通过这些策略和框架，可以在您的PPC数据中找到高价值的见解，并避免因新手错误而造成的代价（和尴尬）。
想象一下，此客户电子邮件会打入您的收件箱：“我了解到，在文字广告中加入公司的品牌名称是一种最佳做法。我们应在所有广告文案中加入品牌名称吗？”
由于您已经拥有文字广告变体形式的效果数据，因此您可以开始计算数字：“是的。”您回答。
“提及该品牌的广告被点击的可能性几乎提高了3倍！我将在本周末结束前更换新的品牌文字广告。”
经过五分钟，客户答复：“有趣。而且我认为您已经控制了该品牌是否是搜索关键字？”
“好…”
慌张的是，您再次考虑数字，这是考虑到搜索查询是否带有商标。
您的新结论与您刚刚提供的结论相反。
“对于不包含品牌的搜索查询，没有品牌名称的广告被点击的可能性实际上要高出50％。”
这里发生了什么？
您以成为数据驱动的量化营销人员而感到自豪。
但是现在，您必须向客户解释为什么您的分析错误，直到他们再次检查您的流程。
那么是什么引起了错误呢？
我们可以说营销人员戴着很多帽子，匆忙时可能会犯错误。
但是真正的问题更深。
大多数数字营销人员都不是经过培训的统计学家，分析师或数据科学家。
总的来说，在我们致力于改善帐户效果的同时，我们整个行业都在努力提高数据素养。
在理想的世界中，每个营销人员都将是统计学家。
但是，如果您没有足够的带宽来从事第二职业，那么您可以通过以下方法避免数据不堪重负的烦恼，并在PPC数据中找到高价值的见解。
1.成为批判性思想家和自己最大的怀疑论者
您可能已经在寻找胜利和机会的基础上建立了付费搜索事业，而不是挑战自己的结论。
是的，为我们应该推动的增长而参加聚会会更有趣。
但这实际上导致了懒惰的思考，可能会降低性能。
训练有素的统计学家会对简单的结论和观察结果表示怀疑。
您可能无法在自己的分析中戳洞（特别是在开始时）。但是，要糟糕的是：
在将您的想法提交到PDF报告之后，请有权威的人对您的结论提出质疑。
实施您的建议，并注意减少收入。
是时候改善您的批判性思维和PPC数据解释了。
这就是可能的样子。
方案：“广告处理A”优于“广告处理B”
懒惰的思维
我不是设计专家，我无法告诉您原因，但是我知道治疗A的点击率较高，因此我们应该采用该设计。
批判性思考
两种治疗有何不同？两种处理方式是否都以相同的报价驱车到相同的目标网页？我们的假设得到支持吗？
“解决方案A”在所有受众群体和展示位置上，还是在某些细分市场上做得更好？
我是否同时比较了点击率和转化率？我们了解到什么可以应用于下一轮测试？
方案：转化每月减少20％
懒惰的思维
转换率下降是因为本月对您的产品感兴趣的人减少了。
您需要更好的报价。
批判性思考
转化率环比下降了20％，但如果缩小比例，则可以看到同比增长128％。通常，我们会看到季节性明显下降，但5月的转化率很高。
是什么促成这一增长？
预算和购置成本每年如何比较？
懒惰与批判性思维
在每种情况下，“懒惰的答案”都是我从PPC求职者那里收到的实际答案。
懒惰的思考无需得出更深入的数据即可得出结论。
如果您不知道如何得出最明显的结论，请想象您的老板（或客户或招聘经理）刚刚对您的分析提出了质疑。
他们发现您可能忽略了什么？
除了最初的观察之外，还有什么导致您看到结果的？
为什么这不是正确的（或最佳的）解释？
在接受自己的结论之前，花更多的时间来证明自己是错误的，而不是证明自己是正确的。
2.了解您的KPI和计算
如果您没有统计学或市场营销的正式背景，这些计算和框架将使您免于在分析中犯新手错误。
转换与收益
从关键绩效指标（KPI）开始
您的KPI应该是导致业务增长的指标。
确定KPI的优先级（例如转化或收入），并注意推动它们的指标（例如点击次数和转化率）。
不要让自己被可用于分析的每个数字或数据点分散注意力。
“转化”不是标准指标
如果您具有不同价值的转化（例如订阅时事通讯和购买大量商品），请不要汇总整个帐户的转化计数。
与潜在客户或销售相比，您获得的页面浏览量转换要多得多，但它们对企业的价值不高，因此在优化中不应获得同等的重视。
广告支出回报率（ROAS）无效
无论您是销售产品还是服务，开展业务都需要付出广告费用以外的费用。
不要将花费$ 1,000并获得$ 1,000的收入视为“收支平衡”。
经常被误解的公式
比较公式不可逆
Google Ads有一个内置的工具可以比较不同的时间段。
您不能改变方向，也不能保留值：从第1年到第2年的每次点击费用下降63％，并不意味着从第2年到第1年的每次点击费用增长63％。
如果无法计算百分比的增加或减少，请使用此计算器。
不要平均
