Ferramenta de Free For Back Of-The-guardanapo Pesquisa pago Forecasting

A+ A-


Previsão é um processo delicado que exige cuidados.

Quando potenciais novos clientes pedem nossa agência para construir as projeções de PPC de 12 meses, que muitas vezes tremer. Não é que as previsões de construção é tecnicamente ou teoricamente difícil agitar estimativas mensais razoáveis ​​de volumes clique termo de nível e clique custos em estimativas razoáveis ​​de conversão do site, leve ao forno a 350 graus, e você tem um saboroso vendas de pesquisa paga e previsão de custos.


Os problemas surgem quando os clientes não compreendem a precisão das estimativas (sugestão: sempre oferecer aos cenários de alta e baixa para tornar suas incertezas explícito), ou quando os clientes ignoram que as previsões são um reflexo direto de sua estratégia planejada (sugestão: rever e reenviar previsões devem sua estratégia de publicidade mudança materialmente durante o ano), ou quando devoção servil a uma previsão impede de marketing inteligente. Para esse último ponto: uma vez tivemos um grande cliente nos instruir para desligar a sua pesquisa campanhas de duas semanas antes do Natal, quando a sua conversão e vendas e lucros eram através do telhado e os seus anúncios de busca foram literalmente imprimir dinheiro, porque seu orçamento anual destinado era Exausta. Ouch.

Às vezes, porém, os comerciantes precisam projeções rápidas back-of-the-guardanapo. A pergunta comum é algo como “Então, se nós ficou muito agressivo e dobramos nosso Google gastar no próximo ano, sobre o quanto acho que nossas vendas subiriam?”

Nesta situação, você precisa de uma aproximação rápida, não lento, formal, previsão de full-blown.

Digite o modelo “Regra raiz quadrada”. Esta é uma afirmação matemática simples que assume a relação entre vendas e publicidade segue uma relação de raiz quadrada.

Este modelo é totalmente errado, e nós vamos voltar a esse ponto. Mas, mesmo errado, ainda é útil. Minhas desculpas se eu não slog através da matemática neste post. As pessoas que gostam de cálculo recreativo pode rever as equações em um post mais blog. Para o resto de nós, que já envolveu uma planilha do Excel em torno deste modelo, e que ferramenta gratuita está disponível aqui (arquivo XLS).

Os próximos parágrafos referência a planilha. Para acompanhar, pop que a folha aberta agora.

A folha abre carregado com um cenário particular, um exemplo dado por Kevin Hillstrom em um post MineThatData ano passado. Aparte: Eu recomendo o blog de Kevin para as pessoas interessadas em marketing direto multicanal.

Neste cenário específico, o varejista está gerando $ 10mil em vendas de um orçamento de busca pagou US $ 2mil, para uma relação ad-de-venda de 20%. Para o nosso propósito aqui, período de tempo não importa - aqueles poderia ser valores anuais, trimestrais ou mensais. Este varejista hipotética tem 60% do custo de produtos e custos variáveis ​​de 13%: pick-pack-navio, suporte por telefone, taxas de desconto do cartão de crédito, etc.

O modelo sugere que o aumento da publicidade gastar até US $ 2.2mil (até 10%) iria aumentar as vendas para US $ 10.5mil (até 5%), e diminuir o lucro em US $ 70K (abaixo de 10%).

Com essas entradas, o modelo sugere que a redução gastos com publicidade iria aumentar o lucro. O varejista está gastando 20 centavos em publicidade para gerar um dólar em vendas, e esse dólar só rende 27 centavos em publicidade margem muito eficaz.

Por outro lado, suponha que o varejista hipotética estava gerando que US $ 10mil em vendas usando apenas US $ 1,2 mil em pesquisa (12% A / S). Com essas entradas, o modelo declara que o varejista é a publicidade sub, e prevê o aumento ad gastos em US $ 300k iria aumentar as vendas em US $ 1.25mil e maximizar o lucro.

Para usar este modelo para estimativas rápidas, alterar as cinzas sombreado células. Coloque o seu custo de anúncio para uma campanha recente na célula C8 e as correspondentes vendas controladas em C9. Colocar o seu percentual médio do custo de produtos vendidos no C10. Coloque as suas outras despesas variáveis ​​em C11.

O modelo oferece uma base de P & L para sua campanha. Ele também estima que o impacto de vendas e lucro de + 30% e -30% mudanças nos gastos com publicidade, e calcula a quantidade de publicidade que maximiza o seu lucro operacional.

Mencionei anteriormente o modelo é totalmente errado. Sim. Na vida real, as receitas não escalar suavemente e sem limite, mas este modelo ingênuo pensa que eles fazem. O modelo feliz prevê que este varejista poderia gerar US $ 1 bilhão em vendas de anúncios de pesquisa paga que é ridículo, mas eles precisam pagar Google $ 20 bilhões para fazê-lo, mesmo mais ridículo!

O modelo é menos errado para pequenas mudanças, digamos, mais ou menos 20% mudanças no gasto. Mas antes de usar esta ferramenta, eu recomendo que você leia-se sobre suas limitações.

otimização de campanha verdade vem através de testes, e verdadeiro previsão leva paciência e cuidado. Mas, quando você precisa de um guestimate back-of-the-guardanapo de vendas para um determinado gasto com publicidade, a regra da raiz quadrada pode ser uma ferramenta útil.

Alan Rimm-Kaufman leva a-Kaufman Rimm Group, uma empresa de serviços de marketing direto e de consultoria fundada em 2003. A coluna busca paga aparece terças-feiras no Search Engine Land.


As opiniões expressas neste artigo são as do autor convidado e não necessariamente Search Engine Land. Autores pessoal aqui.


Ads

Compartilhar