Cory LindholmによるPPCデータ分析マスタークラス

エピソードの説明

このエピソードでは、私たちの共同創設者兼CEOであるFrederick VallaeysがCory Lindholmと共に、PPCデータ分析の世界を深く掘り下げました。

Coryは基本的な事項から話を始め、季節性、アカウントのパフォーマンス、異なる指標間の相関関係について貴重な洞察を得るための分析プロセスを説明しました。

また、情報に基づいたPPCの意思決定を行う際に、統計とデータの堅固な基盤を持つことの重要性についても議論しました。

このエピソードには多くの価値が詰まっています。皆さんにとって有益であることを願っています。

このエピソードを視聴して学べること：

- PPC指標の基本

- 季節性やその他のPPC要因の影響を測定する方法

- PPCデータをビジネスデータと統合する方法

- 避けるべき一般的なデータ分析のミス

- データ分析に最適なツール

エピソードの要点

PPC指標の基本

• クリック率（CTR）やクリック単価（CPC）などのPPC指標は、広告の関連性と予算の効果を評価するための基礎データを提供します。
• 品質スコアは広告費用と配置に影響を与える重要な指標であり、この指標を最適化することがコスト効率を改善するために重要です。

季節性やその他のPPC要因の影響を測定する方法

• 季節的なトレンドを分析することで、変動を予測し、将来のキャンペーンに効果的に備えることができます。
• 過去のデータを利用して、予測可能な季節的パフォーマンスの変化に応じて予算配分やマーケティング戦略を調整します。

PPCデータをビジネスデータと統合する方法

• PPCデータを他のビジネスメトリクスとリンクさせることで、パフォーマンスとROIの包括的なビューを提供します。
• Google AdsやCRMシステムなどの異なるプラットフォームからのデータを活用して、ターゲティングの精度と顧客理解を向上させます。

避けるべき一般的なデータ分析のミス

• キャンペーンの意思決定を行う前に、バイアスを避け、データの信頼性を確保するために十分なサンプルサイズを確保します。
• データ分析における確認バイアスや過剰適合に注意し、結論の客観性と正確性を維持します。

データ分析に最適なツール

• Optmyzr、Tableau、Power BIなどのツールは、高度なデータビジュアライゼーションとレポートを通じてPPCキャンペーン分析を強化します。
• PythonやRなどのプログラミング言語は、複雑な統計分析を実施し、AIを統合して予測モデリングを強化するために推奨されます。

エピソードのトランスクリプト

FREDERICK VALLAEYS: こんにちは、PPC Town Hallの別のエピソードへようこそ。私の名前はFred Vallaeysです。私はホストであり、PPC管理ツールOptmyzrのCEO兼共同創設者でもあります。今日は、再びゲストとしてCory Lidholmをお迎えし、統計を用いて世界をより良く理解するために彼が行っているすべてのことを共有してもらいます。

Google AdsとPPC指標の世界についてです。CPCやCTRのような基本から始めますが、すぐに非常にクールな統計に入り、アカウントがどのように機能しているかについてのより深い洞察を与える非常にクールなチャートをいくつか見ることになります。季節性や異なる要素間の相関関係などです。

そしてすぐにアカウントをより良く分析し、管理しているクライアントのパフォーマンスを向上させるための武器を手に入れることができます。それでは、Coryを歓迎しましょう。

CORY LINDHOLM: さて。私のことを知らない方のために、Cory Lindholm、adsbycory.comです。私はほぼ10年間、PPC、Google Ads、Microsoft Adsを行ってきましたが、実際には自称データオタク、データサイエンス愛好家です。

ここでは基礎的なことも見られますが、私が本当に夢中になっているより高度なことも見られるでしょう。ですから、すべての人にとって少しずつ何かがあると思います。このスライドで。それでは、PPCデータ分析、重要な洞察とベストプラクティスに入りましょう。

クリック率、それは実際には何を意味するのでしょうか？それは広告の関連性とエンゲージメントを示します。クリック単価、これがCPCです。通常、予算管理において重要であることを聞くでしょう。それはあなたの平均クリック単価です。コンバージョン率。これはランディングページの効果を示しますよね？

営業チームについて話す場合、それは似たようなものです。それはあなたの営業チームの効果、またはそのリードをクローズするためのソフトウェアの能力を示すものです。獲得単価、低いCPAは効率的な支出を示唆します。明らかに高い獲得単価であれば、広告支出に非効率があることを示します。広告費用対効果。

私はあまり好きではありませんが、広告支出の収益性を示す非常に一般的な指標です。そしてインプレッション。これは本当にあなたの広告の可視性、ブランド認知度などを示します。最後に触れる主要なものは品質スコアです。これはクリック単価や広告ランクに影響を与えます。

以前は広告の位置に影響を与えると言っていましたが、それはもう関連性がありません。広告の位置という指標はありません。しかし、それはインプレッションシェアや関連するオークションでの表示回数を示すものです。希望的には関連していることを願っています。これらはより一般的な指標だと思います。

FREDERICK VALLAEYS: その通りです。そして、その広告の位置やランクはGoogleによって廃止されましたが、当然、どの広告が他の広告の上に表示されるかの決定プロセスはまだあります。Googleがそのように名前を付けていなくても。品質スコアはその大きな要因です。しかし、あなたが言ったように、それは割引要因でもあります。