如果您的指标已经是平均值或比率（例如平均每次点击费用，点击率，转化率，投资回报率），则无法将其重新求平均值，因为它没有考虑每个指标的数量。
这个错误是一个生态谬误的例子，它使群体平均值和总平均值混淆。
您需要使用指标的原始总数来计算比率。
顺便说一句，本文开头的广告文案问题中的错误属于此类，特别是辛普森悖论划分的谬误：整体上的正确性并不总是部分适用。
无论如何，除了上面提到的以外，还要更多地了解数据关系。
但是即使理解这些概念也可以解决我看到的营销人员最常见的数据解释错误。
3.发现虚假关系
“虚假相关性”是付费搜索中每天出现的大名。
我们看到了效果，但不知道真正的原因。
当“两个或多个事件或变量由于某种偶然的或某些第三个看不见的因素的存在而发生关联而没有因果关系时，就会发生虚假关系。”
您知道“关联不是因果关系”。让我们看看这对付费搜索有何影响。
潜伏变量
潜伏变量会影响自变量和因变量，但不会包含在模型中。
相反，他们躲在结果的表面原因背后。
例如，一个客户问：“我们应该把PPC营销工作集中在哪里？”
经验不足的美国营销人员每次都会告诉他们同样的事情：
加利福尼亚州
纽约
德州
佛罗里达
有时他们甚至得出结论，这些州应根据绩效提高出价。
但是他们并不认为“最佳州”的人口最多-大量点击和销售背后的潜伏变量。
以下是一些捕捉或避免潜伏变量的技巧：
看一下比率和比率，而不是原始数字，尤其是在人口数量是一个因素的情况下。
对表进行细分，以发现潜在的因果变量，例如设备类型（影响转换体验）和网络类型（指示意图）。
查看搜索字词和地理数据，可能与您的预期不符。
混杂变量
混淆变量是误解PPC结果的另一个常见原因。
容易忘记，在界面之外，存在着影响人们的搜索和购买决定的广阔世界。
不要以为帐户效果的每一次变化都是因为您所做的。
检查以下因素：
季节性：“基于时间的结果的可预测的，重复的上升和下降。”
促销：要约强度，要约更改，开始和结束日期，离线促销活动。
竞争：使用“ 拍卖见解”，但也要观察他们如何定位报价。
跟踪 更改：页面损坏，缺少转换跟踪，新的转换类型等。
资产关系：搜索字词，广告和登录页面是否都匹配？
外部：使用Google趋势并检查近期和长期趋势。
4.接受不确定性
被“数据驱动”的诱惑力是您可以肯定地知道哪些有效，哪些无效。
但是在数字营销中，情况很少。
正确解释数据意味着面对波动性，不确定性，复杂性和歧义性（也称为VUCA）时，不会被“ 随机性 ”或潜意识的偏见所欺骗。
这里有一些指导原则，可以帮助您分析结果。
大数定律不是反向的
概率论中有一种叫做大数定律的理论。
它指出，通过足够的试验，随机事件的合计结果将变得可预测。
大量定律适用于大量数据。
它适用于赌场或亚马逊。
它不适用于点击几下的小型广告系列。没有“小数法则”，有限的观察值可以准确地为您提供期望值。
当涉及规模扩展，预测，“挑选赢家”或以其他方式评估未来表现时，请了解少量样本集的局限性。
如果您唯一的转换发生在晚上7点，请不要告诉您的客户“晚上7点是广告的最佳时间”。
提防“统计意义”的虚假安全
营销人员喜欢引用 “统计意义”，即使他们不了解它的含义。（提示：涉及统计数据的结果不是“重要的”。）
即使对于专家而言，意义测试也可能具有挑战性，他们可能会将统计意义与“实质性重要性 ” 混为一谈。
许多研究错误地指出了一个重要的灰色领域，例如在同行评审期刊上发表的这些发现：
“只是逃脱了意义”（p = 0.07）
“不完全显着”（p = 0.085）
“在10％的水平上非常接近显着性”（p = 0.104）
尽管统计学家在争论统计意义的优劣之处，但营销人员经常将置信度视为需要追赶的东西，并在不知不觉中通过p-hack和数据疏 edge得出错误结论的方式（如果他们甚至一开始就知道显着性水平是什么）。
最好的情况是，统计显着性向您显示如果原假设为真（即是由于偶然性）而获得结果的可能性。
它不会告诉您对导致结果的原因所得出的结论是否正确，也不能确保其具有实际意义（结果是否足够大，足以引起人们的注意）。
那么，这如何影响您对正确解释PPC数据的追求？
这只是意味着，从一开始，制定计划并了解自己的风险承受能力 便会重担。
如果您随意启动，然后尝试盲目地将数字插入公式以得出见解，则您不太可能学到任何有意义或“有意义的”信息。
结论
“以数据为依据的决策”的悖论在于数据无法做出决策。
您必须对数据做出决策。
您可能没有统计方面的学术背景，但是您可以在数字营销的定量方面拥有自己的能力，例如：
培养批判性思维能力。
了解关键计算。
深入了解数据的故事。
了解样本量的限制。
除了您自己的信心（和词汇量）之外，您的见解，报告和客户关系也将大大改善。