estas cosas para pensar en esto.

FREDERICK VALLAEYS: Y así, Google Ads es muy agradable porque te da los datos hasta el principio de cuando ejecutaste una campaña.

Así que a menudo tienes múltiples años de datos que puedes alimentar a GPT. Pero cuando se trata de algo como Amazon Ads, tienen un límite de 90 días en cuanto a cuánto tiempo puedes mirar hacia atrás. ¿Alguna vez has encontrado que puedes aprovechar las ideas de una plataforma para predecir la estacionalidad en una plataforma diferente?

CORY LINDHOLM: Oh sí, absolutamente.

Hago esto mucho. Así que esto es lo que llamamos en el mundo de la ciencia de datos ingeniería de características. Así que agarras. Lo que sea que puedas, cualquier dato que esté ahí, Shopify, Amazon, Facebook, quiero todo. Y quiero ejecutar eso a través de una métrica de correlación o matrices para averiguar estadísticamente qué métricas de qué cosas necesitan ser combinadas.

¿Eso influye en la precisión de mis modelos de predicción, etcétera? Así que definitivamente estoy constantemente extrayendo de las APIs para obtener tantos datos como sea posible para hacer predicciones realmente buenas y, y, y llegar a estas bases sólidas en mi análisis. Sí.

FREDERICK VALLAEYS: Muy genial.

CORY LINDHOLM: Bien. Y luego el inferior izquierdo para todos aquellos que tienen curiosidad, ¿cuál es el que no mencionaste?

Este es un tema realmente confuso, pero solo quiero lanzarlo allí. Es autocorrelación. Así que el, solo lo mantendré realmente corto y dulce porque estamos quedándonos sin tiempo. Si encuentras que el punto está fuera del área sombreada, que en este caso fue tres eso nos dice que cada tres meses tenemos una correlación negativa con los tres meses anteriores.

En otras palabras, cada tres meses esperamos un rendimiento negativo en nuestros clientes potenciales, y luego los tres meses siguientes en realidad esperamos un aumento positivo en los clientes potenciales. Así que estos chicos tienden a ver. que sus sus clientes potenciales siguen un ciclo de negocio muy claro de trimestral. Así que cada, cada tres meses más o menos, esperamos tener unos pocos meses bajos y unos pocos meses altos.

Ahora, nuevamente, tienes que tomarlo con un grano de sal. No siempre va a ser el mismo alto y el mismo bajo cada tres meses. Y puede que no sea tan malo como los tres meses anteriores, y no será al cien por cien. Nada de esto es para decir Con un cien por cien de precisión. Estos son todos estimaciones utilizando matemáticas y una base estadística sólida.

Pero no quiero que la gente entre en esto y diga, vamos a poder predecir con un cien por cien de certeza que mayo va a ser increíble porque hicimos una descomposición estacional. Esto solo nos da nuestra mejor inferencia o nuestra mejor. Hipótesis o mejor estimación de lo que es probable que suceda no garantiza que vaya a suceder.

Y así, análisis predictivo, hemos tocado esto un poco. Solo quiero mostrar un visual de cómo podría verse esto, pero esencialmente con análisis predictivo en el contexto de PPC, que no veo mucho contenido sobre esto, tiende a ser Ya sabes, utilizando conceptos de biología o lo que sea, y es difícil para la gente entender cómo aplicarlo a PPC.

Así que generalmente hablando, vamos a estar tratando de predecir el rendimiento futuro utilizando las tendencias históricas, etcétera. Un ejemplo común es predecir el valor de por vida del cliente. Verás esto en muchas agencias de ciencia de datos donde esa es una de las primeras tareas que hacen es tomar todos tus productos y tantos características y puntos de datos como puedan para tratar de darte una idea aproximada de lo que es probable que sea el valor de por vida del cliente para un producto dado o un cohorte particular, un cohorte de una audiencia.

Así que eso podría ser como un tipo de audiencia, personas que compran productos premium que comienzan comprando este producto. Eso sería algo como un análisis de cesta de mercado, algo así. Pero cómo podríamos aplicar esto realmente fácilmente a PPC en este caso fue generación de clientes potenciales. Así que lo que utilicé para esto, hay muchos modelos predictivos diferentes que puedes utilizar.

