Kateřina Lahodová na konferenci Data Restart 2020: Příklad využití datové analytiky pro zlepšení alokace nákladů na PPC. Od sběru vstupních dat z Google Ads a jejich analýzu, přes výběr a trénování modelů až po implementaci produkčního řešení a zpřístupnění nástroje uživatelům pomocí cloudových služeb.

1. Statistické modely jako
nástroj PPC marketingu
Data Restart 2020
Kateřina Lahodová

2. Úvod
Zadání od IMKT:
Analyzovat vliv PPC nákladů na atribuované tržby

3. Očekávaný výstup
Predikce tržeb na následující období na základě PPC nákladů1
Simulační studie dle limitu na náklady2
Predikce vlivu na tržby při zvýšení nákladů3

4. Sběr a analýza vstupních dat

5. Analýza vysvětlované proměnné

6. Analýza PPC nákladů

7. Výběr dalších relevantních proměnných
Časové proměnné – kvartál, měsíc, týden
Speciální akce – Vánoce, Black Friday
Aktuální situace na trhu – trendy v tržbách

8. Tvorba statistického modelu

9. Zdroj: https://google.github.io/CausalImpact/CausalImpact.html
Výběr statistického modelu
Lineární regrese s mnoha parametry
Bayesovské strukturální časové řady pro modelování větších
změn v alokaci PPC nákladů
Rozhodovací stromy
1
2
3

10. Black box nebo jednodušší model?
Přesnost modelu
Interpretace výsledků
Výpočetní náročnost
Debugging
Využití potenciálu v datech
Časová náročnost vývoje

11. Model s náklady

12. Model s časovou dimenzí

13. Porovnání předchozích modelů

14. Zdroj: Mondal, Sayantan & Mukherjee, Saumyak & Bagchi, Biman. (2017). Protein Hydration Dynamics: Much Ado about
Nothing?. The Journal of Physical Chemistry Letters. 8. 4878-4882
Ensemble model
The Blind Men and the Elephant
John Godfrey Saxe

15. Data
Model A
Model B
Model C
Trénovací
množina A
Trénovací
množina B
Trénovací
množina C
Agregační model Predikce
Ensemble model - schéma

16. Ensemble model - výsledek

17. Jak zpřístupnit výsledky uživatelům?

18. Aktualizace 1. týdně
Infrastruktura řešení
Lokální databáze
Průběžné trénování
a vyhodnocování
modelu a reporting
Aktualizovaná
uživatelská aplikace
(Power BI, Flask,
Shiny)
Reporting

19. 200
300
100
W30
W31
W29
Přepočítej
Predikce tržeb
Odhadovaný vývoj
CZK
CZK
CZK
W30
W31
W29
Vyhodnoť
Odhadované náklady
Aktuální vývoj
CZK
CZK
CZK
200
300
100
Uživatelská aplikace

20. Co jsme se naučili?
• Využít flexibilitu cloudu
• Zajišťovat bezpečnost řešení
• Tvořit zadání ve spolupráci se
zadavatelem
• Vytvářet uživatelské prostředí
Další kroky?
• Monitoring používání aplikace
• Správa modelu
• Zlepšení simulace
Vyhodnocení a další postup

21. Děkuji za pozornost!