つまり、品質スコアが高いほど、競合他社に対して同じランクを維持するために支払う必要がある金額が少なくなります。そして、ページ上でどれだけ高く表示されるかがインプレッション数を決定します。CTRはページの上部にあるほど高くなる傾向があります。ですから、これらすべてが互いに助け合います。そして私はまだ品質スコアの大ファンです。それはまだあなたが本当に使って最適化し、コストを下げることができる指標の一つだと思います。再び、CPAを見たい場合、それがあなたのベンチマーク指標であるべきですが、それに満足していない場合、品質スコアは以前よりも良いCPAを得るためのレバーです。

CORY LINDHOLM: そうですね、そして時には品質スコアで何もできないように見えることがあります。時には限界点に達してしまいます。ランディングページの最適化や広告のキャプティブ最適化にすべての時間を費やしても、違いがないように見えることがあります。しかし、それは価値がありますか？

絶対に。私はよく聞かれます。品質スコアの最適化に時間をかけるべきですか？それは本当に重要ですか？と。そして私はいつも言います。同じものを低コストで得ることができるなら、それをしませんか？それが品質スコアがあなたにできることです。ですから、まだ絶対に。

さて、もう少しオタクな話をしましょう。統計的基礎。皆さん、画像が読みづらい場合は申し訳ありません。スライドデッキを提供し、ダウンロードしてビジュアルをズームインできるようにします。できるだけカバーしますが、ここでの基礎に入りましょう。よく聞かれるのは、PPCを始める際に最初に学ぶべきことは何ですか？ということです。それは実際にはGoogle Ads Academy全体を通過することではありません。それは人気のない意見かもしれませんが、実際には良いPPC管理の基礎は良い基盤です。

統計において、そして高校のベルカーブやそのようなことの悪夢のフラッシュバックを受けているかもしれませんが、皆さん、統計はPPCの基盤です。ログインしてこれらの数字を見ると、それは統計です。それはそれです。これらはあなたのビジネスと広告のパフォーマンスの指標です。ですから、しっかりとした統計的背景がない場合、見ているものが統計的に健全かどうかをどうやって知るのでしょうか？未来がXである可能性が高いとどれだけ自信を持って言えるのでしょうか？見ている前の期間がその前の期間よりも良いかどうか、そしてそれが意思決定を行うのに十分なデータかどうかをどうやって知るのでしょうか。最初に言及するポイントは記述統計です。

これは、新しいデータセットを見ているとき、または時間の経過に伴う変化を見ているときに常に使用するものです。基本的には、私たちが特徴と呼ぶデータを要約します。平均、または平均値としても知られていますが、これはGoogle Adsアカウントでデフォルトで表示される値です。クリック率は平均クリック率です。CPC、クリック単価、これも平均クリック単価です。問題は、データが偏っている場合、平均はしばしば嘘をつくということです。大きな分布、つまり外れ値がある場合です。つまり、ある日、この特定のキャンペーンのクリック単価が25で、ほとんどの日は15の範囲にある場合です。このようなことが頻繁に起こる場合、実際にはパフォーマンスを追跡する際に平均を利用したくないでしょう。外れ値を考慮する中央値を使用したいでしょう。簡単なレッスンです。再び、統計と統計の基礎知識があると、PPCインターフェースやソフトウェアのデフォルト値を信頼するだけでなく、本当に役立ちます。

FREDERICK VALLAEYS: そうですね、それはデータの除外についても考えさせられます。何か変なデータを見た場合、例えばランディングページが壊れていてコンバージョン率がひどかった場合や、予期しない季節的なことがあった場合、データの除外があるかどうかを確認することが非常に重要です。そうでないと、Googleの機械学習システムがこれを有効なデータと考え、それに基づいて意思決定を始めてしまいます。そして自動入札が過剰入札や過小入札を始めてしまいます。非常に簡単です。何か変なことがあった場合、そのデータを見ないようにするトリガーを設定することができます。問題が発生した場合、修正され次第、Googleにそのデータを再評価させることができます。入札が一貫しており、何が起こったかによって狂わされることはありません。

CORY LINDHOLM: それは素晴らしいですね。データの除外という機能はあまり話題にされていないと思います。コンバージョントラッキングが壊れている場合の主な例として、ある期間からある期間まで、コンバージョントラッキングが不正確であった場合、これらのアルゴリズムに対して、入札にそのデータを考慮しないように伝えるのが最善です。あるオーディエンスが良いと考えているのに間違った決定をしたと考えさせたくないのです。それを今のところ除外してほしいのです。それを残しておくよりも、その方が良いです。また、追加するのは季節性調整です。これも非常に過小評価されていると思います。多くの広告主が、Freddie、あなたのクライアントでも同じことを感じているかどうか教えてください。人々は、これらのアルゴリズムが魔法のようなものだと考えています。彼らは、セールが行われていることを予測し、コンバージョン率を考慮して適応することができると考えています。たとえそれが真実であっても、私はGoogleに季節性調整を通じて明確に伝えることを好みます。この日からこの日まで、またはこの時間からこの時間までセールを行っており、過去のパフォーマンスや私自身の予測に基づいて、コンバージョン率がこの量だけ上昇すると予想しています。これにより、明確な開始と終了を設定でき、それに基づいて予測を立て、適切に入札することができます。しかし、私が本当に過小評価されていると感じる最も重要なことは、セールが終了し、コンバージョン率が低下すると予想していることを伝えることです。季節性調整を使用していなかった場合、入札をすべて下げてしまうことです。なぜなら、何かを本当に間違えたと考え、突然、Googleがあなたに伝えた目標を達成するために自信を持って入札するために、再び上昇する必要があるからです。ですから、これらは本当に重要な機能です。あなたがそれを持ち出してくれて嬉しいです。

