...

异常检测示例:在谷歌广告PPC数据中发现异常不再困难

谷歌SEM
example of anomaly detection it is no longer difficult to
期待意外。 这句话的意思是让我们保持警觉,因为每个人都会在某个时候经历过,事情很少按计划进行。 异常检测示例 从本质上讲,它教会我们期待异常。 当然,如果我们从字面上理解这句话,这是一个矛盾的说法。你不能指望自己出乎意料的事情。 异常情况也是如此。从本质上讲,这些事件与粮食背道而驰。它们与我们的预期或计划相反,这使得它们无法预期。 充其量,营销人员希望捕获异常检测示例。换句话说,他们希望识别数据中的异常情况,对其进行分析,并且仍有时间采取行动。 在本次讨论中,我们将探讨异常检测在 PPC 营销中的重要性。您将学习重要的异常检测技术,这些技术将在您自己的广告系列中为您提供帮助。 让我们开始吧。

如何理解异常检测示例

在深入研究特定的异常检测示例之前,让我们回顾一下数据和异常的一些基础知识。

什么是异常检测?

在任何数据集中,都存在被认为是正常或预期的模式、趋势和其他事件。 例如,您期望您的销售额会随着您的业务增长而增加。或者,您还预计您的 PPC 广告获得的点击次数越多,您的网站产生的转化次数就越多。 当事件的现实与这些预期不符时,就会出现异常情况。尽管您的广告点击次数增加了,但您的转化次数却在下降。 这些异常事件对于检测和分析非常重要。有时,它们代表机器中的一个故障齿轮,可能会减慢或破坏您的整体性能。   异常检测是您在数据集中发现这些异常事件所必须采取的过程。它正在查找不属于或不符合通常行为的项目。 通过使用适当的异常检测技术,您可以发现数据中发生的问题、机会和其他事件。

异常类型

异常有不同的形状和大小。了解这些不同类型将帮助您浏览本指南后面部分中的每个异常检测示例。

1-点异常

这是数据中最常见的异常行为形式。点异常只是异常值。当一个数据点与其他数据点相距甚远时,它们就会发生。 例如,如果您查看一周的每日温度,您可能会发现某一天比其他天明显更热或更冷。这是一个点异常。 业务用例:检测通常在过去几个月中从未收到过的周日突然转换。 当您绘制数据图表时,很容易发现点异常。数据中的任何显着峰值或下降都是检测异常的可靠线索。

2- 上下文异常

在这里,需要检测异常的上下文背景。没有这个背景,事情甚至可能看起来很正常。只有掌握了这些基本知识,您才能全面了解。 假设您的企业某天开展了一项特别促销活动以推动更多销售。此促销活动过去很成功,因此您预计该日期的销售额会飙升。不幸的是,这一次它不起作用。 业务用例:您在圣诞节前和圣诞节期间为您的广告系列提供 50% 的折扣,因此您的广告预计会获得大量点击,但您没有获得任何异常点击。 您知道这是一个异常情况,因为您有在这一天举行促销活动的背景。然而,如果没有这些信息,异常就会在纸上丢失。这看起来像是另一个典型的销售日。

3- 集体异常

这些异常现象在表面上并不明显。您无法通过查看单个数据集来检测它们。相反,您必须结合不同的指标和维度来查看超出规范的模式。 集体异常在 PPC 营销分析中是相对标准的,因为有很多维度和目标选项在起作用。总体上很容易丢失这些见解。 例如,您的整体点击次数看起来​​不错,但是当您向数据添加其他维度(设备类型、位置等)时,您可能会发现效果并不像最初想象的那样规律。

4- 反相关异常

您的数据中通常存在已知或确定的相关性。例如,存在一个相关性,即如果数据点 A 增加,那么点 B 也会增加。 许多这些相关性存在于 PPC 营销中。如果您的广告获得更多展示次数,您的点击次数(大多数情况下)也会增加。反过来,更多的点击会带来更多的转化等等。 当数据执行与预期关系相反时,会发生逆相关异常。您的展示次数会增加,但点击次数不会增加。您的点击次数增加了,但您的转化次数却减少了。  

异常检测技术

我们已经确定异常检测是在您的数据中发现异常点的过程。现在,我们需要讨论如何进行这个过程。什么是最好的异常检测技术?

