Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: XIX Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 06 февраля 2019 г.)

Наука: Экономика

Секция: Теория современного менеджмента

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Плотников А.В., Урасова А.А. ОСНОВЫ СРАВНИТЕЛЬНОГО АНАЛИЗА ПОИСКОВЫХ ЗАПРОСОВ GOOGLE В UK И US // Актуальные вопросы экономических наук и современного менеджмента: сб. ст. по матер. XIX междунар. науч.-практ. конф. № 2(13). – Новосибирск: СибАК, 2019. – С. 39-44.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

ОСНОВЫ СРАВНИТЕЛЬНОГО АНАЛИЗА ПОИСКОВЫХ ЗАПРОСОВ GOOGLE В UK И US

Плотников Андрей Викторович

канд. экон. наук, доц. Пермского национального исследовательского политехнического университета

РФ, г. Пермь

Урасова Анна Александровна

канд. экон. наук, доц., Пермский государственный национальный исследовательский университет

РФ, г. Пермь

BASICS OF ANALYSIS OF GOOGLE SEARCH QUERIES IN THE UK AND US

 

Andrey Plotnikov

сandidate of Economic Sciences, Perm National Research Polytechnic University

Russia, Perm

Anna Urasova

сandidate of Economic Sciences, Perm State National Research University

Russia, Perm

 

Исследование выполнено при финансовой поддержке РФФИ и Пермского края в рамках научного проекта № 18-410-590007.

 

АННОТАЦИЯ

Поисковая реклама стала успешным каналом для рекламода­телей, а также прибыльной бизнес-моделью поисковых систем. В работе анализируются атрибуты Google Ads на предмет определения взаимо­связей и их влияния на сложность продвижения для рекламодателя по поисковому запросу пользователя. В качестве метода выступает корреляционно-регрессионный анализ атрибутов Google Ads.

ABSTRACT

Search advertising has become a successful channel for advertisers, as well as a profitable search engine business model. The work analyzes the attributes of Google Ads to determine the relationships and their impact on the difficulty of promotion for the advertiser on the user's search query. The method is a correlation-regression analysis of the attributes of Google Ads.

 

Ключевые слова: Google Ads, онлайн маркетинг, контекстная реклама, двусторонний рынок.

Keywords: Google Ads, online marketing, contextual advertising, two-way market.

 

Интенсивное развитие событий, произошедшее в области информационно-коммуникационных технологий, привело к увеличению охвата и использования Интернета пользователями. Опираясь на эти достижения, развитие электронной коммерции привело к появлению онлайн-рекламы. Благодаря множеству технологических достижений Интернет позволил рекламодателям более точно определять целевую аудитория, которая в целом была недоступна в традиционной рекламе. Google Ads предлагает возможности для рекламодателей показывать рекламные объявления для целевой аудитории по поисковым запросам на основе подобранных фраз [1]. Онлайн-реклама представляет собой особый интерес с точки зрения релевантности объявлений относительно запросов пользователей, а также определения поведения на рынке рекламодателей.

Существует множество поисковых исследований, касающихся классификации и прогнозирования таких показателей эффективности, как рейтинг кликов, рейтинг показов, средняя позиция страницы результатов и коэффициент конверсии. Изучение влияния рекламы на тенденцию онлайн-покупок авиабилетов с учетом факторов мотивации и эмоциональных факторов рассматриваются в работе N. Deshpande. Исследование показывает, что влияние рекламы на потребителей заставляет их постепенно менять свое покупательское поведение [2]. Вопросы изучения мобильной рекламы на потребительское поведение изучаются в работе M. Kotila и др.[3]

Для определения полезной информации в модели и поиска причинно-следственных связей, важно знать силу связей между пере­менными, то есть понимать, какие из показателей влияют на результат сильнее, а какие слабже, а также насколько велико результирующее влияние всех факторов. С этой задачей уместно применять регрес­сионные модели. Сначала важно построить корреляционные плеяды для определения взаимосвязей между исследуемыми показателями [4].

Условные обозначения:

The number of queries (Volume) - количество запросов в поисковой системе Google по USA/UK (чем популярнее запрос тем лучше для сайта).

СPC (Cost per click) - стоимость 1 клика в долларах США.

Competition in PPC (Pay per click), %% - уровень конкуренции среди запросов.