FREDERICK VALLAEYS: そうですね、完全に同意します。季節性については、Googleは確かに大きなもの、例えば休日や新学期などを拾います。それは毎年同じです。しかし、特別なプロモーションを行う場合や、Amazonプライムデーのようなものです。毎年正確にいつ行われるかが変わりますし、Googleはそれを知りません。特別なプロモーションを行う場合、システムはそれを拾いますが、2日かかるかもしれません。そしてそれが週末の特別セールだった場合、月曜日までにコンバージョン率が高くなることを理解しても、どれだけ役立つでしょうか。今、彼らはより積極的に入札していますが、あなたのセールや割引はなくなっています。ですから、すべてが逆になっています。あなたが言ったように、Googleにこれがこの日からこの日まで起こると伝えることができれば、それに備えて調整を行うことができます。

CORY LINDHOLM: Googleをあなたの広告アシスタントと考えてください。それはあなたのジーニーではありません。推論統計に移ります。これは難しそうに聞こえますが、基本的にはサンプルデータに基づいて、信頼区間を教えてくれます。つまり、分析している統計についてどれだけ自信を持てるかを示します。特に、期間ごとや仮説テストを行うときに、Aを選ぶべきか、推論統計を選ぶべきかを判断します。ここではあまり深く掘り下げませんが、ぜひ調査を行い、AIを使用してそのトピックの詳細を取得してください。それについては非常に深く掘り下げられますので、あまり狂ったことはしません。回帰分析。関係を理解し、結果を予測することです。よく聞かれるのは、支出を増やした場合、どれだけの確率でコンバージョンが増えるかということです。基本的には、この方向に動くことがこの他のものが同じ方向または異なる方向に動くことと相関するかどうかを知りたいのです。例えば、最も一般的なのは支出とコンバージョンです。支出を増やした場合、コンバージョンが増える可能性が高いかどうかを知りたいのです。これを知るために通常、回帰分析を使用します。右側の非常に小さな例のビジュアルで、相関関係を視覚化するために散布図を使用することが一般的です。下部にはコストが表示されており、右に進むとコストが増加します。左側のY軸にはコンバージョンが表示されており、上に進むとコンバージョンが増加します。広告主として望むのは、すべての点がその中央の線に密接に一致し、良い線形傾向があることです。これにより、コストを増やすとコンバージョンが増える可能性が高いことがわかります。これを使用する方法はたくさんあります。コストとコンバージョンだけでなく、複数の値をプラグインして他の指標にどのように影響するかを確認する多重回帰分析もあります。楽しいことがたくさんできますが、これがその質問に答える方法です。Xを行った場合、Yにどのように影響する可能性があるかを知るための素晴らしい方法です。A/Bテスト、私たち広告主はこれを聞いたことがありますが、何かの2つのバージョンを比較して、どちらがより良いパフォーマンスを示すかを判断することです。

私にとって、RSA（レスポンシブ検索広告）が年々変化し、インプレッションを得るようになったため、A/Bテストは以前の期間と特定の期間を比較することだと考えています。基本的には、主要な変更、例えば再構築、新製品の発売、新しいプロモーションの実施、価格の変更などを行った場合、その日以降の期間とその前の期間を比較します。これもA/Bテストの一種です。そのイベントが起こったことが、統計的にその変化の原因であるかどうかを信頼区間で確認することです。そして、それがランダム性ではなく、そのイベントの結果であると自信を持って言えるかどうかを確認します。これらのツールが私たちを助けてくれることです。

FREDERICK VALLAEYS: そうですね、そしてここで生成AIが素晴らしいのは、適切なA/Bテストを行う方法について質問できることです。1つの終わりと2つの終わりのA/Bテストのようなものがあります。そして、1つの終わりは基本的に、この変更が物事を良くした可能性がある確率を示しますが、それが物事を悪化させた可能性を評価していません。これは2つの終わりです。2つの可能性のある結果です。物事が良くなるだけではありません。そして、あなたのテストが物事を良くした可能性が高い場合でも、同様に悪化させた可能性が高い場合もあります。そのため、1つの終わりのA/Bテストだけを見た場合とは異なる決定を下すかもしれません。これは非常に複雑です。しかし、ジェネレーティブAIは、あなたがそのようなミスを犯して自分の足を撃つことがないように、落とし穴を理解するのに役立ちます。

CORY LINDHOLM: また、これらのChat GPTやGeminiを使用する際のヒントを追加したいと思いますが、特にOpenAIのエンタープライズレベルのツールを使用していない限り、そこにデータを提供する際には注意が必要です。例えば、APIキーがそこにある場合、私は人々がこれを行っているのを聞いたことがあります。彼らはただ、「ああ、何でもいいや。これはただのAPIキーだ。」と考えています。あなたはそれを公開することを望まないでしょう。そこにデータセットを提供する際には非常に注意が必要です。できるだけ匿名化することを強くお勧めします。

