付费搜索数据
Google 搜索查询量 (GQV) 通常是媒体与销售额之间的重要混杂因素。对于付费搜索尤其如此，因为在某些广告系列设置下，搜索查询量可能会推动广告量，例如当预算上限不会阻止广告投放时。如果 GQV 成为混杂因素，您必须对其进行控制，以便针对与其混杂的任何媒体获得无偏的因果估计值。如果不控制 GQV，可能会导致对付费搜索因果效应的高估。
Meridian 提供了一种解决方案，可以将 GQV 数据作为控制变量纳入模型中。请考虑以下建议：
最好按地理位置人口缩放 GQV 数据。可以利用
control_population_scaling_id实参执行此操作。定位到特定品牌搜索查询的付费搜索广告系列与定位到更宽泛的产品相关搜索查询的付费搜索广告系列截然不同。最好将这些广告系列作为单独的媒体渠道纳入模型中。
特定品牌关键字广告系列通常使用点击次数进行建模，因为这些广告系列旨在提升直接网站流量。其他广告系列则通常使用展示次数进行建模，因为即使未促成点击，展示也有可能带来一定的效果。
最好将每个付费搜索媒体渠道所定位的查询的搜索查询量纳入模型中。例如，如果营销组合建模分析 (MMM) 将特定品牌付费搜索和一般付费搜索作为单独的媒体渠道，那么建议您将特定品牌 GQV 和一般 GQV 作为两个单独的控制变量纳入模型中。
如需了解更详细的注意事项，请参阅纳入搜索查询量作为控制变量。
组织的 GQV、付费搜索数据、频次和其他与 Google 相关的数据可通过 Google MMM Data Platform 获取。如需了解如何访问这些数据，请参阅使用 MMM Data Platform。
在搜索广告中是使用点击次数还是展示次数
决定在搜索广告中是使用点击次数还是展示次数时，请考虑以下因素：
关于点击次数和展示次数的决定确实会产生一定影响，但在各个衡量合作伙伴之间，甚至在同一衡量合作伙伴内部，关于哪种输入最好的看法也并不一致。
作为广告客户，请考虑您能更好地控制哪个变量。由于模型会告知您媒体执行（无论是通过点击还是通过展示定义）对 KPI 有何影响，因此使用您可以更好地控制的变量反过来可以让您更好地控制对 KPI 的影响。
点击次数更有可能与 KPI 相关，而展示次数则更有可能与 GQV 相关。特定品牌关键字广告系列通常使用点击次数进行建模，因为这些广告系列旨在提升直接网站流量。其他广告系列则通常使用展示次数进行建模，因为即使未促成点击，展示也有可能带来一定的效果。
了解作为搜索广告混杂因素的搜索查询量
将因果推理应用于营销时，最大的挑战可能是，当产品需求增强时，广告客户往往会在营销上投入更多资金。我们在分析营销支出的因果效应时，最关心的是如何区分 KPI 的增加是由于营销支出的增加，还是由于内在需求的增加。
对于搜索广告，内在需求与营销支出之间的密切关系尤为明显。这是因为只有当搜索查询与一组广告客户所定位的特定关键字相匹配时，页面上才会显示搜索广告。如果内在需求较高，自然搜索查询量也会很高，进而使搜索广告的总支出金额变高。因此，自然搜索查询量是搜索广告的一个重要混杂变量。如果不考虑这一因素，就难以进行有效的搜索广告因果推理。
对于搜索广告预算较高的广告客户，这一问题尤为突出，因为他们的付费搜索广告量与自然搜索查询量的关系往往更为密切。不过，如果预算较低的广告客户在需求旺盛期增加预算，或者仅在这些时期投放搜索广告系列，则也会受到该问题的影响。
Meridian 提供了相应选项，可在模型中加入 Google 自然搜索查询量 (GQV)，作为 Google 搜索广告的混杂变量。来自非 Google 搜索引擎的自然搜索查询量往往无法获得。如果您想要将非 Google 付费搜索广告纳入模型，但没有来自相应搜索引擎的自然搜索查询量，以下替代方案可能适合您：
如果 GQV 能准确反映非 Google 搜索查询量，则可以减少偏差。建议您对此假设进行评估。您可以通过绘制图表来评估该假设，例如：
在上图中，y 轴表示媒体展示次数与品牌 GQV 之间的相关性，x 轴表示媒体展示次数与宽泛查询量之间的相关性。
如果您不想假设 GQV 能准确反映非 Google 搜索查询量，则可能需要在模型中忽略非 Google 搜索引擎。
如需详细了解广告定位导致的选择性偏差问题，请参阅在媒体组合建模中对付费搜索广告进行偏差校正。