بیشتر مدلهای پیش بینی نتایج تبلیغات پولی به این دلیل شکست نمی خورند که مارکترها در محاسبات ضعیف هستند، بلکه علت اصلی اتکا به فرضیاتی است که در محیط واقعی آکشن ها دوام نمی آورند. افزایش هزینه هر کلیک، نوسانات نرخ کانورژن، خستگی مخاطب از محتواهای تبلیغاتی و رفتارهای غیرقابل پیش بینی هوش مصنوعی در بیدینگ، بین داده های پیش بینی شده و نتایج واقعی فاصله می اندازند.
در این مطلب دلایل ایجاد این فاصله ها را بررسی می کنیم تا بتوانید مدلی کاربردی برای پیش بینی نتایج کمپین کلیکی بسازید که متغیرهای دنیای واقعی را از همان ابتدا در نظر می گیرد.
چرا پیش بینی نتایج تبلیغات پولی اشتباه از آب درمی آید؟
بیشتر مدلها در نقاط مشخصی دچار شکست می شوند. شناسایی متغیری که باعث ایجاد خطا شده به اندازه ساخت پیش بینی بعدی اهمیت دارد، زیرا اگر علت اصلی مشخص نشود، همان خطا دوباره تکرار خواهد شد.
افزایش هزینه هر کلیک (CPC): هزینه هر کلیک بر اساس مکانیسم آکشن تعیین می شود نه بر اساس تمایل تبلیغ کننده. فشار رقبا، تغییرات Quality Score و به روزرسانی الگوریتم ها می توانند هزینه هر کلیک را سریع تر از حد انتظار افزایش دهند. بررسی کمپین های مختلف نشان می دهد که تورم هزینه هر کلیک عامل ۵۴ درصد از خطاهای پیش بینی است و رتبه اول را در دلایل انحراف آمار دارد.
نوسان نرخ کانورژن: نرخ کانورژن در شرایط مختلف ثابت نمی ماند. با کاهش قدرت یا اعتماد خریداران، نرخ کانورژن افت می کند و در زمان رشد تقاضا افزایش می یابد. در نظر گرفتن یک نرخ کانورژن ثابت در طول رکود یا اوج بازار، آسیب جدی به پیش بینی نتایج تبلیغات پولی می زند. نوسان نرخ کانورژن همیشه تابعی از اتفاقات خارج از پلتفرم تبلیغاتی است.
خستگی طرح و محتوای تبلیغ (Creative Decay): وقتی یک تبلیغ برای مخاطب تکراری می شود، نرخ کلیک افت کرده و هزینه موثر هر کلیک بالا می رود. اگر در الگوی پیش بینی نتایج کمپین کلیکی برنامه ای برای به روزرسانی بنرها و متن ها نداشته باشید، تخمین شما بیش از حد خوش بینانه خواهد بود. خستگی تبلیغ یک استثنا نیست، بلکه یک روند به طور کامل قابل پیش بینی است.
غیرقابل پیش بینی بودن الگوریتم های هوش مصنوعی: سیستم های قیمت گذاری خودکار در گوگل ادز یا متا ادز بر اساس سیگنال هایی بهینه سازی می شوند که کنترل کامل آنها دست تبلیغ کننده نیست. بیشتر تیم ها تصور می کنند با تغییر دستوری بیدینگ می توانند ضعف کمپین را جبران کنند، اما در عمل، این تغییرات تاثیر مستقیمی ندارند چون تصمیم اصلی را الگوریتم می گیرد.
همپوشانی مخاطبان در پلتفرم های مختلف: وقتی یک گروه مخاطب را به طور همزمان در چند کانال هدف می گیرید، میزان دسترسی واقعی کمتر از مجموع آمار پلتفرم ها خواهد بود. لیدی که از طریق گوگل ادز جذب شده و لیدی که از شبکه های اجتماعی به دست آمده ممکن است مربوط به یک فرد باشد. عدم توجه به این همپوشانی، آمار نهایی را غیرواقعی می کند.
منحنی رشد: چرا کمپین های جدید در ابتدا زیان ده هستند؟
پیش بینی میانگین عملکرد از روز اول، یکی از مطمئن ترین راه ها برای از بین رفتن اعتماد مدیران به یک کمپین جدید است. کمپین های پولی جدید تقریبا همیشه در چند هفته اول عملکرد منفی دارند. اگر مدلی ارائه می دهید این روند منفی را نشان ندهد، انتظاراتی ایجاد می کند که کمپین قبل از رسیدن به ثبات، در برآورده کردن آنها شکست می خورد.