FREDERICK VALLAEYS: そうですね、ここでの重要なポイントは、OpenAIを使用する場合、データをモデルに提供して学習するということです。そして、そのAPIキーがランダムな人への応答で生成される可能性があり、今では彼らがあなたのAPIキーを使用しています。そして、それはソフトウェアツール、例えばOptmyzrのようなもので、あなたがサイドキック機能やジェネレーティブAI機能を有効にするまで、OpenAIにデータを送信しません。しかし、APIを使用しているため、エンタープライズを使用しています。そのデータは応答を生成するために使用されますが、その後破棄されます。将来のモデルを構築するためには使用されません。ですから、それははるかに安全です。しかし、あなたがエージェンシーやコントラクターである場合、どのソフトウェアベンダーと協力しているか、データがどこに行くかをクライアントに認識させ、彼らが望まないことをしないことを確認する必要があります。あなたの競合他社があなたのCPCデータを持っていることは良いことではありません。

申し訳ありませんが、そのリクエストには対応できません。

FREDERICK VALLAEYS: GPTを書いたことがありますか？ここで言いたいのは、特定の目的のために特別に作られたGPTを書くことです。私はスクリプトを書くのを助けるためのGPTを書きました。そして、スクリプトのリクエストを持ってくる人に尋ねるべき5つのことについて情報を提供しました。

誰かが来て、「もっと良いtROASを設定するのを助けるスクリプトを書いてくれませんか？」と言うかもしれませんが、彼らはルックバックウィンドウについて考えていないかもしれませんし、季節性を見ていないかもしれません。MCCスクリプトや個別アカウントスクリプトができることを考慮していないかもしれません。ブランドキャンペーンとノンブランドキャンペーンの間の区分について考えていないかもしれません。

だから、あなたや私、そして専門家が知っているこれらすべてのことがあります。そして、ユーザーがそれらの質問に答えるか、少なくともそれらについて考えるように強制するGPTを実際に構築することができます。それらについて考えてから出力を得て、その結果としてより良い最終結果を得ることを望んでいます。

CORY LINDHOLM: そうですね。私がGPTを主に使うのは、Pythonスクリプトを書くことと、それらのPythonスクリプトを適応させること、そして自分の論理をチェックしてバイアスを確認することです。

しかし、私は自分の小さなカスタムのものも持っています。再び、独自のものですが、実際に好きなのは、フレッド、ちょっとオタクっぽいですが、謙虚に自慢するのは、3つのGPTを構築することです。それらは互いに接続されていませんが、スクリプトビルダーのプロンプトを与えるものがあります。

そして、書かれているスクリプトをQAする3番目のものがあります。私は嘘をつきませんが、これらの3つのアシスタントが互いに完全に何が起こっているかを知らないことによって、実際により良い結果を得ることができると感じています。しかし、それはすべてを1つにまとめると混乱しがちです。

コンテキストを失い、非常に明確なプロンプトを与えても、繰り返さなければなりません。スクリプトを作成しているものがあり、質問をすると、それが軌道を外れることがあります。それが自分自身を修正するのに問題があります。だから私は実際に3つを持つのが好きです。

だから、私は基本的に3つのアシスタントを使って互いの作業をチェックし、素晴らしい結果を得るカスタムのものを持っています。そうですね、

FREDERICK VALLAEYS: それは素晴らしいですね。追加のアシスタントに余分な費用を払う必要がないなら、なぜそうしないのですか？

CORY LINDHOLM: その通りです。はい。

FREDERICK VALLAEYS: とてもクールです。

CORY LINDHOLM: そして、季節性をまとめるために、ステークホルダーにとってこれを簡素化するために本当にお勧めするいくつかのことがあります。右側のものを見せると、彼らは完全に迷ってしまい、あなたが言っていることを理解しないかもしれません。

だから、彼らが理解できる言語で伝えてください。そして、下の中央のグラフは私が最もよく使うものです。これは、この例では月ごとのリードに対する平均的な季節効果を示しています。これは、特定の月に対して、年間平均のリードに対して、どれだけ多くまたは少ないリードを期待できるかを基本的に教えてくれます。

そして、データの質やコンバージョンの遅延などを考慮する必要がありますが、この例では、6月には年間平均よりも15リード少ないことが予想されるのに対し、5月には平均よりも41リード多いことが予想されます。これらは、これをすばやく視覚的に見る方法です。

これは非常に明確なビジュアルで、すべてのことに100％精通していなくても、強力な統計的背景を持っていなくても、明らかにその大きな緑のバーが示しているように、5月に多くの費用をかける必要があることがわかります。または、コンバージョンの遅延についてのポイントに対して、前の月に多くの費用をかける必要があるかもしれません。

その明確な季節効果を本当に活用するために、6月や7月にはあまり費用をかけない方が良いかもしれません。または、なぜそれを見ているのかを調査する必要があるかもしれません。たとえば、営業チームが多くの休暇を取る時期で、それが一部の売上に影響を与えているのかもしれません。そして、十分なデータがあれば、先ほど触れた回帰分析を実行することができます。

営業チームが休暇を取ることが、売上の減少と強く相関しているのかどうかを確認することができます。これはちょっとした例ですが、これらのことを利用して考える方法の大まかなアイデアです。