Soy un gran fan como comercializadores del modelo de beneficio de Facebook. Fred, estoy seguro de que ustedes han utilizado eso en algún grado porque lo que es genial de este modelo es que tiene en cuenta. Vacaciones, que si solo estuvieras construyendo tu propio modelo predictivo, tendrías que construir eso de manera personalizada y adaptarlo cada año a las vacaciones y las fechas que cambian el modelo de beneficio de Facebook ya integra eso en sus predicciones.

Así que esta es una gran manera de ver en este caso, nuestra línea azul es la previsión general, pero luego los límites superior e inferior de esa predicción. Esto es realmente importante. Va a nuestro punto sobre que nada es una predicción perfecta al cien por cien. Estamos esperando en este caso, y es probable que veamos que el valor real de los clientes potenciales va a caer dentro de esa línea verde y la línea roja.

Así que por ejemplo, el próximo año, esperamos ver un junio realmente, realmente bueno. Podría ser uno de los mejores que hemos tenido. Y nuevamente, esto se construye sobre una base sólida de datos limpios. Y luego hay algunas cosas que no se alinearán con lo que vimos con la descomposición estacional, lo cual es realmente interesante. Así que cuando miramos el rendimiento histórico, muestra que estos meses dados no son tan buenos, pero cuando utilizas nuestros modelos predictivos, podrían no alinearse con ellos, lo cual, ya sabes, es todo otro tema, pero querrás investigar por qué podría ser eso y cuán preciso es tu modelo predictivo, etcétera.

Pero siempre puedes tratar de optimizar y deberías estar optimizando esos modelos para obtener mejor precisión con el tiempo. Bien, vamos a acelerar esto, chicos. Así que un experimento de datos, pruebas de hipótesis. Así que en este análisis, lo que queríamos hacer era obtener una idea de si cambiamos nuestros principales grupos de anuncios y los URLs que están asociados con esos grupos de anuncios de mayor gasto y mejor rendimiento ¿Cuál es el riesgo y qué esperamos obtener en términos de ingresos y retorno del gasto publicitario si pasamos de URLs de blog?

A URLs de página de producto. Esto es en realidad una pregunta bastante común para los anunciantes de comercio electrónico más grandes porque, ya sabes, hemos estado ejecutando para campañas de búsqueda, principalmente URLs de blog porque nos dijeron que era la mejor práctica, pero nunca realmente lo probamos. Esta es una buena manera de entrar en pruebas de hipótesis en algo que claramente es aplicable para PPC.

Así que en este caso, lo primero que hicimos, una de las primeras cosas que hicimos, Así que miramos la distribución general del retorno del gasto publicitario para ambos de esos dos cosas, retorno del gasto publicitario para URLs de blog frente a URLs de producto. Puedes ver que la distribución está mucho más sesgada hacia la derecha para la URL de producto. Así que el retorno del gasto publicitario es mucho más alto para algunos de ellos, pero la mayoría de los blogs tienden a seguir más una distribución normal.

Así que tienden a estar alrededor del rango de 0.5 a 2X en el retorno del gasto publicitario. Así que Greg nos da una idea general. Siguiendo adelante, ¿qué podemos realmente esperar en términos de predecir el retorno del gasto publicitario? Ahora, esa parte inferior derecha es donde eso entra en juego. Así que esencialmente, esto va a mostrarnos en el eje x, la parte inferior allí el eje horizontal va a ser el número de muestras.

Así que este es un modelo que cuantas más muestras, más veces está probando esta cosa, ¿cuál es la, cuál es la distribución? ¿Cuánto retorno del gasto publicitario deberíamos esperar si usamos producto? Frente a blog retorno del gasto publicitario. Y lo claro que puedes ver aquí es que el retorno del gasto publicitario del blog a medida que las muestras aumentan, la cantidad de pruebas que ejecutamos en este modelo aumenta, el retorno del gasto publicitario es generalmente mucho más bajo que el retorno del gasto publicitario del producto.

