【2023 最新】簡單兩招數據分析加上AI工具，幫你預測廣告投放成效
有接觸過電商、廣告投放的人應該都對「第一手資料」這個詞不陌生。不管是從廣告後台、電商後台，甚至是 GA 辛辛苦苦搜集來的滿手資訊，對後續的優化與策略都是很重要的。
舉例來說，投廣告最常關心的廣告投資報酬率（ROAS），就是由花費與業績兩個指標組成。當我們擁有廣告花費及相對應的業績時，我們不禁好奇：如何透過滿手凌亂的數字，去計算出花費與業績的甜蜜點？今天就教你如何利用這些資料，做出迴歸分析圖以及預測業績曲線。進一步判斷消費者花費在哪一區間時，會有最佳報酬；若要拉高預算，可以獲得多少業績！
一. 透過迴歸分析來判斷廣告投放成效落點
資料搜集與製圖
- 在Excel表或Google sheet上填入廣告花費及業績
- 匡選這兩欄數字，並點選插入圖表（可以針對想強調的時間區間給予不同的顏色）
- 出現如下圖的分佈圖表
- 查看圖表編輯區，並勾選下方的趨勢線
- 點選下方趨勢線後，點擊對數
注意這邊可以選擇指數、多項式、對數，以最貼合整體趨勢為主。不過要小心有無違反廣告常識，例如：隨著花費上升，整體業績斜率應逐漸趨緩（CPA 有優化上限）。
如何進一步判斷成效：
有兩種方法：
- 同花費下，趨勢線上下點數
- 進一步畫出目標ROAS線，預估各業績區間 ROAS 的可能
- 趨勢線上下點數代表在固定花費下，整體表現是優於（線以上的點多）還是低於（線以下的點多）整體平均。我們能夠大致透過肉眼觀察，在某一個預算花費的情況下，有最多在「線上」的點，就能知道這個預算是目前最合適的花費水準。
不過為求務實，接下來我們用試算表中的公式，來試著回答兩個問題：在哪個花費區間，能夠創造最大業績；以及接下來應該往哪個花費區間做測試優化，進而讓廣告業績更上一層樓？
- 先點選剛剛的趨勢線
- 找到標籤處（Label），並點選方程式（Equation）
- 即可找出這條趨勢線的公式
- 將花費代入 x，即可得出預計投放業績 y
- 下拉出所有投放金額預計的投放業績
- 將「業績」與「預計投放業績」相減，若「預計投放業績」是負數，則當作 0 計算。在這個步驟，我們可以用排序與篩選功能，將整個表格以花費大小排序，方便我們接下來的操作。
- 觀察花費的區間，並分成 3-5 個組合。再利用「countif」工具找出區間裡「業績>預計投放業績」的數，並算出比例（公式：=COUNTIF(區間,”>0″)）
- 加總「業績-預計投放業績」及平均「業績-預計投放業績」
經過如上步驟，即可得出在某個區間段，「業績-預計投放業績」的個數、比例、總和、平均。如此一來，便能預測接下來要往哪一區間前進。
舉例來說：
我們從上面的範例資料集中，觀察花費的區間，並將花費整理成如下 6 個級距：
- 從圖表觀察，在 $3,500 以下的區間中，有大部分的時候，我們獲得的業績都是優於趨勢線的預估的。整體而言我們已經站穩前面兩個區間。$3,501 ~ $4,000 這個區間則是我們可以努力優化的位置，透過優化廣告的方式，來讓業績>業績預估值的數量愈來愈多。
- 畫出目標 ROAS 線的動作，可以協助我們更好的判斷未來廣告目標，與目前廣告花費趨勢的關係。例如：要維持廣告 ROAS=5，我們需要將預算調高到哪個區間範圍；相對應的業績還需要再提高多少。以上都可以進一步作為未來 CPA，或是客單價的目標。
舉例來說客戶想了解，若以單日預算 $5,000 為標準，推估 ROAS>10 的機率有多大，如此一來透過下圖可以看出，單日預算 $5,000 的歷史數據，過往的 ROAS 大約會在 6~8 之間。
