通过5个步骤了解在线广告投资回报率

如果您是像我这样的营销人员,有时会在以下3个业务问题中被问到您。

  1. 我们的在线营销是否在推动转化或以任何方式与销售业绩相关?
  2. 什么是广告支出回报率(ROAS)? 投资回报率是多少?
  3. 如何提高在线广告的投资回报率?

尽管大多数营销人员同意证明营销活动的投资回报率和确保预算是他们的头等大事,但大多数营销人员对所需的技术并不了解。 自从我写了《营销组合建模》如何衡量营销活动的有效性以来,我将把重点放在提升模型上。

什么是隆升建模?

提升建模(也称为增量建模,真实提升建模或净建模)是一种预测建模技术,可以直接对时间序列(例如,数字营销策略,例如展示广告)的设计处理(例如数字营销策略)的增量影响进行建模。 ,销售)。 例如,展示广告系列产生了多少额外的每日销售额? 在在线营销中,您可以衡量展示次数,参与度,转化次数或转化频率的提升情况。

提升量的计算方式是:暴露于治疗的时间序列(测试组)与未接受治疗的对照时间序列(对照组)相比,每个指标的增加或减少百分比。 通过隔离诸如创意复制或不同类型的在线广告之类的治疗策略所驱动的业务价值,然后将其与业务成果联系起来,营销人员可以确定有效性并调整预算和策略以提高未来的ROI。

它是如何工作的?

给定一个测试时间序列(例如,销售)和一组控制时间序列(例如,在不受影响的市场中的销售),该模型将构建并预测一个反事实的时间序列,即,测试时间序列在调整后会如何演变。如果从未进行过治疗,请接受治疗。 然后,该模型计算实际测试时间序列与反事实时间序列之间的差,并得出真实的上冲量。

如何进行隆升建模?

步骤1.选择2个在粒度方面与处理匹配的时间序列。 例如,如果广告是在邮政编码级别执行的,则销售也需要在邮政编码级别进行汇总。 如果销售只能在城市一级进行衡量,则广告也应在城市一级实施。

步骤2.以显示相似历史模式的方式选择测试时间序列和控制时间序列,即测试城市的销售需要展现与控制城市的销售类似的历史趋势。 有许多统计工具可以计算2个时间序列的相似度,例如MatchingMarkets,SampleSelection

步骤3.实施处理,例如SEM广告上线

步骤4.在诸如CausalImpact之类的统计工具中运行后处理测试时间序列,以计算是否存在统计学上显着的提升。 要填充丢失的数据或替换意外的异常数据点(例如,由于假期影响),请使用Facebook Prophet之类的R包。

步骤5.通过在控制时间序列上运行CausalImpact,验证是否满足建模假设,即控制时间序列不受处理的影响。 我们希望不会发现任何重大影响,即控制时间序列的反事实估计和实际控制时间序列应合理接近。

注意事项

  • 提升模型会产生许多战术信息,但对于更广泛的战略问题却还不够,这些问题包括:花费多少,在哪里花费,用于哪种品牌策略? 这些更多是在营销组合建模领域。
  • 在实践中,治疗通常执行不力或扩散到对照组。 所选的测试组可能与对照组有内在的差异,从而破坏了测试的有效性。 缺乏对战术执行的精确控制可能会使对照组受到治疗。
  • 不知道最佳支出水平可能会导致支出不足,这不会产生统计学上显着的提升,这可能导致错误的负面结论,即治疗策略无效。 当然,超支不利于ROI。

在这里阅读我的其他想法。