Así que si tu objetivo es aumentar la eficiencia de esos grupos de anuncios. Esto podría darte alguna causa para decir, bueno, las cosas se ven bastante bien en términos de retorno del gasto publicitario. Pero entonces lo que necesitas hacer es seguir y decir, bueno, ¿qué pasa con los ingresos, sin embargo? Porque los porcentajes no ponen dinero en el banco para el negocio, ¿verdad?

Son las ganancias. Son los ingresos. Eso es lo que realmente va a mantenernos, mantener las luces encendidas. Así que también querrás ejecutar esto a través y decir, ok. Ahora sé cómo se ve el retorno del gasto publicitario. Parece que el retorno del gasto publicitario del producto va a ser el ganador para nosotros en términos de eficiencia, pero si hago lo mismo y luego veo que los ingresos simplemente comienzan a caer con cuantas más muestras que ejecuto, tal vez no valga la pena el compromiso, pero realmente importante ejecutar estos tipos de análisis.

Así que errores comunes en el análisis de datos que debes evitar. Hemos tocado varios de estos, así que vamos a acelerar, pero una gran cosa, y probablemente has oído esto desde la escuela secundaria, pero la correlación no equivale a causalidad. Así que necesitamos estar realmente hiper conscientes de estas cosas en nuestros datos PPC también. Solo porque estás viendo, has ejecutado un diagrama de dispersión, y parece que a medida que los CPCs suben, el retorno del gasto publicitario también sube, lo cual sería extraño, pero digamos solo por ejemplo que ese es el caso, ese es el caso.

Eso no significa necesariamente que aumentar tus ofertas y por lo tanto tu costo por clic esté subiendo significa que está causando que tu retorno del gasto publicitario suba. Hay otros factores que necesitan entrar en ese tipo de análisis. Ignorar tamaños de muestra pequeños. Tocamos esto al principio de la llamada.

Asegúrate de tener tamaños de muestra confiables. Así que esto sucede mucho con nuevos anunciantes o propietarios de negocios tratando de hacer estas cosas ellos mismos. Y están asustados porque tienen 13 clics en la última semana en este grupo de anuncios en particular y el retorno del gasto publicitario es horrible. Y no sabemos qué hacer.

¿Deberíamos, deberíamos volver a PMAX? ¿Deberíamos, ya sabes, deberíamos bajar todas nuestras ofertas? ¿Qué deberíamos hacer? Y lo primero que voy a mirar es el tamaño de la muestra. Bueno, tenemos 13 clics, así que hay mucha aleatoriedad en esto. Podría ser simplemente casualidad completa. Probablemente no querramos estar tomando decisiones dramáticas con un tamaño de muestra tan pequeño.

Ahora también puedo entender como propietario de un negocio, ¿verdad? Estás tratando de pagar las facturas. Esta cosa parece muy poco rentable. Pero si puedes llevarte algo de este video y de este episodio, es monitorear los tamaños de muestra y saber cómo se ve lo normal para un segmento en particular. ¿Cómo se ve lo normal para tus campañas de búsqueda de marca en términos de retorno del gasto publicitario?

¿Cuál es el costo por clic normal para un grupo de anuncios dado? Puede ser difícil de rastrear, pero ya hemos tocado cómo podrías hacer esas cosas con Python y usando software. Puedes tratar de mantener el control y, y establecer puntos de referencia para tu cuenta y tus campañas, tus grupos de anuncios, etcétera, tus tipos de campaña.

Y eso va a ser realmente útil para que cuando estés considerando cuántos clics son suficientes antes de tomar una buena decisión, Bueno, eso va a depender de cómo se ve tu ciclo de conversión normal. ¿Es de tres semanas? Bueno, dale tres semanas primero antes de comenzar a hacer cambios. ¿Cuántos clics hay allí?

¿Cuántos clics normalmente toma obtener una conversión dentro de ese producto similar o lo que sea que estemos viendo? Bueno, necesitas tener eso en cuenta también. Generalmente hablando, la mayoría de la gente dirá que 30 es el mínimo absoluto. Así que 30 conversiones antes de que puedas hacer un cambio estadísticamente sólido. Cada cuenta va a ser un poco diferente.