配合我們上面整理的表格可以得出兩個結論：若要先維持 ROAS ，那我們優先測試的區間應在 $4,000 上下；若品牌想擴大市占、或是增強觸及，在可以接受 ROAS=6~8 的前提下，可以將多出來的預算（大約$1,000上下）做其他目標的廣告
二. 透過機器學習模型來判斷廣告成效落點
在上面的範例中，我們單純將「花費」與「業績」的關係拉出來做比較，嘗試透過趨勢來預估未來業績。但當我們想將多一點變因納入考量時，透過試算表來操作就會顯得困難重重，
預估的結果也有可能失準。
進一步來看，上述迴歸範例中，我們使用一條趨勢線來作為評斷成效的標準。有沒有可能透過其他方式，來更客觀、更快速的決定這個標準，或是找出我們無法透過簡單迴歸分析觀察的趨勢呢？接下來我們就要利用機器學習，來幫助我們預估未來可能的業績。
模型原理
接下來的演算模型，它擁有的特色是：我們用機器學習做算法基礎，導入廣告投放數據，讓原有的演算模型運用龐大的真實資料庫進行深度學習，並搭配 Chat-GPT 協作調整模型架構，最後能完成連續性數值的迴歸預測。在算法方面，我們以近年機器學習常勝軍 XGboost（Extreme Gradient Boosting）算法來做為基礎，來協助我們快速的完成預估。
選擇分析的廣告指標
如同上面所提，廣告指標不只包含花費與業績。CPC、CTR 都是很基礎的廣告指標，對於廣告最終的成效，也是有一定影響力的。最終我們選定 CPC、CTR、單日花費、單日業績，作為模型訓練的四個指標。
在我們納入更多變數，來嘗試提升預測準確度時，我們也要注意愈多變數並不永遠代表更高的準確度。因此在選定指標做模型訓練時，嘗試找出最有代表性的指標，反而是前期需要花費較多心力的部分。
刪除離群值資料
我們進一步抓出過度離群的資料，讓模型的預估更有代表性。在我們實作的範例中，我們將單日 ROAS>19，與單日 ROAS<1 這兩個條件的數據剔除。
定義特徵、目標與訓練模式
獲得乾淨的數據之後，接下來我們將 CPC、CTR、單日花費等三個指標定為特徵（X），並把單日業績定為目標（y）。接下來我們將資料集用隨機方式切分：70% 的資料作為訓練集，並拿剩餘的 30% 資料作為測試集。這邊的目的是，我們會利用測試集來「檢驗」前面我們訓練集訓練出來的模型，面對未知的數據時，表現得如何。
至於要如何評斷模型的表現，我們就要依賴如 MSE、R2 等指標，來協助我們判斷模型在這次大考，究竟考得如何。
成效解讀與觀察
若測試呈現出不錯的結果，我們緊接著輸入幾個目標值，就可以開始進行預估囉！一般來說在 R2 >0.4 的情境中，預估的結果會比較有代表性；同時盡可能降低 MSE，在多個測試組合中，盡可能挑選數值小的結果。
在我們所選的單一客戶資料當中，扣除離群值之後，大約有多達 700 多筆單日資料可以使用。對於一般的廣告客戶來說，若是平時沒有累積，要抓到這麼多筆資料，可能只有 GA 能夠提供；而隨著之後資料保存期又縮短至 12 個月，累積的功夫又顯得更為重要。
一般來說累積完三個月後的數據，就可以來跑跑看模型，當中也不要忘記測試多個花費的區間，例如：活動檔期、電商 double day、活動日，盡可能在多個區間都累積資料，這樣才能在預估的時候，不只求準確，更要能夠找出趨勢，做出有價值的判斷。
結語
看完以上兩個由淺入深的方法，相信不論是輕度數據視覺化使用者，或是想使用人機協作的技術來完成精確預估的行銷人，都能夠輕鬆的將滿手的歷史數據，解讀出更深一層的含義。我們更有這個機會來反思：現今要產出跨領域知識的專業內容，透過 AI 已經不再是困難的事，更重要的是回歸到學習方法與目的兩個步驟，審視過程中的邏輯，才能發揮新科技的最大功效！
