Московский экономический журнал 5/2018

image_pdfimage_print

1MEZHlogo-e1521963337142

УДК 338.1

DOI 10.24411/2413-046Х-2018-15071

Плотников А.В., к.э.н., Пермский государственный аграрно-технологический университет им. ак. Д. Н. Прянишникова

Plotnikov A.V., Candidate of Economic Sciences, Perm State Agro-Technological University named after Academician D.N. Pryanishnikov

АНАЛИЗ ПОИСКОВЫХ ЗАПРОСОВ GOOGLE В UK И US

 ANALYSIS OF GOOGLE SEARCH QUERIES IN THE UK AND US

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.

Summary

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]

Методы исследования

   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 [5]:

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 зпроса 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. 

   Вариант 1. 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)

Безымянный

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

Безымянный

   Из рис. 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)

Безымянный

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

   На рис. 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
  5. A.V. Plotnikov, P.A. Kuznetsov, A.A. Urasova and E.M. Akhmetshin, Correlation Analysis Of The Data On The UK And US Market For Contextual Advertising International Journal of Civil Engineering and Technology, 9(11), 2018, pp. 1630– 1639.