Habrá muchas cuentas que no podrían cambiar las cosas cada seis meses si esperaran 30 conversiones. Así que obviamente tienes que tener eso en cuenta. Hay análisis estadísticos hay maneras de utilizar estadísticas en tamaños de muestra muy pequeños, pero ese es un tema muy complejo y tienes que estar tomando todas esas ideas con un grano de sal debido al tamaño de muestra más pequeño.

Ese es un gran punto a tener en cuenta. Sesgo de confirmación, evitar enfocarse solo en datos que apoyan. Lo que quieres encontrar esto sucede en las llamadas de informes todo el tiempo con agencias donde escondes todas las cosas que son malas y muestras todas las cosas. Eso es bueno Como mira nuestra tasa de clics.

Está por las nubes 35 por ciento mes tras mes y ocultaste el ROAS que bajó un 40 por ciento no quieres estar haciendo eso Pero tampoco quieres estar haciendo eso tú mismo cuando estás entrando en tus análisis cuando quieres investigar y responder una pregunta No entres en ello con una noción preconcebida de que, ya sabes, quiero buscar cualquier evidencia que apoye que yo comenzando y trabajando en esta cuenta ha aumentado los ingresos.

Fred, sé que has hablado de esto en tus libros, ya sabes, la diferencia entre descriptivo y prescriptivo, ¿verdad? Todos somos pilotos aquí como analistas de datos. Va a haber diferentes niveles en cómo analizas tus datos. Y estas cosas como el sesgo de confirmación juegan un papel realmente importante.

FREDERICK VALLAEYS: Sí, absolutamente.

Los datos pueden contar cualquier historia que quieras. Y así puedes usar GPT. Y en realidad usamos un ejemplo interesante de eso. En Optmyzr con nuestro asistente. Así que hay una manera en que puedes pedirle que te dé. la historia feliz. Dame las buenas noticias basadas en las métricas que puedes llevar a una reunión con el cliente.

Y eso es realmente útil, ¿verdad? Porque comienza la conversación con una nota positiva. Y, pero luego tenemos una consulta correspondiente para GPT que dice, ok, ahora dime dónde podría haberlo hecho mejor y cómo las cosas podrían haber mejorado. Y así ahora que el cliente está feliz y entiende que las cosas se están moviendo en la dirección correcta, enfoquémonos en algunas cosas que podríamos hacer incluso mejor.

Pero siempre son los mismos datos y es solo cómo los presentas y dónde tal vez filtras cosas o cómo los miras.

CORY LINDHOLM: Me encanta eso. Bien. Y luego el sobreajuste. Así que este es un tema un poco más complicado, pero cuando estás construyendo modelos, necesitas estar considerando si los modelos que estás construyendo pueden generalizarse a nuevos datos.

Un ejemplo realmente común es cuando estás haciendo análisis de agrupamiento, como el agrupamiento K significa para averiguar cómo tus productos en tu catálogo deben agruparse juntos en diferentes campañas de compras. Análisis realmente común. Así que si estás usando un algoritmo de agrupamiento K significa que has diseñado, Necesitas asegurarte de que a medida que nuevos productos se canalicen en ese agrupamiento K significa que el modelo pueda generalizar bien a esos nuevos productos.

Solo quieres asegurarte de que no estás sobreajustando las cosas y que parece que es una gran predicción aunque las matemáticas no muestran que sea una muy buena predicción. Necesitas estar teniendo en cuenta eso cuando estás evaluando la precisión de tus modelos. Y los visuales en la derecha y en la parte inferior son solo cosas que normalmente mirarías cuando estás tratando de evaluar, ya sabes, si algo es estadísticamente significativo, qué métricas, esto es algo que construí en mi software que esencialmente solo me da las métricas.

Cuando miro un período dado frente a un período anterior, ¿cuáles son las métricas que son estadísticamente significativas utilizando un valor P? Ahora, nuevamente, no vamos a volver a la estadística de la escuela secundaria, pero un valor P, si tenemos, queremos un 95 por ciento de confianza. 95 por ciento de confianza. Queremos esencialmente ver un valor P que sea 0.