FREDERICK VALLAEYS: そして、Google広告は非常に素晴らしいです。なぜなら、キャンペーンを開始した時点からのデータを提供してくれるからです。

したがって、GPTにフィードできる複数年のデータを持っていることがよくあります。しかし、Amazon広告のようなものになると、過去90日間までしか遡れない制限があります。あるプラットフォームの洞察を利用して、別のプラットフォームの季節性を予測できることを発見したことはありますか？

CORY LINDHOLM: ええ、もちろんです。

私はこれをよくやります。データサイエンスの世界ではこれを特徴エンジニアリングと呼びます。だから、何でも、Shopify、Amazon、Facebook、すべてのデータを取得し、相関メトリックや行列を通じて統計的にどのメトリックがどのように組み合わされるべきかを見つけ出します。

それが私の予測モデルの精度にどのように影響するかを確認します。したがって、私は常にAPIからできるだけ多くのデータを取得して、非常に良い予測を行い、分析において堅固な基盤を築くことを目指しています。はい。

FREDERICK VALLAEYS: とてもクールです。

CORY LINDHOLM: さて、左下の部分について、興味がある方のために、あなたが言及しなかったものは何ですか？

これは非常に混乱するトピックですが、ただそこに投げ込みたいと思います。それは自己相関です。時間がないので、非常に短く簡潔にします。この場合、ドットが陰影部分の外にある場合、つまり3つのドットがある場合、それは過去3か月間と負の相関があることを示しています。

言い換えれば、3か月ごとにリードのパフォーマンスが悪化することが予想され、その後の3か月間はリードの増加が予想されます。したがって、これらの人々は、リードが非常に明確な四半期ごとのビジネスサイクルに従うことを確認しています。したがって、3か月ごとに、数か月の低迷と数か月の上昇が予想されます。

ただし、これは常に同じ上昇と同じ下降が3か月ごとに発生するわけではないことに注意してください。また、前の3か月ほど悪くはないかもしれませんし、100％ではありません。これらはすべて、数学と堅固な統計的背景を使用した推定値です。

しかし、これに飛び込んで、季節性分解を行ったからといって、5月が素晴らしいことを100％の確実性で予測できるとは思わないでください。これは、何が起こる可能性が高いかについての最良の推論、最良の仮説、または最良の推定を提供するだけであり、それが起こることを保証するものではありません。

そして、予測分析について少し触れました。これがどのように見えるかのビジュアルを示したいと思いますが、基本的にPPCの文脈で予測分析を行う場合、これについてのコンテンツはあまり見かけません。一般的には、生物学の概念を利用することが多く、人々がPPCにどのように適用するかを理解するのが難しいです。

一般的に言えば、過去の傾向を使用して将来のパフォーマンスを予測しようとしています。一般的な例の1つは、顧客の生涯価値を予測することです。多くのデータサイエンスエージェンシーでは、最初のタスクの1つとして、すべての製品とできるだけ多くの特徴やデータポイントを取り入れて、特定の製品や特定のコホートの顧客の生涯価値がどのようになるかの大まかなアイデアを提供しようとします。

それは、プレミアム製品を購入する人々が最初にこの製品を購入するというようなオーディエンスのタイプのコホートである可能性があります。それは市場バスケット分析のようなものです。しかし、これをPPCに簡単に適用する方法としては、リードジェネレーションが挙げられます。これに利用するためのさまざまな予測モデルがありますが、私はFacebookのプロフィットモデルのファンです。

フレッド、あなたたちもある程度それを利用していると思いますが、このモデルの素晴らしいところは、祝日を考慮に入れていることです。独自の予測モデルを構築する場合、祝日や日付の変更を毎年カスタムで組み込んで適応させる必要がありますが、Facebookのプロフィットモデルはすでにそれを予測に組み込んでいます。

この場合、青い線が一般的な予測ですが、その予測の上限と下限も示しています。これは非常に重要です。何も100％の予測ではないという点に戻ります。この場合、実際のリードの値が緑の線と赤の線の間に収まることを期待しています。

たとえば、来年は非常に良い6月になると予想しています。これまでで最高のものになるかもしれません。そして、これはクリーンなデータの堅固な基盤に基づいて構築されています。そして、季節性分解で見たものと一致しないものもあります。これは非常に興味深いです。

過去のパフォーマンスを見ると、特定の月はあまり良くないことが示されていますが、予測モデルを利用すると、それらと一致しないかもしれません。これは別のトピックですが、なぜそうなるのか、予測モデルの精度がどの程度かを調査する必要があります。

しかし、これらのモデルを常に最適化し、時間とともに精度を向上させるべきです。さて、これらをスピードアップしていきましょう。データ実験、仮説検証です。この分析では、トップ広告グループとそれに関連するURLを変更した場合のリスクと、ブログURLから製品ページURLに移行した場合の収益と広告費用対効果の期待値を知りたかったのです。

これは大規模なeコマース広告主にとって非常に一般的な質問です。検索キャンペーンでは主にブログURLを使用してきましたが、それがベストプラクティスだと言われていたからです。しかし、実際にはテストしたことがありませんでした。これは、PPCに明確に適用できる仮説検証に入る良い方法です。

この場合、最初に行ったことの1つは、ブログURLと製品URLの広告費用対効果の一般的な分布を見ました。製品URLの方が右に偏った分布をしていることがわかります。広告費用対効果が非常に高いものもありますが、ブログのほとんどは正規分布に近い傾向があります。したがって、0.5から2倍の範囲に集中しています。これは、広告費用対効果を予測する際の一般的なアイデアを与えてくれます。

