Rejoignez la nouvelle communauté
Discord pour discuter en temps réel, obtenir l'aide de vos pairs et communiquer directement avec l'équipe Meridian.
Modélisation de la recherche sponsorisée
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Comprendre le volume de requêtes comme un facteur de confusion pour les annonces sur le Réseau de Recherche.
Le plus grand défi de l'inférence causale appliquée au marketing, c'est peut-être que les annonceurs dépensent souvent plus en marketing lorsque la demande pour leur produit est forte. Déterminer si une augmentation du KPI est due à une hausse des dépenses marketing ou à une augmentation de la demande intrinsèque est une préoccupation majeure lorsqu'on analyse les effets de causalité des dépenses marketing.
Le lien étroit entre la demande intrinsèque et les dépenses marketing est particulièrement évident dans le cas des annonces sur le Réseau de Recherche. En effet, une annonce sur le Réseau de Recherche n'est diffusée sur la page que si une requête de recherche correspond à certains mots clés ciblés par un ensemble d'annonceurs. Lorsque la demande intrinsèque est élevée, le volume de requêtes naturelles l'est également, et les dépenses totales liées aux annonces sur le Réseau de Recherche sont donc élevées. Par conséquent, le volume de requêtes naturelles est un facteur de confusion important pour les annonces sur le Réseau de Recherche. Sans cela, il est difficile d'obtenir des inférences pertinentes pour les annonces sur le Réseau de Recherche.
Cela pose particulièrement problème aux annonceurs disposant de budgets élevés pour le Réseau de Recherche, car le volume de leurs annonces payantes sur le Réseau de Recherche tend à suivre plus étroitement le volume de requêtes naturelles. Toutefois, cela concerne également les annonceurs disposant d'un budget plus faible qui augmentent leurs budgets pendant les périodes de forte demande ou qui ne diffusent des campagnes sur le Réseau de Recherche que pendant ces périodes.
Meridian offre la possibilité d'inclure le volume de requêtes naturelles Google (VRG) dans le modèle en tant que facteur de confusion pour les annonces sur le Réseau de Recherche Google. Le volume de requêtes naturelles provenant d'autres moteurs de recherche que Google est souvent indisponible. Si vous souhaitez modéliser des annonces pour la recherche sponsorisée non Google, et que le volume de requêtes naturelles du moteur de recherche correspondant n'est pas disponible, les alternatives suivantes peuvent vous être utiles :
Le biais peut être atténué si le VRG est un bon indicateur du volume de requêtes non Google. Nous vous recommandons d'évaluer cette hypothèse. Pour ce faire, vous pouvez par exemple créer un graphique :

Le graphique précédent montre la corrélation entre les impressions média et le VRG incluant une marque sur l'axe y, et la corrélation entre les impressions média et le volume de requêtes génériques sur l'axe x.
Si vous ne voulez pas partir du principe que le VRG est un bon indicateur pour le volume de requêtes non Google, vous devrez peut-être omettre le moteur de recherche non Google du modèle.
Pour en savoir plus sur les problèmes liés au biais de sélection en raison du ciblage des annonces, consultez Correction du biais pour la recherche sponsorisée dans la modélisation du mix média.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/08/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 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/)."]]