30 000 个帐户教会了我们关于机器学习和 PPC 的知识

已发表: 2017-12-14

多年前，我们的团队构建了自我改进的机器技术，可以比任何人更快、更好地实现投标和预算管理，使用的数据比一个人所能考虑的还要多。该技术由拥有其他早期人工智能专利的火箭科学家创造，包括 30 多种复杂算法。这不仅仅是一个自动化的、基于规则的系统，它实际上在不断地自我改进，使其成为我们在 SEM 行业中最接近人工智能的东西。

我们被问到很多关于我们称为 Acquisio Turing ^TM的机器学习技术以及营销人员可以从中获得什么类型的结果的问题，因为代理商和营销人员已经厌倦了来自 martech 提供商的说法。所以我们的团队开始对我们的机器进行测试。

我们想准确了解营销人员可以从 Acquisio Turing 获得什么样的营销活动结果与不在此技术上的帐户相比。下巴会掉下来，数据会飞，头会滚……你准备好用一些机器学习数据弄脏你的手了吗？开始了！

研究参数

实际研究包括 2015 年 9 月 1 日至 2017 年 4 月 1 日期间共有 32,858 个帐户，其中一些在 Acquisio Turing以及其他没有比较从激活日期起第 1 个月到第 3 个月的结果的人

如下面的第 1 课至第 4 课所示，我们选择同时报告平均值和中位数，因为非常大的收益可能会主导平均值，从而扭曲预期。例如，如果我们的一位客户的转化率增加了 3000%，而其余客户的转化率在 50% 到 100% 之间，则由于异常值，平均值会被拉高。中位数不太容易受到异常值的影响。

对于第 5 课和第 6 课，我们查看了 Acquisio Turing 上的所有帐户以及那些没有被发布商网络（AdWords 或 Bing）打破的比较。

第 1 课：账户既是苹果也是橙子

并非所有广告系列都是平等创建的。一场运动的成功取决于很多因素。一个活动可能有高预算，另一个可能有更短的时间框架，一个可以销售更受欢迎的产品，而另一个几乎没有竞争。为了理解任何事情并获得具有统计意义的数据，帐户比较应该只在相似帐户之间进行。

我们必须正确地对数据进行切片并将苹果与苹果进行比较。由于 Acquisio Turing 是一种出价和预算管理工具，因此在衡量每次点击成本、点击率、每次获取成本和转换时，比较具有相似预算支出的帐户非常重要。因此，为了确定这些指标，我们在正负 10% 范围内过滤了类似支出的账户，留下了 8,235* 个账户。

*在计算平均值之前，通过将分数视为对数正态分布并使用中值绝对偏差方法来去除异常值。

第 2 课：降低每次点击成本 (CPC)

人们转向谷歌搜索服务。谷歌允许广告商进入搜索结果并按潜在客户收费。每次点击成本是 Google 创建的指标，用于确定广告商每次点击广告时将支付的费用。营销人员很高兴他们的搜索广告活动的成本只有在活动有效时才会增加。然而，尽管点击的质量很高，但这些潜在客户是有成本的。

对于具有可比性的 8,235 个帐户，我们观察到第一个月和第三个月的每次点击费用平均下降了 7%。该组的中位数下降了 10%，这意味着 Acquisio Turing 上一半的帐户的 CPC 下降了 10% 或更多。总体而言，大约三分之二的 CPC 有所下降。

是的，较低的每次点击费用！

第 3 课：增加点击次数

虽然点击并不是唯一重要的事情，因为它们可能由于多种原因无法转化，但我们都希望获得高质量的点击——来自感兴趣的潜在客户的着陆页的真实流量。

我们看到，前三个月的点击次数平均增加了 15%。同样，第一个月和第三个月之间点击变化的中位数为 8%，这意味着 Acquisio Turing 上一半的帐户的点击增加了 8% 或更高。总体而言，59% 的人看到点击次数有所增加。

感谢机器学习带来的点击！是时候做一些转换了……

第 4 课：每次转化成本 (CPA) 减少和增加转换

CPA 是广告客户为每次转化支付的金额。转化是任何 PPC 活动和一般广告的最终目标。但是，有时很难跟踪转化。从 UTM 到标签管理器甚至第三方软件，事情很快就会变得一团糟。

在预算支出在 10% 以内的 8,235 个帐户中，只有 2,490 个*在跟踪转化，这意味着对于我们研究的转化部分，我们比较了不到 2500 个 PPC 帐户。

在跟踪转化的帐户中，CPA 变化的中位数下降了 18% 或更多。这意味着一半或更多的客户将每次收购的成本降低了 18% 或更多。总体而言，该组 64% 的人看到 CPC 有所下降。

在跟踪转化的帐户中，我们观察到转化次数增加了 71%……这让我们的团队都喜欢：

通过 GIPHY

但是，为了保守起见，我们应该始终关注转化率变化的中值，即第一个月到第三个月的转化率增加了 22%。这意味着该组中有一半的人将转化率提高了至少 22% 或更高。总体而言，62% 的使用机器学习的帐户的转化次数有所增加。