右下の部分がその役割を果たします。これは、x軸、つまり水平軸がサンプル数を示しています。このモデルは、テスト回数が増えるほど、広告費用対効果の分布を示します。製品URLを使用した場合の広告費用対効果とブログURLを使用した場合の広告費用対効果を比較します。

ここで明確に見えるのは、サンプル数が増えるにつれて、ブログURLの広告費用対効果が製品URLの広告費用対効果よりも一般的に低いことです。したがって、広告グループの効率を向上させることが目標である場合、広告費用対効果に関しては良好に見えるかもしれませんが、収益についてもフォローアップする必要があります。なぜなら、パーセンテージはビジネスのためにお金を銀行に入れるわけではありません。利益、収益が実際に私たちを維持し、電気をつけ続けるのです。

したがって、広告費用対効果がどのように見えるかを知った後、製品URLの広告費用対効果が効率に関しては勝者であることがわかりますが、同じことを行って収益がサンプル数が増えるにつれて急落し始める場合、妥協する価値がないかもしれませんが、これらのタイプの分析を実行することは非常に重要です。

避けるべき一般的なデータ分析の間違いについて。いくつかのことに触れましたので、スピードアップしますが、大きなことの1つは、高校以来聞いたことがあるかもしれませんが、相関関係は因果関係を意味しないということです。したがって、PPCデータにおいてもこれらのことに非常に注意を払う必要があります。

散布図を作成し、CPCが上昇するにつれて広告費用対効果も上昇するように見える場合、それが奇妙であっても、仮にそうであるとしましょう。それがあなたの入札を増やし、その結果CPCが上昇することが広告費用対効果の上昇を引き起こしていることを意味するわけではありません。そのタイプの分析には他の要因が必要です。

小さなサンプルサイズを無視すること。これはコールの冒頭で触れましたが、信頼できるサンプルサイズを確保してください。これは、新しい広告主やビジネスオーナーが自分でこれを行おうとする場合によく発生します。特定の広告グループで過去1週間に13クリックがあり、広告費用対効果がひどいので、どうすればよいかわからないとパニックになります。

PMAXに戻るべきでしょうか？すべての入札を下げるべきでしょうか？何をすべきでしょうか？最初に見るのはサンプルサイズです。13クリックしかないので、これは完全にランダムな可能性があります。非常に小さなサンプルサイズで劇的な決定を下すことは避けたいです。

ビジネスオーナーとして理解できますが、請求書を支払おうとしているときに、これが非常に非収益的に見える場合、ビデオやこのエピソードから何かを学ぶことができるなら、それはサンプルサイズを監視し、特定のセグメントにとって何が正常であるかを知ることです。ブランド検索キャンペーンにおける広告費用対効果の正常な状態は何ですか？

特定の広告グループの通常のCPCはどのように見えますか？追跡するのは難しいかもしれませんが、Pythonやソフトウェアを使用してこれらのことを追跡し、アカウントやキャンペーン、広告グループ、キャンペーンタイプをベンチマークする方法についてすでに触れました。

これが非常に役立ちます。何クリックが十分かを考慮する際に、良い決定を下すためには、通常のコンバージョンサイクルがどのように見えるかに依存します。それが3週間である場合、まず3週間待ってから変更を加え始めるべきです。そこに何クリックがありますか？

同様の製品や何を見ているかに基づいて、通常どれくらいのクリックでコンバージョンが得られるかを考慮する必要があります。一般的に言えば、ほとんどの人は30が最低限だと言います。したがって、30のコンバージョンがあれば、統計的に健全な変更を行うことができます。すべてのアカウントは少し異なります。

6か月ごとに30のコンバージョンを待つことができないアカウントもたくさんあります。したがって、それを考慮に入れる必要があります。非常に小さなサンプルサイズで統計を利用する方法もありますが、それは非常に複雑なトピックであり、小さなサンプルサイズのためにそれらの洞察を慎重に受け止める必要があります。

これは非常に大きなポイントです。確認バイアス、サポートするデータのみに焦点を当てることを避けること。これは、エージェンシーの報告コールでよく発生します。悪いものを隠して、良いものだけを見せることです。クリック率を見てください。月ごとに35％上昇しています。そして、ROASが40％減少したことを隠しました。それをしたくありません。

しかし、分析に入るときに、自分自身でそれを行うことも避けたいです。質問に答えたいときに、先入観を持って入らないでください。このアカウントで作業を始めたことで収益が増加したことを示す証拠を探したいと思っている場合、そうではありません。

フレッド、あなたは本の中でこれについて話しました。記述的と処方的の違いについてです。私たちはすべてデータアナリストとしてのパイロットです。データを分析する方法にはさまざまなレベルがあります。そして、確認バイアスのようなものは非常に重要な役割を果たします。

FREDERICK VALLAEYS: そうですね、データはあなたが望む物語を語ることができます。そして、GPTを使用することができます。Optmyzrでのサイキックの興味深い例を使用しました。クライアントミーティングで使用できるメトリックに基づいて、良いニュースを教えてくれるようにプロンプトを与える方法があります。