5 o menos. En este caso, estas métricas que ves, tasa de clics, CPC conversión por fecha, ROAS, todas han visto cambios estadísticamente significativos en un período dado desde que ocurrió un evento. Luego puedo profundizar en mis datos y ver, ok, solo me voy a enfocar en esas métricas porque sé que esas tienen datos estadísticamente sólidos.

Esas otras métricas debería mirar y considerar, pero sé que matemáticamente, esas no están realmente listas para evaluar para ese evento dado. Así que realmente, realmente importante. Así que vamos a concluir esto, Fred herramientas en tecnología para el análisis de datos PPC. Así que, ya sabes, si no estás usando Optmyzr, estás loco. Los chicos están construyendo e innovando todo el tiempo.

Definitivamente usa Optmyzr para tus necesidades de PPC. No es solo porque estoy en el podcast. Realmente creo en la empresa, obviamente el fundador es un tipo muy inteligente. Sabe lo que está haciendo. Así que utiliza Optmyzr para tus necesidades de PVC. También soy un gran fan para la visualización de datos y la elaboración de informes Porque quiero poder personalizar realmente las cosas yo mismo, como pueden ver, estoy muy en la personalización Me encanta usar herramientas como tableau o power bi Para que pueda contar la historia de lo que está pasando en los datos.

Esto es genial para esos informes semanales, mensuales, lo que sea para las partes interesadas que dicen, aquí están las tendencias. Aquí está lo que estoy viendo. Aquí está lo que vamos a hacer al respecto. ¿Verdad? Ese es el poder de la narración de datos. Necesitamos detener esta cosa en nuestra industria de solo mostrar un gráfico y esperar que la parte interesada sepa lo que está pasando.

Todos van a tener sus pros y sus contras. Todos me preguntan cuál es el mejor. No hay mejor. Experimenta. Haz el que funcione mejor para tus necesidades particulares. Google Analytics, hemos hablado de sobra. Hojas de cálculo, Excel, Google Sheets. Soy un gran fan de Excel porque Google Sheets es demasiado lento para mí.

Obviamente, si tienes una salida de script, va a ir a una hoja de Google, pero luego generalmente la paso a un Excel o Python o algo así. Y el último, Python R en términos de programación. Genial para análisis estadísticos avanzados. Todas las cosas que has visto a lo largo de esto son geniales.

Cosas que realmente he hecho. Estos son análisis recientes que utilizo Python para. Así que si parecen realmente geniales para ti y estás realmente interesado, te recomiendo mucho aprender R o Python. Generalmente, Python es un poco más amigable para el usuario que R. Pero sí, así es como puedes llegar allí es, es aprender un poco de programación y usar chat GPT para ayudarte en el camino.

FREDERICK VALLAEYS: Genial. Y gracias por esos elogios para Optmyzr y para mí mismo, realmente aprecio eso y una serie de otras herramientas increíbles. Un pequeño consejo cuando uses GPT para generar tu código Python, guárdalo, valídalo, porque si vas a reescribir ese mismo código mañana, va a salir diferente y nunca sabes quién está cometiendo errores.

Y así. Eso va a ser lo peor si vas a un cliente y has usado ese análisis mil veces y luego ese día GPT ha cambiado y te da la respuesta incorrecta y pareces un tonto frente al cliente, ¿verdad? Así que una vez que encuentres que está funcionando, guárdalo, y luego puedes comenzar a reutilizarlo y luego realmente tener consistencia confiable en la salida.

CORY LINDHOLM: Absolutamente. Y como he mencionado, chicos, si vas a llegar a ese nivel donde vas a tener esta IA escribiendo scripts para ti, necesitas saber la diferencia entre una prueba t y una ANOVA. Nuevamente, tienes que conocer estas cosas. Tienes que tener las bases porque si te da una función, Para utilizar, y no entiendes cómo funciona esa función.

