如何优化谷歌广告投放？–数据驱动

我的文章首发在公众号，之后同步到CSDN，知乎，还有个人博客:haiwaibiji.com.

如何优化谷歌广告投放？这是很多新手都会想知道的。在谷歌投放广告，无论你通过什么方式，最后落地的，都是数据。

因此我，非常推荐以数据出发，去做广告优化，而不是根据所谓品牌啊，用户心智啥的去做，我可以很直白的说，都是浪费钱，浪费时间。

一，明确数据分析目标

无论是出了问题、还是业务上需要做数据挖掘，数据分析，都需要先明确自己分析的目标。

目标应该尽可能满足SMART法则，中的smar四项是必须的。

如果目标无法明确（specific）。

那么与上级，与同辈们多讨论下，是否有其他方式可以更明确我们的目标。
例如，利用广告达成强大的品牌效应。

强大的品牌效应是什么，强大的指标是如何？这是不明确的目标。

如果目标无法测量（measureable）

在保证目标是正确的前提下，把无法量化的指标，通过合理的方式去指标化。通常会采用分析法，标签法等统计学方式，去做维度拆分。

例如，培养潜力人才。

如何为潜力？潜力可分为学习能力，模仿能力，总结归纳，逻辑表达能力等等，针对每个能力维度，可做明细的测试题以及能力考察评分。

如果目标无法实现（achieveable）

要变换思路；可通过向外去拓展资源，或者向内去梳理清楚哪些是可以做的。

例如：IOS 14断了设备追踪ID。

我们是否能向外部appsflyer找解决方法，或者调整我们内部归因问题。当然可以选择跟苹果投诉，但这是实现概率是很低的。

如果目标无相关性（relevant）

分析中可能会有一些结论或者内同不了解，盲目确定目标，就会与实际情况背离，那么一定要与目标相关性强的部门，人员，业务做好协调配合多，有利于更好理解目标。

例如：广告在巴西突然跑疯了，是否与巴西业务有关，则需要去做协同了解。

总得来说，数据分析的目标，是要找到通过数据逻辑，去找到一个明确的，可以测量，同时可以被我们力所能及能改变的事实。

而且我们后续为之的努力，是能够影响该事实进程的。

二，从业务流程出发

流程思路1：从大到小

从市场-全盘-渠道-项目-个人，业务流程的梳理。

流程思路2,：满足MECE，金字塔原则

从横纵两个维度出发，做到不重不漏，保证每个节点都能被串联起来。

流程思路3：抓住关键点，明确数据影响范畴

做到不重不漏意味着有大量的节点需要被关注，但并不是每个节点都需要花费精力。因为每个数据所代表影响的环节是有限的，明确每个环节中的关键节点是非常重要的，同时还得清楚他们影响的范围和边界。

屏幕前的你，可以对着下面的沙盘进行推演，如果你来分析，你会怎么分析？

分析沙盘推演

背景：个人巴西谷歌广告ROI出现异常升高，约上升180%

分析思路流程

层面	查看内容	状态
市场	整体市场是否波动	无异常
站点	巴西渠道是否波动	无异常
AF归因情况	AF归因情况是否异常	无异常
SEM渠道	巴西是否波动很大	有异常
SEM渠道	整个渠道是否波动很大	有异常
SEM细分渠道	细分渠道中是否只有谷歌渠道异常	SEM全体异常
巴西协同	巴西协同是否异常	无异常
个人广告	巴西广告是否异常	无异常

合理推断：市场，大盘，运营，广告，都无异常，那可能AF数据归因到内部数据异常，需要技术排查。

三，数据分析三板斧

这三板斧是行业内认可度较高的分析流程

1，对比

对比变化的数据，在同维度（时间，国家，投放方式，同周期）下，具体的差异点是什么，变化幅度多大，是否超出经验范围。

举个例子：最近气温波动高。

那统计早上跟傍晚的温差，对比日常的温差，就能知道是否最近气温波动高。

2，细分

A，在明确数据异常的情况下，按业务构成，逐一排查

例如：ROI持续下降。

查看广告是否正常运作，查看国家ROI下降趋势，查看实际ROAS值的差距。在毫无异常的情况下，再查看着陆页，关键词。

B，针对异常数据的结构组成，逐一拆分同一指标下不同数据结构的差别。

例如：某个广告花费异常。

组成这个花费的结构有时效、素材、广告受众、关键词等，通过对异常花费时间的花费结构拆解，明确在这些细分结构上哪些出现异常，即可检查出哪些问题是对异常数据产生主要影响的根本原因。

3，溯源

当明确细分业务、数据结构上的问题，就可以根据异常去做溯源分析。这个分析主要是找到影响细分数据异常的因素做拆分。

案例：

背景：2020年10月份，某几个SDS广告花费异常。

对比、细分：

经过拆分发现英国的关键词费用在午夜1点的时候突然暴涨导致。

溯源：

对关键词进行分析，发现关键词80%的花费集中在iphone12，iPhone等与广告极度不相干的关键词上。

操作：

手上所有的全球广告都排掉相关暴涨关键词。上报异常给谷歌渠道，检查异常关键词触发广告的原因。

四，数据验证

当数据分析已然得出结论后，常见会存在两种情况；

1，数据误判

数据分析得出的结论所产生的操作并不能解决实际问题。

例如：从数据分析的角度发现，谷歌出价的ROAS与广告ROI有明显正相关关系；但实际操作中，通过提高广告的ROAS出价，并不一定会出现广告ROI增长的情况，相反可能会下降。

这实际上也是数据分析里面 相关性 与 因果性 的区分问题。

我们可以直观得到两组数据的相关性，但他们是否因果关系，就需要更多维度、数据去做验证判断。

这也是数据分析上的一个难题。所以在做数据分析之后，一定要做数据验证，来推测你的结论是否正确，是否有误判到。

2，归因复杂

正如上面提到我们很难验证数据的之间的因果性，是因为导致一项结果的原因存在多个，甚至他们的影响的范围都各不相同。

因此，我们常常在分析中会找到好几个对目标影响较大的因素结论。

基于以上两点，得出数据分析结论之后，不能够贸然给事情盖棺定论，需要在后续的操作中快速对数据分析的结果做出多次数据验证：

一来要检测数据分析是否误判；

二来要检测数据各个细分归因的影响范围及其重要程度。

五，文档记录

所有的数据情况，数据分析，数据验证过程，最好保持记录文档、excel数据的习惯，针对每个环节的影响程度做出记录文档。

有利于在出了问题之后，快速定位位置；有利于项目对接；有利于更专业把控每个业务环节。

以上是，谷歌优化广告投放的思路，数据驱动。

其实只能算是抛砖引玉，因为实际上这里面提到的方式方法，是做研究，做分析，做学科时候常用的。

简单来说，就是把每一次投放，当成一段实验，而不是把每一次都当成必须要高额回报的投放。

当然，这不是每个人能接受的。

很多时候，投手都是用钱砸出来的，因为知道痛，知道哪条路是锁上的，就坚决不做，但这种心态和想法，是需要无数个ROI为1，为零点几的广告砸出来的，这就会让很多老板望而却步。