کمپین های جدید نیاز به زمان دارند تا الگوریتم های قیمت گذاری سیگنال های کانورژن کافی برای بهینه سازی جمع آوری کنند، هدف گذاری مخاطبان بر اساس داده های اولیه دقیق تر شود و داده های عملکرد محتوا به تصمیم گیری ها کمک کند. در طول این دوره یادگیری، هزینه هر کلیک بالاتر از حالت پایدار است و نرخ کانورژن پایین تر خواهد بود. این ترکیب، بازگشت سرمایه منفی ایجاد می کند که شبیه به شکست به نظر می رسد اما در واقع مسیری کاملا طبیعی است.
این اثر در کمپین های Performance Max و Advantage+ شدیدتر است، زیرا الگوریتم دسترسی گسترده تری برای هدف گذاری و داده های تاریخی کمتری در زمان راه اندازی در اختیار دارد. همچنین کمپین هایی که با بنرها، صفحات فرود یا مخاطبان جدید اجرا می شوند، این دوره یادگیری را طولانی تر می کنند.
نتیجه عملی برای پیش بینی نتایج تبلیغات پولی این است که سودآوری را هفته به هفته مدلسازی کنید، نه بر اساس میانگین کل کمپین. کمپینی که در مجموع کم سود به نظر می رسد، ممکن است در هفته های اول تا سوم کاملا زیان ده باشد و از هفته ششم به بعد سودآوری زیادی ایجاد کند. نشان دادن یک میانگین ثابت، ریسک های اولیه و فرصت های بعدی را پنهان می کند و هیچ چارچوبی برای تحلیل نتایج اولیه به مدیران نمی دهد.
تیم هایی که منحنی رشد را قبل از شروع به مدیران نشان می دهند، زمان کافی برای به ثبات رسیدن کمپین را دریافت می کنند. اما تیم هایی که این کار را انجام نمی دهند، معمولا قبل از اینکه الگوریتم داده مفیدی یاد بگیرد مجبور به توقف کمپین می شوند.
چارچوب سه مرحله ای برای پیش بینی نتایج کمپین کلیکی
یک مدل قابل اعتماد برای پیش بینی نتایج کمپین کلیکی به سوالات به ترتیب پاسخ می دهد: چند نفر تبلیغات شما را می بینند، چند نفر بر اساس آن اقدام می کنند و کسب و کار در نهایت چه بازدهی دریافت می کند. هر مرحله ورودی هایی تولید می کند که مستقیما وارد مرحله بعدی می شوند. ساخت فرضیات سودآوری بدون توجه به میزان دسترسی و کارایی، رایج ترین اشتباه در مدلسازی است.
مرحله اول: پیش بینی میزان دسترسی (Reach)
ورودی ها شامل بودجه، اندازه مخاطب هدف، پلتفرم، CPM یا CPC تخمینی و سهم نمایش مورد انتظار است. خروجی این مرحله دسترسی و فرکانس پیش بینی شده خواهد بود. سیستم های قیمت گذاری هوش مصنوعی در این مرحله متغیرهای زیادی ایجاد می کنند. هزینه ها بر اساس رقابت در آکشن و کیفیت بنرها تغییر می کنند. پس میزان دسترسی را به جای یک عدد ثابت، به صورت یک بازه مشخص مدلسازی کنید.
مرحله دوم: پیش بینی کارایی (Efficiency)
ورودی ها شامل نرخ کلیک قبلی بر اساس نوع طرح و مخاطب، نرخ کانورژن صفحه فرود، کیفیت لید یا خرید و تغییرات فصلی است. خروجی این بخش شامل تعداد کلیک ها، کانورژن ها و هزینه هر کانورژن می شود. در این مرحله باید خستگی محتوای تبلیغاتی را محاسبه کنید. نمودار افت نرخ کلیک را بر اساس رفتار گذشته مخاطب رسم کنید. اگر داده ندارید، کاهش ۱۵ تا ۲۵ درصدی نرخ کلیک تا هفته ششم، فرض معقولی برای کمپین ها است. بدون این نمودار، مدل شما با گذشت زمان دچار خوش بینی کاذب می شود.
مرحله سوم: پیش بینی سودآوری (Profitability)
ورودی ها شامل هزینه هر کانورژن، میانگین ارزش سفارش یا ارزش طول عمر مشتری، هدف جذب و حاشیه سود است. خروجی ها شامل بازگشت سرمایه تبلیغات (ROAS)، سهم در جریان فروش و دوره بازگشت هزینه است. در پیش بینی نتایج تبلیغات کلیکی، سودآوری باید فقط نشان دهنده درآمد واقعی حاصل از تبلیغات کلیکی باشد، نه کل درآمد ثبت شده. وقتی کانال های ارگانیک یا برندینگ هم فعال هستند، یک کانورژن ممکن است به چند کانال نسبت داده شود و آمار واقعی را تغییر دهد.