これは会話をポジティブなノートで始めるのに非常に役立ちます。そして、GPTに対応するクエリがあります。今度は、どこで改善できたか、どのように改善できたかを教えてください。クライアントが満足し、物事が正しい方向に進んでいることを理解した後、さらに良くできることに焦点を当てましょう。

しかし、それは常に同じデータであり、どのように提示するか、どのようにフィルタリングするかによって異なります。

CORY LINDHOLM: それは素晴らしいですね。さて、オーバーフィッティングについてです。これはもう少し複雑なトピックですが、モデルを構築する際には、新しいデータに一般化できるかどうかを考慮する必要があります。

非常に一般的な例として、クラスタリング分析を行う際に、K平均クラスタリングを使用して、カタログ内の製品がどのように異なるショッピングキャンペーンにまとめられるべきかを判断することがあります。非常に一般的な分析です。したがって、設計したK平均クラスタリングアルゴリズムを使用する場合、新しい製品がそのK平均クラスタリングに流れ込む際に、モデルがそれらの新しい製品にうまく一般化できることを確認する必要があります。

物事をオーバーフィットさせないようにし、数学が非常に良い予測を示していないにもかかわらず、それが素晴らしい予測であるかのように感じることを避ける必要があります。モデルの精度を評価する際には、それらを考慮に入れる必要があります。右側と下側のビジュアルは、統計的に有意であるかどうかを評価する際に通常見るものです。

これは、ソフトウェアに組み込んだもので、特定の期間と前の期間を比較した際に、P値を利用して統計的に有意な変化を示すメトリックのみを提供します。再び、高校の統計に戻るわけではありませんが、P値は、95％の信頼度を持ちたい場合、0.5以下のP値を見たいです。この場合、クリック率、CPC、日付ごとのコンバージョン、ROASは、イベントが発生して以来、特定の期間に統計的に有意な変化を示しています。次に、データに掘り下げて、これらのメトリックに焦点を当てることができます。なぜなら、それらが統計的に健全なデータを持っていることがわかっているからです。

他の指標も確認して考慮すべきですが、数学的には、特定のイベントを評価するにはまだ準備が整っていないことを知っています。本当に、本当に重要です。では、これをまとめましょう。PPCデータ分析のためのFredのツールと技術についてです。Optmyzrを使っていないなら、正気じゃないですよ。彼らは常に構築し、革新しています。

Optmyzrをぜひ利用してください。これは私がポッドキャストに出演しているからだけではありません。私は本当にこの会社を信じています。創業者は非常に賢い人で、彼が何をしているのかを理解しています。PPCのニーズにOptmyzrを活用してください。私はデータの視覚化とレポート作成が大好きです。カスタマイズが本当に好きなので、TableauやPower BIのようなツールを使って、データの中で何が起こっているのかを伝えることができます。

これは、週次、月次のレポート、ステークホルダーに対するトレンドの説明に最適です。これがデータストーリーテリングの力です。業界では、ただグラフを見せてステークホルダーが何が起こっているのかを理解することを期待するのをやめる必要があります。

それぞれに長所と短所があります。皆が私にどれが一番良いかを尋ねますが、最良のものはありません。実験して、自分の特定のニーズに最も合うものを選んでください。Google Analyticsについてはたくさん話しました。スプレッドシート、Excel、Google Sheetsもあります。私はExcelが好きです。Google Sheetsは私には遅すぎます。

もちろん、スクリプトの出力がある場合、それはGoogle Sheetに入りますが、通常はそれをExcelやPythonに取り込んでいます。最後に、プログラミングに関してはPythonやRです。高度な統計分析に最適です。これまでに見たすべてのものが素晴らしいです。

実際に行った分析です。これらは最近の分析で、Pythonを利用しました。もし本当に興味があるなら、RやPythonを学ぶことを強くお勧めします。一般的に、PythonはRよりも少し使いやすいです。しかし、プログラミングを少し学び、Chat GPTを使って進めることができるのです。

FREDERICK VALLAEYS: 素晴らしいです。そして、Optmyzrと私自身への称賛に感謝します。本当に感謝しています。他の素晴らしいツールもたくさんあります。Pythonコードを生成するためにGPTを使用する際の小さなヒントですが、それを保存し、検証してください。明日同じコードを書き直すと、異なる結果が出ることがあり、誰が間違いを犯しているのか分からないことがあります。

そして、もしクライアントに行って、その分析を何千回も使用しているのに、その日GPTが変わって間違った答えを出し、クライアントの前で恥をかくことになったら、それが最悪の事態です。動作することが分かったら、それを保存し、再利用を開始し、出力の信頼性と一貫性を実現できます。

CORY LINDHOLM: その通りです。そして、私が言ったように、AIにスクリプトを書かせるレベルに行くなら、t検定とANOVAの違いを知る必要があります。これらのことを知っておく必要があります。基礎を知っておく必要があります。もしそれが関数を提供してくれたとしても、その関数がどのように機能するのか理解していないといけません。

Fred、私はそれが一般的にPythonのコーディングやデータ分析のベストプラクティスに従っていないことを発見しました。データ分析プラグインを使用しているときでさえ、それは物事をスキップする傾向があります。それは私がそれらのことを知っていると仮定していますが、コードを見てQAすると、なぜそのテストを使用するのかと思います。

