之前更新了不少谷歌广告的文章，朋友不用担心，更新完之后，Google SEO会再更新一个汇总篇，把所有的内容都汇整成一个体系，这样可以更快去学习。

投放广告，无论你通过什么方式，最后落地的，都是数据。

因此我，非常推荐以数据出发，去做广告优化，而不是根据所谓品牌啊，用户心智啥的去做，我可以很直白的说，都是浪费钱，浪费时间。

一，明确数据分析目标

无论是出了问题、还是业务上需要做数据挖掘，数据分析，都需要先明确自己分析的目标。

目标应该尽可能满足SMART法则，中的smar四项是必须的。如图：

如果目标无法明确（specific）。

那么与上级，与同辈们多讨论下，是否有其他方式可以更明确我们的目标。

例如，利用广告达成强大的品牌效应。

强大的品牌效应是什么，强大的指标是如何?这是不明确的目标。

如果目标无法测量（measureable）

在保证目标是正确的前提下，把无法量化的指标，通过合理的方式去指标化。通常会采用分析法，标签法等统计学方式，去做维度拆分。

例如，培养潜力人才。

如何为潜力?潜力可分为学习能力，模仿能力，总结归纳，逻辑表达能力等等，针对每个能力维度，可做明细的测试题以及能力考察评分。

如果目标无法实现（achieveable）

要变换思路;可通过向外去拓展资源，或者向内去梳理清楚哪些是可以做的。

例如：IOS 14断了设备追踪ID。

我们是否能向外部appsflyer找解决方法，或者调整我们内部归因问题。当然可以选择跟苹果投诉，但这是实现概率是很低的。

如果目标无相关性（relevant）

分析中可能会有一些结论或者内同不了解，盲目确定目标，就会与实际情况背离，那么一定要与目标相关性强的部门，人员，业务做好协调配合多，有利于更好理解目标。

例如：广告在巴西突然跑疯了，是否与巴西业务有关，则需要去做协同了解。

总得来说，数据分析的目标，是要找到通过数据逻辑，去找到一个明确的，可以测量，同时可以被我们力所能及能改变的事实。

而且我们后续为之的努力，是能够影响该事实进程的。

二，从业务流程出发

流程思路1：从大到小

从市场-全盘-渠道-项目-个人，业务流程的梳理。

流程思路2.：满足MECE，金字塔原则

从横纵两个维度出发，做到不重不漏，保证每个节点都能被串联起来。

流程思路3：抓住关键点，明确数据影响范畴

做到不重不漏意味着有大量的节点需要被关注，但并不是每个节点都需要花费精力。因为每个数据所代表影响的环节是有限的，明确每个环节中的关键节点是非常重要的，同时还得清楚他们影响的范围和边界。

屏幕前的你，可以对着下面的沙盘进行推演，如果你来分析，你会怎么分析?

分析沙盘推演

背景：个人巴西谷歌广告ROI出现异常升高，约上升180%

分析思路流程，如图：

合理推断：市场，大盘，运营，广告，都无异常，那可能AF数据归因到内部数据异常，需要技术排查。

三，数据分析三板斧

这三板斧是行业内认可度较高的分析流程

1.对比

对比变化的数据，在同维度(时间，国家，投放方式，同周期)下，具体的差异点是什么，变化幅度多大，是否超出经验范围。

举个例子：最近气温波动高。

那统计早上跟傍晚的温差，对比日常的温差，就能知道是否最近气温波动高。

2.细分

A，在明确数据异常的情况下，按业务构成，逐一排查

例如：ROI持续下降。

查看广告是否正常运作，查看国家ROI下降趋势，查看实际ROAS值的差距。在毫无异常的情况下，再查看着陆页，关键词。

B，针对异常数据的结构组成，逐一拆分同一指标下不同数据结构的差别。

例如：某个广告花费异常。

组成这个花费的结构有时效、素材、广告受众、关键词等，通过对异常花费时间的花费结构拆解，明确在这些细分结构上哪些出现异常，即可检查出哪些问题是对异常数据产生主要影响的根本原因。

3.溯源

当明确细分业务、数据结构上的问题，就可以根据异常去做溯源分析。这个分析主要是找到影响细分数据异常的因素做拆分。

案例：

背景：2024年10月份，某几个SDS广告花费异常。

对比、细分：

经过拆分发现英国的关键词费用在午夜1点的时候突然暴涨导致。

溯源：

对关键词进行分析，发现关键词80%的花费集中在iphone14、iPhone等与广告极度不相干的关键词上。

操作：

手上所有的全球广告都排掉相关暴涨关键词。上报异常给谷歌渠道，检查异常关键词触发广告的原因。

四，数据验证

当数据分析已然得出结论后，常见会存在两种情况;

1.数据误判

数据分析得出的结论所产生的操作并不能解决实际问题。

例如：从数据分析的角度发现，谷歌出价的ROAS与广告ROI有明显正相关关系;但实际操作中，通过提高广告的ROAS出价，并不一定会出现广告ROI增长的情况，相反可能会下降。

这实际上也是数据分析里面相关性与因果性的区分问题。

我们可以直观得到两组数据的相关性，但他们是否因果关系，就需要更多维度、数据去做验证判断。

这也是数据分析上的一个难题。所以在做数据分析之后，一定要做数据验证，来推测你的结论是否正确，是否有误判到。

2.归因复杂

正如上面提到我们很难验证数据的之间的因果性，是因为导致一项结果的原因存在多个，甚至他们的影响的范围都各不相同。

因此，我们常常在分析中会找到好几个对目标影响较大的因素结论。

基于以上两点，得出数据分析结论之后，不能够贸然给事情盖棺定论，需要在后续的操作中快速对数据分析的结果做出多次数据验证：

一来要检测数据分析是否误判;

二来要检测数据各个细分归因的影响范围及其重要程度。

五，文档记录

所有的数据情况，数据分析，数据验证过程，最好保持记录文档、excel数据的习惯，针对每个环节的影响程度做出记录文档。

有利于在出了问题之后，快速定位位置;有利于项目对接;有利于更专业把控每个业务环节。

以上是，谷歌优化广告投放的思路，数据驱动。

其实只能算是抛砖引玉，因为实际上这里面提到的方式方法，是做研究，做分析，做学科时候常用的。

简单来说，就是把每一次投放，当成一段实验，而不是把每一次都当成必须要高额回报的投放。

当然，这不是每个人能接受的。

很多时候，投手都是用钱砸出来的，因为知道痛，知道哪条路是锁上的，就坚决不做，但这种心态和想法，是需要无数个ROI为1.为零点几的广告砸出来的，这就会让很多老板望而却步。