Keyword Difficulty (Difficulty) - это уровень конкуренции данного запроса для попадания в топ10 органической выдачи. Чем выше уровень конкуренции (80-100), тем маловероятнее сайты смогут быть в выдаче топ-10 Google по USA/UK.

Results found – количество найденных страниц в результатах выдачи по запросу пользователей в поисковой системе Google.

Keyword length – N-грамма, количество слов в поисковом запросе.

Длина строки keywords (Letters) – количество букв в поисковом запросе.

1. Вариант. Переменные: The number of queries, CPC, Competition in PPC, Results found, Keyword length, Difficulty, Длина строки keywords. Страна: США.

Отмеченные корреляции значимы при p < 0,01000;

N=5860 (без учета недостающих данных.

Таблица 1.

Корреляционная матрица (CPC, US)

Variable

The number

of queries

CPC

Compe­tition in PPC

Results found

Keyword length

difficulty

Длина строки keywords

The number of queries

 

0,043

-0,058

0,186

-0,132

0,085

-0,131

CPC

0,043

 

0,470

0,002

-0,045

0,053

-0,034

Competition in PPC

-0,058

0,470

 

-0,063

0,120

0,105

0,173

Results found

0,186

0,002

-0,063

 

-0,170

0,070

-0,226

Keyword length

-0,132

-0,045

0,120

-0,170

 

-0,087

0,886

Difficulty

0,085

0,053

0,105

0,070

-0,087

 

-0,049

Длина строки keywords (Letters)

-0,131

-0,034

0,173

-0,226

0,886

-0,049

 
 

Самая высокая положительная связь выявлена между переменными количеством слов и количеством букв в поисковом запросе. Коэффициент составил 0,886.

 

Рисунок 1. Корреляционная плеяда Вариант 1

 

Из рисунка 1 можно сделать вывод, что переменные СРС и РРС для страны US имеют со всеми переменными взаимосвязь, слабая взаимосвязь только с переменной Results found для переменной СРС. В связях преобладает положительная корреляция.

Вариант 2. Переменные: The number of queries, CPC, Competition in PPC, Results found, Keyword length, Difficulty, Длина строки keywords. Страна: UК.

Отмеченные корреляции значимы при p <0,05000

N=314 (без учета недостающих данных)

Таблица 2.

Корреляционная матрица (CPC, UK)

Variable

The number of queries

CPC

Compe­tition in PPC

Results found

Keyword length

Difficulty

Длина строки keywords

The number of queries

 

0,140

-0,019

0,333

-0,177

0,245

-0,207

CPC

0,140

 

0,458

-0,002

-0,032

0,199

-0,030

Competition in PPC

-0,019

0,458

 

-0,026

0,035

0,182

0,095

Results found

0,333

-0,002

-0,026

 

-0,183

0,129

-0,277

Keyword length

-0,177

-0,032

0,035

-0,183

 

-0,166

0,851

Difficulty

0,245

0,199

0,182

0,129

-0,166

 

-0,116

Длина строки keywords (letters)

-0,207

-0,030

0,095

-0,277

0,851

-0,116

 
 

Выявлена высокая прямая связь между переменными Keyword length (количество слов), а также количеством букв в поисковом запросе. Коэффициент составил 0,851.

 

Рисунок 2. Корреляционная плеяда Вариант 2

 

На рисунке 2 видно, что переменные СРС и РРС для страны UK обладают слабой взаимосвязью с большинством переменных. Значи­тельная положительная корреляция присутствует только с переменными Difficulty и The number of queries, из чего можно сделать вывод о сложности продвижения высокочастотных поисковых запросов из-за применения их большинством рекламодателей. Следует отметить, что для рекламодателей наибольший интерес представляет количественный критерий качественному.

 

Список литературы:

  1. Deshpande N., Ahmed S., Khode A. Web based targeted advertising: A study based on patent information //Procedia Economics and Finance. 2014. Т. 11. С. 522-535.
  2. Abayi M., Khoshtinat B. Study of the Impact of Advertising on Online Shopping Tendency for Airline Tickets by Considering Motivational Factors and Emotional Factors //Procedia Economics and Finance. 2016. Т. 36. С. 532-539.
  3. Pärssinen M. et al. Environmental impact assessment of online advertising // Environmental Impact Assessment Review. 2018. Т. 73. С. 177-200.
  4. Введение в регрессионный анализ https://srosovet.ru/content/editor/Metod/regression/10obcshaya_informaciya.pdf.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом