Vorabtest-Daten vorbereiten

In Meridian GeoX werden tagesbasierte Zeitreihendaten zu Ausgaben und Reaktionen wie Conversion-Anzahl oder Umsatz für die einzelnen geografischen Regionen verwendet.

In den folgenden Diagrammen entspricht die x-Achse dem jeweiligen Datum und die y-Achse dem Messwert, also der Reaktion und den Ausgaben. Jede Zeile entspricht einer geografischen Einheit. Die vertikalen gestrichelten Linien stellen die Trennung zwischen dem Vorabtest- und dem Testzeitraum dar. Die Intervention bei Anzeigen erfolgt im Testzeitraum.

Allgemeine Datenanforderungen

In den folgenden Abschnitten finden Sie Informationen zu den Datenanforderungen für Geo-Tests.

Daten zu Ausgaben

Für Tests mit Go-Dark- oder Heavy-Up-Designs, einschließlich Testgruppen in Studien mit mehreren Zellen, die diesen Typen zugewiesen sind, ist die Bereitstellung von Zeitreihendaten zu den Ausgaben obligatorisch. Für Holdback-Tests oder Holdback-Zellen in Studien mit mehreren Zellen ist die Angabe von Ausgaben nicht erforderlich.

Messwert „Conversions“

Die Auswahl eines geeigneten Conversion-Messwerts ist eine grundlegende Voraussetzung für die effektive Konfiguration und Auswertung von Geo-Tests. Ein geeigneter Messwert sollte bestimmte kommerzielle und methodische Standards erfüllen:

• Geschäftliche Kriterien: Die ausgewählte Conversion-Definition sollte eng mit dem primären KPI übereinstimmen, der als Grundlage für strategische Maßnahmen dient. Dieser Messwert sollte den spezifischen Einfluss des zu bewertenden Media-Channels widerspiegeln. Beispielsweise sollten Sie beim Testen von Taktiken zur Steigerung der Markenbekanntheit Indikatoren im oberen Trichterbereich priorisieren.
• Technische Kriterien: Conversion-Daten müssen in der geografischen Region verfügbar sein, die für den Test verwendet wird. Es empfiehlt sich, Messwerte mit erheblicher Sparsität oder einem hohen Anteil an Null-Werten auszuschließen, da diese den statistischen Modellierungsprozess erschweren können.
• Messwerttyp und Attribution: Der Conversion-Messwert muss absolut sein, zum Beispiel Umsatz oder Conversion-Anzahl. Verhältnismesswerte wie der ROAS werden von GeoX nicht unterstützt. Außerdem sollten Sie ungefilterte Conversion-Zeitreihenverlaufsdaten anstelle von zugeordneten Conversions verwenden. So wird verhindert, dass die Ergebnisse durch eine vordefinierte Attributionslogik verzerrt werden, die die tatsächliche kausale Steigerung der Conversions falsch darstellen kann.

Daten auf geografischer Ebene

Bevor Sie einen Geo-Test entwerfen, sollten Sie Zeitreihenverlaufsdaten auf geografischer Ebene für den Vorabtest erstellen. In diesem Schritt stellen Sie Antwortdaten für mindestens 3 × N Tage bereit, zum Beispiel Umsatz- oder Conversion-Zahlen, wobei N der Dauer des tatsächlichen Testzeitraums Ihres Tests entspricht. Wenn Ihr Unternehmen starken saisonalen oder zyklischen Schwankungen unterliegt, sollten Sie einen längeren historischen Zeitraum vorbereiten, etwa ein Jahr oder mehr, um das Modell effektiv zu trainieren und Verzerrungen bei der kontrafaktischen Schätzung zu vermeiden.

Für Testtypen, die bestehende Kampagnen umfassen, etwa Go-Dark- oder Heavy-Up-Tests, müssen Sie auch tägliche Ausgabendaten auf geografischer Ebene vorbereiten, da diese zur Berechnung des erforderlichen Testbudgets mit Ihren bestehenden Kampagnenstatistiken verwendet werden. Diese Ausgabendaten können in der Regel aus dem Google Ads-Konto oder über Publisher APIs abgerufen werden.

Datenstruktur

Der Vorabtest-Datensatz muss ein Pandas-DataFrame sein und die folgenden Spalten enthalten:

• date
• location: Verschiedene Marktregionen.
• conversions: Aktuelle Conversion-Daten sind in der Regel ungefilterte Rohdaten zu Conversions oder Umsätzen, die normalerweise aus dem CRM der oder des Werbetreibenden stammen. Die Conversion-Daten sollten die normale Geschäftssituation (BAU) widerspiegeln.
• spend: Ausgabendaten für Kampagnen, die in der Studie enthalten sind. Dies ist eine optionale Spalte.

Bei Studien mit mehreren Testgruppen sollten Sie separate Ausgabenspalten angeben, die der jeweiligen Intervention der einzelnen Testgruppe zugeordnet sind. Dies ist unter anderem in folgenden Fällen hilfreich:

• Verschiedene Strategien auf demselben Kanal oder in derselben Kampagne testen: Vergleichen Sie verschiedene Strategien auf derselben Plattform, zum Beispiel YouTube, etwa das vollständige Pausieren von Anzeigen im Vergleich zu einer starken Erhöhung der Ausgaben. Da beide Testgruppen denselben zugrunde liegenden Kampagnenpool ändern, haben die Ausgabengruppen wie spend_cell_1 und spend_cell_2 identische Werte.
• Verschiedene Kanäle oder Taktiken testen: Vergleichen Sie völlig unterschiedliche Ansätze, zum Beispiel YouTube-Anzeigen mit Demand Gen-Anzeigen oder Neukundengewinnung mit Retargeting. Da jede Zelle mit einer anderen Kampagne verknüpft ist, unterscheiden sich die Ausgabenwerte. Zelle 1 sollte die Ausgaben für die erste Taktik und Zelle 2 die Ausgaben für die zweite Taktik enthalten.

Antworten wie Spalten mit Transaktionen oder Umsatzdaten sowie Ausgabendaten sollten im folgenden Format vorbereitet werden. Im Zeitraum vor dem Test würde jedes Paar aus Datum und Ort genau einmal in dieser Tabelle erscheinen.

Hier ein Beispiel für den Datenupload zum Entwerfen eines Go-Dark-Tests mit einer einzelnen Zelle:

Hier ein Beispiel für den Datenupload zum Entwerfen eines Tests mit zwei Testgruppen. Die erste Testzelle sollte „Go-dark“ sein, während die zweite Testzelle während des Testzeitraums „Heavy-up“ sein sollte:

Best Practices

Befolgen Sie diese Best Practices, um sicherzustellen, dass Ihr Geo-Test statistisch robust ist.

Messwerte mit negativen Werten

Verwenden Sie keine Messwerte, die negative Werte enthalten können, wie etwa den Nettoumsatz nach Erstattungen. Negative Werte beeinträchtigen die Randomisierung des Designs und die statistische Modellierung.

Sie sollten immer nicht negative, absolute Werte wie Bruttoeinnahmen oder die Bruttoanzahl der Conversions zu verwenden. Wenn die Erstattungen erheblich sind, führen Sie das Design und die Analyse für den Bruttoumsatz durch und wenden Sie nach dem Test ein historisches Netto-Brutto-Verhältnis an.

Volatilität bei täglich erhobenen Daten

Fassen Sie Ihre Daten nicht wöchentlich zusammen. GeoX erfordert strikt tägliche Zeitreihenverlaufsdaten, wöchentliche Daten werden nicht unterstützt. Wenn Ihre täglichen Daten stark schwanken:

• Verlängern Sie die Testdauer, beispielsweise von vier auf sechs oder acht Wochen, um mehr Datenpunkte zu erfassen.
• Verwenden Sie einen weniger tiefgreifenden KPI wie „In den Einkaufswagen“ anstelle von „Kauf“, um das Volumen zu erhöhen und die Anzahl der Tage ohne Conversions zu reduzieren.
• Vergrößern Sie die Ziel-Testgruppe oder passen Sie max_conversions_percent in den Designeinschränkungen an.

KPI-Optimierung

Die Bibliothek unterstützt nur einen primären Conversion-KPI pro Ausführung. Sie können ein Design nicht gleichzeitig für mehrere Messwerte optimieren, etwa für neue und wiederkehrende Käufer.

Führen Sie die Design-Engine aus und optimieren Sie Ihren primären KPI, um sicherzustellen, dass die Studie ausreichend aussagekräftig ist. Gehen Sie vorsichtig vor, um sekundäre KPIs nach dem Test zu analysieren, indem Sie die Funktion analyze für die entsprechenden Daten ausführen.