Es eso. He encontrado Fred que generalmente no sigue las mejores prácticas para la codificación de Python o para el análisis de datos. Incluso cuando estoy usando el complemento de análisis de datos, tiende a omitir cosas. Tiende a asumir que sé esas cosas, lo cual hago. Pero luego cuando miro y reviso el código, me pregunto, ¿por qué usarías esa prueba?

Como, esa es una idea terrible. Pero nuevamente, ahí es donde entra tu experiencia en el dominio y necesitas conocer las bases, o podrías escribir este gran script que piensas que es increíble, pero está fundamentalmente defectuoso porque no conocías esos principios fundamentales de análisis de datos y análisis estadístico.

FREDERICK VALLAEYS: Sí. Súper consejo. Gracias, Cory.

CORY LINDHOLM: Por supuesto. Bien, chicos, teníamos una diapositiva sobre tendencias futuras. Sé que estamos, estamos totalmente fuera de tiempo aquí. Así que solo quería realmente tocarlo y mostrar, ya sabes, tenemos publicidad que está sucediendo dentro de estas cosas de OpenAI, anuncios de compras, anuncios de búsqueda, artículos relacionados, etc.

Pero al menos quería mencionar, esto probablemente va a estar influyendo en nosotros como comercializadores de PPC, ¿verdad? La utilización de asistentes de IA. Vamos a ver algunos cambios probablemente en nuestros términos de búsqueda. Y obviamente, a medida que estos anuncios están entrando aquí va a jugar un papel. Es una publicidad muy móvil primero.

FREDERICK VALLAEYS: Sí, creo que van a haber grandes cambios, pero creo que también tenemos un par de años para hacer esa transición. Así que todo lo que has cubierto hoy absolutamente tiene sentido. Solo creo que nos dirigimos más a un mundo donde tu asistente generativo sabe tantas cosas sobre ti.

Básicamente contiene tu memoria de dónde has estado, qué has visto, qué has buscado, qué has preguntado. Y así la importancia de cosas como cuál es la palabra clave, cuál es la audiencia, todo eso importa mucho menos que cómo el asistente te entiende. Y así eso va a hacer que sea más difícil para nosotros realmente consultar y comenzar a ver estas correlaciones en términos de lo que hemos hecho, porque realmente no somos nosotros haciendo cosas más.

Es. Es el asistente generativo resolviendo cosas en nuestro nombre como anunciantes. Y así cómo manipulamos eso creo que esa es una gran pregunta y tendremos que resolverlo juntos, pero hasta entonces usa todas las mejores prácticas de Cory aquí usa muchas de estas estadísticas de alto nivel Y ten algunas ideas increíbles. Así que, y así algunas de estas cosas que nos has mostrado hoy, Cory, muy avanzadas, otras un poco más fáciles de comenzar. Entonces, ¿qué dirías en términos de personas que comienzan si no han hecho estadísticas antes?

CORY LINDHOLM: Sí. Va a sonar como si estuviéramos en un carro de IA, pero realmente creo que la IA, quiero decir, es una tarea de lenguaje primero.

Es capaz de explicar cosas muy bien para la gente. Honestamente, tienes que entender que va a haber algunos errores allí. Es por eso que dice que chat GPT puede cometer algunos errores, ya sabes, verifica la información, pero es una gran manera de aprender. Es una gran ventaja. Nunca hemos tenido en el pasado donde puedes ir, ok, quiero aprender más sobre aplicar análisis de datos a PPC y puede darte algunos puntos de partida.

Y luego puedes hacer preguntas de seguimiento. Ya sabes, ¿puedes elaborar más sobre? qué significa esta parte qué es la prueba multivariante y luego solo comienza, ya sabes, aprendiendo más sobre eso y sumérgete en el tema, comienza a leer libros sobre ello. Si realmente estás tan interesado, comienza a aprender un poco de código.

Y recomiendo mucho cuando obtienes las respuestas de chat, TPT, cuando está ejecutando un análisis para ti puedes expandir el código que está usando. Está usando código Python. Así que nuevamente, no es magia. Solo está ejecutando el mismo código que te he mostrado que hago yo mismo que esencialmente puedes comenzar a desglosar y decir, ok, qué código usa más?