این چارچوب تنها زمانی کارایی دارد که ورودی ها واقعی باشند. تخمین های خوش بینانه در میزان دسترسی، باعث پیش بینی های غیرواقعی در کارایی می شوند و در نهایت اعدادی از سودآوری تولید می کنند که در اولین گزارش دوره ای شکست می خورند.
مدل های پیش بینی که در شرایط سخت دوام می آورند
پیش بینی های معمولی در فایل های اکسل فقط در شرایط باثبات خوب عمل می کنند. اما در دنیای تبلیغات، شرایط مدام تغییر می کند. چهار روش مدلسازی وجود دارد که در این شرایط عملکرد بهتری نسبت به پیش بینی های بر پایه میانگین دارند و هر کدام یکی از نقاط ضعف مدل های ساده را برطرف می کنند.
مدلسازی بر اساس کوهورت (دسته بندی زمانی)
در این روش، کانورژن ها بر اساس هفته یا ماهی که مخاطب جذب شده گروه بندی می شوند، نه زمانی که درآمد به ثبت رسیده است. گزارش های معمولی دچار خطای تازگی داده ها می شوند و کمپین های جدید را قوی تر و کمپین های قدیمی تر را ضعیف تر از واقعیت نشان می دهند. تحلیل کوهورت مشخص می کند که ورودی های مختلف کمپین در طول زمان چه عملکردی دارند و این موضوع برای پیش بینی نتایج تبلیغات پولی بسیار ضروری است.
مدلسازی هزینه کل جذب مشتری (Blended CAC)
این روش به جای بررسی جداگانه هر کانال، تمام ترکیب کانال های پولی را با هم در نظر می گیرد. وقتی همپوشانی مخاطبان در پلتفرم های مختلف بالا باشد، محاسبه هزینه جذب در یک کانال به تنهایی باعث نمایش کاذب کارایی می شود، چون یک کانورژن به چند کانال نسبت داده شده است. این مدل تصویر دقیق تری از هزینه واقعی جذب مشتری در کل مسیر تبلیغات به شما می دهد.
پیش بینی تعدیل شده بر اساس رشد واقعی (Incrementality)
در این مدل، نتایج ثبت شده کاهش داده می شوند تا مشخص شود بدون اجرای تبلیغات چه تعداد کانورژن به صورت طبیعی رخ می داد. این موضوع در پیش بینی نتایج کمپین کلیکی به ویژه برای تبلیغات روی نام برند و بازاریابی مجدد اهمیت دارد، زیرا بخش زیادی از این کانورژن ها بدون صرف هزینه و از طریق کانال های ارگانیک یا مستقیم هم انجام می شدند.
مدلسازی کشش بودجه
این روش رابطه بین میزان صرف بودجه و بازدهی را ترسیم می کند. بیشتر کمپین ها به نقطه ای می رسند که بودجه اضافی باعث کاهش بازدهی نهایی می شود و این منحنی همیشه در آمار های میانگین مشخص نیست. مدلسازی کشش بودجه از اشتباه رایج در فرض خطی بودن بازگشت سرمایه هنگام افزایش بودجه جلوگیری می کند.
ساخت پیش بینی تبلیغاتی قابل اعتماد برای مدیران ارشد
مدیران ارشد نیازی ندارند که پیش بینی های تبلیغاتی کاملا بدون خطا باشند. آنها شفافیت درباره عدم قطعیت ها و ارتباط آمارها با اهداف کلیدی سازمان را می خواهند. پیش بینی مدلی که فرضیات خود را پنهان کند، با اولین انحراف از واقعیت اعتبارش را از دست می دهد و باید پذیرفت که تمام پیش بینی ها در نهایت دچار خطا می شوند.
بیشتر گزارش ها روی شاخص های بازگشت سرمایه تبلیغات و هزینه هر کلیک تمرکز می کنند. هیچ کدام از این دو معیار مستقیما با اعدادی که مدیران برای ارزیابی سرمایه گذاری استفاده می کنند مرتبط نیستند. تصمیم گیرندگان ارشد، پیش بینی نتایج تبلیغات کلیکی را با میزان تاثیر بر درآمد، جریان فروش، هزینه جذب مشتری و بازه های ریسک می سنجند. تطبیق گزارش ها با این خروجی ها، تمرکز جلسات را از گزارش فعالیت های روزمره به تاثیر واقعی بر رشد کسب و کار تغییر می دهد.
فرضیاتی که همیشه باید به صورت کاملا شفاف بیان شوند عبارتند از:
- هزینه هر کلیک: دلایلی که می تواند باعث تغییر و افزایش هزینه هر کلیک شود.
