Bütçe Optimize Edici - Verilerinizi anlayın

Aşağıdaki makalede Windsor.ai bütçe optimize ediciyi kullanarak verileri nasıl okuyacağınızı, bir iş adamı gibi nasıl düşüneceğinizi ve basit bir kontrol panelini kullanarak şirketinizi nasıl geliştirebileceğinizi tartışacağız. Daha fazla uzatmadan başlayalım ve verileri anlamaya çalışalım.

İlk göreceğiniz şey yukarıdaki kutularda gösterilen parametrelerdir. Ayarlanmış R2, yazılımımızın verilerinize ne kadar iyi uyduğunu gösterir. Genel kural, R kare < 0,8'in ideal olmadığı, 0,8 < R kare < 0,9'un kabul edilebilir olduğu, R kare > 0,9'un ideal olduğudur. Ayrıca, NRMSE (Normalleştirilmiş ortalama-toplam-kare kökü) mesafesi tahmin hatasıdır. Hemen hemen gerçek değer ile tahmin edilen değer arasındaki farkı gösterir. Gerçek ve beklenen sonuçlar arasındaki tüm farkları alır ve bunları normalleştirir. Son olarak DECOMP.RSSD , ücretli medya kanalları için harcama payı ile etki payı arasındaki farkı temsil eder. Farklı bir şekilde iş hatası olarak bilinir.

Kanallara Göre Tepki Ayrıştırma Şelalesi

Yukarıdaki grafikte her bir pazarlama kanalının ve diğer faktörlerin katkısını görebiliriz. Örneğin Organik Aramanın tüm satışların yaklaşık %55’ini oluşturduğu gözlemlenebilir. Üstelik satışların gerçekliğini daha iyi anlamak için tatillerin, mevsimselliklerin ve trendlerin etkisini de görebiliyoruz. Burada önemli bir not, bazı kanalların masaya getirebileceği olumsuz etkilerin dikkate alınması olacaktır. Örnek veri setinde mevsimselliğin satışları neredeyse yüzde bir oranında azalttığını görebiliriz. Örneğin, şemsiye satıyorsanız, onları diğer mevsimlere göre sonbahar ve kış aylarında satma olasılığınız daha yüksektir.

Gerçek ve Tahmin Edilen Yanıt Karşılaştırması

Yukarıdaki grafik, seçilen modelin verilerinizi ne kadar iyi tahmin ettiğini gösterir. Turuncu çizgi gerçek tepkiyi, tahminleri gösteren mavi noktalı çizgi ise göstermektedir.

Toplam Yatırım Getirisi ile Toplam Harcama ve Etki

Harcama payı, her kanalın göreceli harcamasını yansıtırken etki, her kanalın satışlara sağladığı genel katkıyı gösterir. ROI, her kanalın artan değerinin o kanalın harcanan miktarına bölünmesiyle elde edilen, her kanalın verimliliğini temsil eder.

Önemli notlar:
– Yatırım getirisi büyük ancak harcama ve etki küçükse, iyi performans gösterdiği için harcamaları artırmayı düşünün.
– Yatırım getirisi küçük ancak harcama ve etki büyükse, normalde düşük performans nedeniyle daha az para harcanması gerekir. Ancak bunun iyi düşünülmesi gerekiyor çünkü çok fazla satış getiren bir kanal olabilir.

Yukarıdaki örnekte, Maksimum Performans'ın, Performans E Max Bing'den daha düşük bir etki payına sahip olmasına rağmen, Yatırım Getirisi'nin daha düşük olduğunu görebiliriz.

Geometrik Adstock: Zaman İçinde Sabit Oran

Bu grafik, her kanalın haftalara göre sahip olduğu bozulma oranını temsil eder. Bozunma oranı ne kadar yüksek olursa, belirli bir medya kanalının ilk maruz kalma sonrasında sahip olduğu etki o kadar uzun olur. Tavsiye kanalının etkisinin ortalama %38,1 olduğunu görüyoruz.

Anında ve Aktarılan Yanıt Yüzdesi

Yukarıdaki grafik her kanalın belirli bir dönemdeki etkisini göstermektedir. Örneğin, Marka Ücretli Arama'da satışların %48'inin içinde bulunulan hafta içinde gerçekleştiğini, satışların %52'sinin ise bir sonraki haftaya taşındığını görebiliyoruz.

Doygunluk Eğrileri

Yukarıdaki grafik, medya harcamasının optimal düzeyde olup olmadığını göstermektedir. Medya bir dönüm noktasına ve yatay bir eğime ne kadar hızlı ulaşırsa, harcanan fazladan parayla o kadar çabuk doyurulur. Genel olarak sonuçları iyileştirmek için daha doygun sonuçlara yatırım yapmalıyız. Aşağıdaki resim, karar vermek için gereken doygunluk bilgisini göstermektedir.

Yukarıdaki grafikte optimum harcamanın tahsis edilmesi gereken noktalar gösterilmektedir.

Model Performansı

Aşağıdaki grafikler, teknik ayrıntılarla daha fazla ilgilenen kişiler için model performansını göstermektedir.

