付费搜索建模

了解作为搜索广告混杂变量的搜索查询量

将因果推理应用于营销时，最大的挑战可能是，当产品需求增强时，广告客户往往会在营销上投入更多资金。我们在分析营销支出的因果效应时，最关心的是如何区分 KPI 的增加是由于营销支出的增加，还是由于内在需求的增加。

对于搜索广告，内在需求与营销支出之间的密切关系尤为明显。这是因为只有当搜索查询与一组广告客户所定位的特定关键字相匹配时，页面上才会显示搜索广告。如果内在需求较高，自然搜索查询量也会很高，进而使搜索广告的总支出金额变高。因此，自然搜索查询量是搜索广告的一个重要混杂变量。如果不考虑这一因素，就难以进行有效的搜索广告因果推理。

对于搜索广告预算较高的广告客户，这一问题尤为突出，因为他们的付费搜索广告量与自然搜索查询量的关系往往更为密切。不过，如果预算较低的广告客户在需求旺盛期增加预算，或者仅在这些时期投放搜索广告系列，则也会受到该问题的影响。

Meridian 提供了相应选项，可在模型中加入 Google 自然搜索查询量 (GQV)，作为 Google 搜索广告的混杂变量。来自非 Google 搜索引擎的自然搜索查询量往往无法获得。如果您想要将非 Google 付费搜索广告纳入模型，但没有来自相应搜索引擎的自然搜索查询量，以下替代方案可能适合您：

• 如果 GQV 能准确反映非 Google 搜索查询量，则可以减少偏差。建议您对此假设进行评估。您可以通过绘制图表来评估该假设，例如：

  

  在上图中，y 轴表示媒体展示次数与品牌 GQV 之间的相关性，x 轴表示媒体展示次数与宽泛查询量之间的相关性。

• 如果您不想假设 GQV 能准确反映非 Google 搜索查询量，则可能需要在模型中忽略非 Google 搜索引擎。

如需详细了解广告定位导致的选择性偏差问题，请参阅在媒体组合建模中对付费搜索广告进行偏差校正。