1-手动方法

多年来,即使在企业中,异常检测也只能手动完成。你会查看你的电子表格、销售数据等,并寻找不合适的数字或项目。 考虑以下异常检测示例: 异常检测示例 您可以立即发现该组中的异常值。 最好的情况是,手动异常检测器可以检测到异常值。仅靠手动分析很难发现更复杂的异常类型。 异常检测示例 通过这个异常检测示例,您仍然可以手动检测异常值,但它比上面的示例需要更多时间。 异常检测示例 因此,手动方法是最差的异常检测技术。现代技术、复杂的数据系统、人工智能和其他进步已经使手动异常检测过时了。

2- 可视化方法

在数字时代,手动异常检测方法甚至稍微可行的唯一方法是通过数据可视化。 人脑的设计不是为了在纸上进行数字处理和分析大量数据。然而,它被训练来吸收、分析和理解视觉信息。 当您绘制数据图表时,异常会变得更加明显。考虑以下反相关异常检测示例: 异常检测示例 您可以立即判断出问题所在。正如预期的那样,展示次数和点击次数稳步上升,但点击次数线突然出现了分歧。 可视化方法允许您检测比手动方法更高级的异常。缺点是您可能必须比较多个图表才能检测到集体异常。

3- 计算机化异常检测

多年来,企业增长了越来越多需要分析和检查异常的数据。手动异常检测不再破解它了。 现在,最好的异常检测技术已经计算机化。这些是唯一能够处理现代大数据的工具。这些工具使用简单到高级的统计方法来扫描您的数据中的异常值。 更复杂的算法能够进行更深入的异常检测。随着机器学习和人工智能的进步,计算机化异常检测可以识别营销数据中隐藏的异常值和其他异常行为。  

PPC 中的异常检测

随着您的 PPC 活动始终产生大量数据,您必须采用适当的异常检测技术。 毕竟,当有更多数据在发挥作用时,异常的数量就会增加。这意味着对适当异常检测技术的需求也在增加。

分析 PPC 性能的重要性

PPC 性能会立即发生变化。由于 PPC 指标具有如此密切的相关性,因此您对 Google Ads 帐户所做的每一次调整都会产生连锁反应,可能会导致意想不到的结果。 更不用说,观众改变他们的搜索行为、竞争对手改变他们的策略或谷歌更新平台都会共同影响你的 PPC 表现。 掌握这些持续变化对成功至关重要。如果您无法调整广告系列以适应最新的客户和竞争环境,您将难以实现广告目标。 优化 PPC 活动绩效的关键是识别风险和机会。风险是您的广告系列中的问题,如果您不迅速正确地解决这些问题,可能会降低效果。 机会是对您的指标的积极变化,您希望利用这些变化来最大化其利益。 从本质上讲,分析付费搜索性能会向您展示哪些有效,哪些无效以及需要改进的地方。如果没有这个关键的分析,你的策略就会盲目。

PPC中异常检测和分析的挑战

虽然分析 PPC 性能是必不可少的,但它也极具挑战性。PPC 数据产生了几个麻烦的障碍。 首先,您必须克服数据的庞大规模。如果您经营一个大型 Google Ads 帐户,那么您正在分析数百个广告系列、数千个广告组和数万个关键字的数据! 有很多东西要管理。 第二个挑战是数据的速度。每一次广告互动都会产生有价值的信息,帮助您衡量您的 PPC 效果。 您需要跟踪这些交互以测试当前的 PPC 环境并知道如何最好地调整您的策略。 然后,PPC 数据的复杂性。您必须同时跟踪多个指标和维度。此外,您需要考虑广告系列中存在的许多相关性和关系。 所有这些挑战都使异常检测变得困难。从本质上讲,您试图在高度复杂的数据中检测出意想不到的模式,这些数据一直在变化。 这并不容易。  

从不同角度查看数据

大多数 PPC 异常是集体类型。回顾一下,这个异常检测示例是通过分析多个维度的指标找到的。 这是一种出色的异常检测技术,因为每个维度都提供了查看数据的新角度。 每一个新的角度,你都会获得更多的信息——更多的碎片来解决你的竞选目标。 考虑下面的图表。 异常检测示例 这个简单的 PPC 可视化显示转化率正在稳步增长。这是一个很好的迹象,对吧? 如果您在转化旁边添加点击数据会发生什么? 异常检测示例 现在,您会发现点击次数的增长速度比转化次数要快得多。理论上,这两个指标应该以相似的速度增长。这是一个反相关异常的例子。 仅从一个角度(维度)测量数据只能看到大局的一小部分。通过在等式中输入添加的指标和/或维度,您会看到更完整的视图。 让我们看另一个异常检测示例。 异常检测示例 此图表显示了一天中不同时间的转化。您会发现,除了深夜和清晨之外,全天的转化率都是一致的,这是预期的。 如果您获取相同的数据但按移动设备类型查看,您会看到略有不同的图片。 异常检测示例 当您按一天中的时间比较桌面与移动转化时,它会变得更加有趣。 异常检		</div>
				</div>
				<section class=
标签 :
分享 :

目录

有许多问题?

欢迎随时与我们联系,分享您的需求,我们竭诚为您解答疑问,提供专业服务。期待听到您的来信或来电!