Takılan ve artık grafiği, modelin kalitesinin kabul edilebilir olup olmadığını gösterir. Takılan ve kalan değerleri görüntüler. Genellikle verilerde aykırı değerlerin, varyans hatalarının ve daha fazlasının olup olmadığını görmemize yardımcı olur.

Model, ROAS veya EBM belirsizliğini hesaplamak için önyüklemeyi kullanır. Tüm pareto-optimal model adayları elde edildikten sonra, benzer hiperparametrelere sahip model kümelerini bulmak için K-ortalamalar kümelemesi uygulanır. MOO bağlamında, bu kümeleri farklı yerel optimumlardaki alt popülasyon olarak değerlendiriyoruz. Daha sonra dağılımı ve %95 aralığını elde etmek için verimlilik metriklerini (ROAS veya CPA) önyükleriz.

Senaryolar

Daha sonra parametrelerle oynayabileceğiniz ve kararlar alabileceğiniz sekmeye geçelim. Öncelikle parametrelere bir göz atalım.

Girdileri değiştirirken dikkate alınması gereken üç önemli husus vardır. İlk parametre, seçilen tarih aralığında tahsis edilen toplam para tutarı olan toplam harcamadır. Varsayılan olarak bu, tüm veri kümesi uzunluğu boyunca seçilir. İkinci parametre, modeli eğitirken kanalınızın ne kadar artmasına/azaltılmasına izin vermek istediğinizi temsil eden kanal yüzdesidir. Mesela 80-120 kanalınızın minimum %80 oranında azalmasını, maksimum %120'ye çıkmasını sağlar. Böylece model, mümkün olan en iyi tahsisi sağlamak için tüm kanallar için kısıtlamaları optimize etmeye çalışacaktır. Üçüncü parametre ise tarih aralığıdır. Daha yakın tarihlere ilişkin tahminlerde bulunmak istiyorsanız tarih aralığını bunu yansıtacak şekilde değiştirebilirsiniz.

Toplam Bütçe Optimizasyonu

Girişlerdeki tüm kanallar için 80-120 aralığını seçtiğimizi varsayalım. Yukarıdaki grafik gerçek değerleri (gri), 80-120 artış/azalış için tüm kanalların en iyi kombinasyonlarını (mavi) ve 3x sınırını (sarı) göstermektedir. 3x sınırlı sonuçları göstermenin amacı, analistin seçtiği kısıtlamalar ile daha büyük kısıtlamalar (bu durumda 3x) arasındaki farkı gözlemlemesini kolaylaştırmaktır. Ayrıca grafikte toplam harcama, yanıt ve ROAS artışı gösterilmektedir. Yukarıdaki örnekte, bütçeyi hiç artırmadan geliri %4,72 (sınırlı) veya %12,10 (3x sınırlı) oranında iyileştirebileceğimizi görebiliriz.

Kanal Başına Bütçe Tahsisi

Yukarıda, daha fazla harcamadan bile gelirimizi artırabileceğimizi gördük ancak bunun nasıl yapılacağı bize söylenmedi. Bütçe tahsis etme grafiği bunun nasıl yapılacağını tam olarak gösterir. Seçtiğiniz girişler göz önüne alındığında (sınırlı değerler – mavi), her kanalın nasıl arttığını veya azaldığını görebilirsiniz. Gelirde %4,72'lik bir artış elde etmek için, diğer şeylerin yanı sıra, Marka Ücretli Arama harcamalarını toplam bütçenin %17'sine düşürmemiz gerekir. Bunu yaparsak, toplam bütçede %11,3'lük (daha önce elde ettiğimizden daha düşük - gri) bir gelir elde edeceğiz ancak bu, diğer kanallara daha fazla artış şansı verecek. Bu, kanallarımızı, önceden daha az harcama yapmamıza rağmen, Reklam Harcamalarından Elde Edilen Getiri ve Reklam Harcamalarından Marjinal Getiri'nin her ikisinin de artacağı şekilde optimize eder. Yine önceki grafikte olduğu gibi sarı çerçeveli x3, kenar çubuğundaki girişleri 3 kat artırmanız durumunda değerleri gösterir.

Simüle Edilmiş Sonuçlar

Bir sonraki grafik simülasyonun nasıl çalıştığını göstermektedir. Yine Marka Ücretli Arama grafiğine (ilk olarak) devam edelim. Görüntü, anlık etkinin parçası olan gri alanı tanımlamaktadır. Bu noktadan sonra etki bir sonraki döneme taşınmaya başlar. Daha sonra, başlangıç ​​noktası veya şu anda ne kadar harcadığınızın noktası. Son olarak, sırasıyla sınırlı ve 3x sınırlıyı temsil eden mavi ve turuncu noktalarımız var. Daha önce olduğu gibi model, Marka Ücretli Arama'ya harcanan toplam yüzdeyi azaltmayı öneriyor. Hem sınırlı hem de 3x sınırlı için modelin en düşük kısıtlamayı seçtiği, yani harcamanın mevcut değerin %80 veya %40'ına düşürülmesi anlamına geldiği görülebilir.

Son olarak parametrelerle çalışırken bir detayı hızlı bir şekilde görmek isteyebilirsiniz. ?'yi ekledik. Kontrol panelindeki her grafik için size bazı hızlı bilgiler gösterecek düğme.