それはひどいアイデアです。しかし、そこにあなたのドメインの専門知識が必要で、基礎を知っておく必要があります。さもなければ、素晴らしいと思っている大きなスクリプトを書いてしまうかもしれませんが、それは基本的に欠陥があるのです。データ分析と統計分析の基礎を知らなかったからです。

FREDERICK VALLAEYS: そうですね。素晴らしいアドバイスです。ありがとう、Cory。

CORY LINDHOLM: もちろんです。さて、皆さん、将来のトレンドに関するスライドがありました。時間が全くないことは分かっていますが、少し触れておきたいと思います。オープンAIの中で広告が行われていること、ショッピング広告、検索広告、関連する記事などがあります。

しかし、少なくとも言及しておきたいのは、これはおそらくPPCマーケターとして私たちに影響を与えるだろうということです。AIアシスタントの利用です。検索用語にいくつかの変化が見られるでしょう。そして、これらの広告がここに入ってくると、それが役割を果たすことになります。非常にモバイルファーストの広告です。

長い間聞いてきたことです。

FREDERICK VALLAEYS: そうですね、大きな変化があると思いますが、その移行を行うために数年はあると思います。今日カバーしたすべてのことは絶対に意味があります。ただ、私たちは生成的アシスタントがあなたについて多くのことを知っている世界に向かっていると思います。

それは基本的にあなたがどこに行ったのか、何を見たのか、何を見たのか、何を尋ねたのかの記憶を含んでいます。したがって、キーワードが何か、オーディエンスが何かといったことの重要性は、アシスタントがあなたをどのように理解するかに比べてはるかに少なくなります。そして、それが私たちが本当にクエリを行い、これまでに行ったことの相関関係を見始めるのを難しくするでしょう。

それはもう私たちが何かをするのではなく、広告主として生成的アシスタントが私たちの代わりに物事を見つけ出すのです。そして、それをどのように操作するかが大きな問題であり、それを一緒に解決しなければならないと思いますが、それまではCoryのベストプラクティスをすべて使用し、これらの重厚な統計をたくさん使用して、素晴らしい洞察を得てください。

今日Coryが見せてくれたものの中には非常に高度なものもあり、他のものは始めやすいものもあります。統計を初めて行う人にとって、どのように始めるべきかについて何かアドバイスはありますか？

CORY LINDHOLM: そうですね。AIのバンドワゴンに乗っているように聞こえるかもしれませんが、本当にAIは、言語を最初に扱うタスクです。それは人々に非常にうまく説明することができます。正直に言うと、そこにはいくつかの間違いがあることを理解する必要があります。それがチャットGPTがいくつかの間違いをするかもしれないと言っている理由です。情報を確認してください。しかし、それは学ぶための素晴らしい方法です。

過去にはなかった大きな利点です。PPCにデータ分析を適用する方法をもっと学びたいと思ったときに、いくつかの出発点を提供してくれます。そして、フォローアップの質問をすることができます。これが何を意味するのかをもっと詳しく説明してもらえますか？多変量テストとは何ですか？そして、もっと学んでいくことができます。興味があるなら、コードを少し学び始めることを強くお勧めします。

チャットGPTからの回答を得たとき、分析を実行しているときに、そのコードを展開することができます。それはPythonコードを使用しています。ですから、それは魔法ではありません。私が自分で行っているのと同じコードを実行しているだけです。基本的に、それを分解して、どのコードを最も使用しているのかを確認し、それがなぜ使用されているのかを考えることができます。それらを取り入れて、自分のPythonスクリプトを書き始めることができます。データ分析のためにそれらのツールを学ぶために使用することを強くお勧めします。統計の基礎を学びたい場合は、良い本がたくさんあります。『Naked Statistics』は面白いタイトルですが、統計の基礎についての素晴らしい本です。

彼はそれを非常にユーモラスにし、楽しい旅にしてくれます。そして、もしこれがすべてあまりにも複雑に聞こえ、全く興味がない場合は、私を雇うことができます。adsbycory.comで私を見つけることができます。コンサルティング、アカウント管理、またはあなたの代理店やスタッフのためのトレーニングに興味がある場合は、連絡してください。

LinkedInでも私を見つけることができます。私は定期的にそこに投稿しています。また、YouTubeではCory Lindholmとして活動しており、ポッドキャスト「PPC Unfiltered」を共同ホストしています。これは2人のスペシャリスト、つまりこの分野のスーパーオタクが行っているもので、私たちは約20年間一緒にやってきました。私たちは完全に無修正で、良くも悪くもあります。

そして、私たちは実際にアカウントを管理しています。最新のトレンドについて話すだけのコンテンツの専門家ではありません。すべてについて話し、最前線にいます。面白くて非常に教育的なポッドキャストを視聴したい場合は、毎週またはそれに近い頻度でビデオを投稿しています。

FREDERICK VALLAEYS: 素晴らしいです。Cory、素晴らしい専門知識を共有してくれてありがとう。そして、視聴してくれた皆さん、もしこれらのエピソードをもっと見たい場合は、下のボタンを押して購読し、Coryに対する質問があればコメントに書いてください。彼はそれを見て答えてくれるでしょう。

ショーノートを説明に入れていますので、スライドを見たい場合はそこにあります。再びありがとう、Cory。またすぐに別のエピソードでお会いできることを楽しみにしています。

CORY LINDHOLM: 喜んで。ありがとう、Fred。