现在这是要写回家的事情了！

*在计算平均值之前，通过将分数视为对数正态分布并使用中值绝对偏差方法来去除异常值。

第 5 课：几乎每次都能达到预算

预算实现并不总是被认为是一个关键指标。最近，我们在博客上写了一篇关于为什么预算达到应该是 KPI 的文章：

“如果 PPC 营销人员超支预算，出于显而易见的原因，这是一个问题。即使超支意味着实现另一个重要的 KPI（如转化），客户也可能根本没有多余的钱；因此，首先分配预算。如果 PPC 营销人员的预算不足，客户会问为什么他们没有将所有资源投入到获得最大结果中。同时，如果每个月的投资都不同，没有人可以始终如一地衡量投资回报，因此数据完整性也存在风险。最终，如果 PPC 营销人员无法准确且始终如一地花费预算，客户就会希望将钱花在有能力的人身上。”

考虑到这一基本原理，PPC 营销人员逐月达到预算非常重要。我们想看看机器学习是否可以帮助他们做到这一点。为了回答我们的预算实现问题，我们将使用机器学习技术的账户与未使用的账户进行了比较。我们还必须考虑那些在 AdWords 上使用它的广告系列以及正在运行 Bing 广告系列的用户。我们总共查看了 32、858 个帐户：

12, 651 人在 AdWords 上使用机器学习
11,094 人未在 AdWords 上使用机器学习
6,342 人在 Bing 上使用机器学习
2,771 人未在 Bing 上使用机器学习

平均预算达到

对于 AdWords，我们发现与未使用 Acquisio Turing 的帐户相比，帐户按预期安排和支出预算的可能性平均高出 3.4 倍。

对于 Bing，我们发现帐户使用 Acquisio Turing 的速度和支出每月预算的可能性是未使用的帐户的平均 11 倍。

如果我们按预算支出细分数据，我们会发现以下内容：

与未使用机器学习的帐户相比，每月花费低于 500 美元的帐户在 AdWords 上达到预算的可能性是其 3.1 倍，在 Bing 上是 11.3 倍。
与未使用机器学习的帐户相比，每月花费在 500 美元到 1500 美元之间的帐户在 AdWords 上达到其预算的可能性是其 2.3 倍，在 Bing 上是其 10.1 倍。
与未使用机器学习的帐户相比，每月花费超过 1500 美元的帐户在 AdWords 上达到其预算的可能性是其 5.2 倍，在 Bing 上是 18.6 倍。

第 6 课：账户的平均生命周期价值 (LTV) 增加

帐户在平台上的停留时间可能意味着一些好事。首先，成功的活动比那些表现不佳并被暂停或取消的活动更有可能继续下去。其次对于代理商、经销商或渠道合作伙伴来说，这意味着更多的钱。根据这个更长的生命周期价值所代表的账户数量，它可以大规模提供更多的年收入。

为了确定 32,858 个账户的 LTV 会发生什么变化，我们按照使用机器学习技术的用户和未使用机器学习技术的用户对它们进行了分类。我们发现，那些使用机器学习技术的人在 AdWords 上的寿命比不使用机器学习技术的人长 1 个月，在 Bing 上的寿命要长两个半月。

机器学习可以教你什么关于 PPC 的知识

由于我们应用于这项研究的机器学习技术不断自我改进，每天都在变得更聪明，我们预计上述结果只会变得更好。

TLDR 总结：

为了理解任何事情并获得具有统计意义的数据，帐户比较应该只在相似帐户之间进行。
使用机器学习的账户中有一半的 CPC 下降了 10% 或更多。总体而言，大约三分之二的 CPC 有所下降。
一半使用机器学习的帐户的点击次数增加了 8% 或更高。总体而言，59% 的人看到点击次数有所增加。
一半或更多的客户将每次收购的成本降低了 18% 或更多。总体而言，该组 64% 的人看到 CPC 有所下降。
在跟踪转化的帐户中，我们观察到转化次数增加了 71%。总体而言，该组 62% 的人的转化次数有所增加。
对于 AdWords，我们发现与未使用机器学习的帐户相比，帐户按预期安排和支出预算的可能性平均高出 3 倍。
对于 Bing，我们发现帐户使用机器学习花费每月预算的可能性平均高出 11 倍比那些没有的人。
使用机器学习技术的账户比没有使用的账户多活了四个月。

从更低的每次点击费用到更高的转化率、更长的 LTV 等等，Acquisio Turing已经为其在过去两年运行的账户提供了巨大的价值。随着越来越多的机器学习解决方案开始塑造我们的生活以及现在我们的 SEM 活动，我们非常高兴能与像您这样的营销人员分享这个好消息！

图片来源

特色图片：Unsplash/ Maxime Bhm

Chandal Nolasco da Silva 的所有截图。取自最新的 Acquisio Turing 性能报告中的 2017 年夏冬。