- نرخ کانورژن: شرایطی که باعث افت یا رشد نرخ کانورژن می شوند.
- محتوا و طرح های تبلیغاتی: نرخ خستگی بنرها و دوره به روزرسانی آنها در مدل.
- رفتار هوش مصنوعی: سرعت بهینه سازی الگوریتم های قیمت گذاری خودکار.
بیان این موارد از همان ابتدا انتظارات واقعی ایجاد می کند و در صورت بروز خطا، چارچوبی مشخص برای تحلیل علل آن به مدیران می دهد.
به جای ارائه یک عدد قطعی، بازه ای از سناریوهای مختلف ارائه دهید:
- سناریوی محافظه کارانه: فرض می کند هزینه کلیک ۲۰ درصد افزایش می یابد، نرخ کلیک با خستگی بنرها افت می کند و شرایط بازار ضعیف می شود.
- سناریوی مورد انتظار: منطقی ترین نتیجه را بر اساس روندهای فعلی و عملکرد گذشته نشان می دهد.
- سناریوی جسورانه: فرض می کند شرایط آکشن پایدار می ماند و رشد تقاضا سرعت می گیرد.
ارائه این بازه ها به مدیران امکان می دهد برای هر شرایطی برنامه ریزی داشته باشند.
روش های بصری سازی مناسب برای مدیران شامل نمودارهای بازه اطمینان، نمودارهای آبشاری برای نمایش سهم هر متغیر، نمودارهای پیشرفت جریان فروش و نمایش همزمان سناریوها روی یک نمودار است.
در نهایت برای تیم هایی که داده های فروش و بازاریابی را یکپارچه می کنند، داشبورد پیش بینی نتایج کمپین کلیکی و داشبورد فروش باید معیارهای اصلی مشترکی داشته باشند. اگر این آمارها یکسان نیستند، حتما باید یکی از آنها اصلاح شود.
برنامه عملیاتی ۹۰ روزه برای پیش بینی نتایج تبلیغات پولی
ساخت یک سیستم پیش بینی دقیق نیازی به تغییر کامل ساختارهای موجود ندارد، بلکه شامل مراحل متوالی است که یک پیش بینی یک باره را به یک سیستم عملیاتی و همیشگی کانورژن می کند.
روز ۱ تا ۳۰: پالایش داده های ورودی
در این مرحله باید کیفیت اتربیوشن مدل (Attribution) و کانورژن ترکینگ را در تمام کانال ها ارزیابی کنید. مسیرهای قطع شده، گزارش های تکراری در پلتفرم های مختلف و برچسب گذاری های اشتباه در سیستم مدیریت مشتریان (CRM) را شناسایی و اصلاح کنید. شاخص هایی که مستقیما به درآمد یا جریان فروش متصل نیستند را از گزارش ها حذف کنید. پیش بینی مبتنی بر داده های نادرست، عیب یابی در زمان شکست را دشوار می کند.
روز ۳۱ تا ۶۰: ساخت مدل ها
با استفاده از چارچوب سه مرحله ای، مدل پیش بینی نتایج تبلیغات کلیکی را طراحی کنید. سناریوهای مختلف شامل حالات محافظه کارانه، مورد انتظار و جسورانه را آماده کنید. گزارش دهی بر پایه کوهورت را جایگزین میانگین های معمولی کنید تا خطای تازگی داده ها برطرف شود. داشبوردهایی بسازید که عملکرد تبلیغات را به جای کلیک و ROAS، به جریان واقعی فروش و درآمد متصل کند. در این مرحله اگر قصد افزایش بودجه دارید، منحنی کشش بودجه را هم مدلسازی کنید.
روز ۶۱ تا ۹۰: عملیاتی سازی سیستم
داده های تبلیغات، CRM و درآمد را در یک نمای یکپارچه کنار هم قرار دهید. جلسات ماهانه برای بررسی پیش بینی نتایج کمپین کلیکی تشکیل دهید و در آن میزان دقت آمارها، تغییر فرضیات، کیفیت کانورژن ها و تغییرات بازار را بررسی کنید. لایه گزارش دهی مدیران ارشد را بر اساس زبان درآمد و جریان فروش تنظیم کنید تا معیارها با اهداف کلان سازمان همراستا شوند.
به ثبات رسیدن در روند پیش بینی، فرآیندی تدریجی است. تیم هایی که این سیستم را زودتر پایه ریزی می کنند، در فصل های بعدی با سرعت بیشتری حرکت خواهند کرد، زیرا به جای شروع از صفر، یک مدل فعال و دقیق را بهینه می کنند. همچنین برای کمپین های چندکاناله، همزمان کردن پیش بینی سئو و تبلیغات پولی دقت کل مدل را به شکل چشمگیری افزایش می دهد.
