Treten Sie der neuen
Discord-Community bei. Sie können sich dort in Echtzeit austauschen, Unterstützung von anderen Nutzern erhalten und direkt mit dem Meridian-Team interagieren.
Modellierung von bezahlten Suchanzeigen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Suchvolumen als Störfaktor für Suchanzeigen
Die wohl größte Herausforderung bei der kausalen Inferenz im Marketing besteht darin, dass Werbetreibende tendenziell mehr für Marketing ausgeben, wenn es eine stärkere Nachfrage nach ihrem Produkt gibt. Bei der Analyse der kausalen Auswirkungen von Marketingausgaben ist es wichtig zu unterscheiden, ob eine Steigerung des KPI auf eine Erhöhung der Marketingausgaben oder auf eine Steigerung der Nachfrage zurückzuführen ist.
Die starke Beziehung zwischen inhärenter Nachfrage und Marketingausgaben fällt besonders bei Suchanzeigen auf. Das liegt daran, dass eine Suchanzeige nur dann auf der Seite ausgeliefert wird, wenn eine Suchanfrage mit bestimmten Keywords übereinstimmt, die von einer Gruppe von Werbetreibenden festgelegt wurden. Wenn die Nachfrage hoch ist, sind auch das Volumen der organischen Suchanfragen und damit die Gesamtausgaben für Suchanzeigen hoch. Daher ist das Volumen der organischen Suchanfragen ein wichtiger Störfaktor für Suchanzeigen, ohne den es schwierig ist, gute Rückschlüsse für Suchanzeigen zu ziehen.
Dies ist besonders problematisch für Werbetreibende mit hohen Suchbudgets, da das Volumen ihrer Anzeigen in der bezahlten Suche tendenziell enger mit dem organischen Suchvolumen korreliert. Allerdings sind auch Werbetreibende mit kleineren Budgets betroffen, die ihr Budget in Zeiten hoher Nachfrage erhöhen oder nur dann Suchkampagnen einsetzen.
Mit Meridian kann das organische Google-Suchvolumen als Störfaktor für Google-Suchanzeigen im Modell berücksichtigt werden. Das organische Suchvolumen für Suchmaschinen, die nicht Google gehören, ist oft nicht verfügbar. Wenn Sie Daten für bezahlte Suchanzeigen von anderen Anbietern als Google modellieren möchten und das organische Suchvolumen der entsprechenden Suchmaschine nicht verfügbar ist, schafft vielleicht eine der folgenden Alternativen Abhilfe:
Der Bias kann reduziert werden, wenn das organische Google-Suchvolumen ein guter Proxy für das Suchvolumen außerhalb von Google ist. Wir empfehlen, diese Annahme zu prüfen. Dazu können Sie z. B. folgendes Diagramm erstellen:
Im Diagramm oben wird die Korrelation zwischen Media-Impressionen und dem durchschnittlichen organischen Google-Suchvolumen der Marke auf der y-Achse und die Korrelation zwischen Media-Impressionen und dem generischen Suchvolumen auf der x-Achse dargestellt.
Wenn Sie nicht davon ausgehen möchten, dass das organische Google-Suchvolumen ein guter Proxy für das Suchvolumen bei anderen Suchmaschinen ist, müssen Sie die Suchmaschine, die nicht Google gehört, möglicherweise aus dem Modell ausschließen.
Weitere Informationen zu den Herausforderungen durch Auswahlverzerrung aufgrund des Anzeigen-Targetings finden Sie unter Bias Correction For Paid Search In Media Mix Modeling.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-08-04 (UTC).
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-04 (UTC)."],[[["\u003cp\u003eUnderstanding the impact of marketing spend on key performance indicators (KPIs) for search ads can be difficult because inherent demand and marketing spend are often correlated.\u003c/p\u003e\n"],["\u003cp\u003eOrganic query volume is a significant confounding factor for search ads as it influences both inherent demand and ad spending.\u003c/p\u003e\n"],["\u003cp\u003eMeridian offers the option to incorporate Google organic query volume (GQV) into the model to address this confounding factor.\u003c/p\u003e\n"],["\u003cp\u003eIf non-Google organic query volume is unavailable, using GQV as a proxy or excluding non-Google search engines from the model can be considered.\u003c/p\u003e\n"]]],["Advertisers face the challenge of distinguishing between increased marketing spend and inherent demand when analyzing marketing's causal effects. Search ad spending correlates with organic query volume, making it a key confounder. High query volume leads to higher ad spending, impacting both large and small advertisers. Meridian allows inclusion of Google organic query volume (GQV) to mitigate this. If non-Google query volume is unavailable, GQV can be used as a proxy or the non-Google search engine omitted.\n"],null,["# Paid search modeling\n\nUnderstanding query volume as a confounder for search ads\n---------------------------------------------------------\n\nPerhaps the biggest challenge in causal inference when applied to marketing is\nthat advertisers often spend more on marketing when there is stronger demand for\ntheir product. Disentangling whether an increase in the KPI is due to an\nincrease in marketing spend or due to an increase in inherent demand is a\nprimary concern when one is analyzing causal effects of marketing spend.\n\nThe strong relationship between inherent demand and marketing spend is\nparticularly salient when it comes to search ads. This is because a search ad is\nonly shown on the page if a search query matches certain keywords targeted by a\nset of advertisers. When inherent demand is high, organic query volume will also\nbe high, and so the total spending on search ads will be high. Therefore,\norganic query volume is an important confounder for search ads. It is hard to\nget good inference on search ads without it.\n\nThis is particularly an issue for advertisers with high search budgets because\ntheir paid search ad volume tends to track more closely with organic query\nvolume. However, this also affects lower budget advertisers who increase their\nbudgets during periods of high demand, or who only run search campaigns during\nthese periods.\n\nMeridian provides the option to include [Google organic query volume\n(GQV)](/meridian/docs/basics/using-mmm-data-platform) in the model as a\nconfounder for Google Search ads. Organic query volume from non-Google search\nengines is often unavailable. If you want to model non-Google paid search ads,\nand organic query volume from the corresponding search engine is not available,\nthe following alternatives might work for you:\n\n- Bias can be mitigated if GQV is a good proxy for the non-Google query\n volume. We recommend assessing this assumption. One way to help assess the\n assumption is by creating a plot, for example:\n\n The previous plot shows the correlation between media impressions and brand\n GQV on the y-axis, and the correlation between media impressions and generic\n query volume on the x-axis.\n- If you don't want to assume GQV is a good proxy for the non-Google query\n volume, you might need to omit the non-Google search engine from the model.\n\nFor more information about the challenges of selection bias due to ad targeting,\nsee [Bias Correction For Paid Search In Media Mix\nModeling](https://research.google/pubs/bias-correction-for-paid-search-in-media-mix-modeling/)."]]
