Tag: aws

Klassifikation af marketing udfald med AWS Machine Learning

Kobler man datalogi med matematik og domænespecifik viden har man det, vi på moderne sprog kalder Machine Learning. Machine Learning er et underområde til kunstig intelligens, som grundlæggende handler om at udnytte den enorme regnekraft, vi har til rådighed på moderne computere til at genkende mønstre i data. Der findes et hav af definitioner på, hvad Machine Learning præcis er, og hvordan det adskiller sig fra kunstig intelligens. Den korteste og mest præcise definition jeg kunne finde var dog:

“Machine learning is the science (and art) of programming computers so they can learn from data,” af Aurélien Géron

Machine Learning er et uhyre stærkt værktøj til at løse problemer i din virksomhed. Sammen med statistiske modeller kan man f.eks. svare på spørgsmål som:

  • Hvad er sandsynligheden for, at kunde X opsiger sit abonnement? (churn)
  • Hvad er sandsynligheden for, at besøgende X på min webshop køber en vare ?
  • Genkende tekst fra et håndskrevent dokument
  • Genkende ansigter på billeder
  • Klassificere objekter på billeder eller videoer

Du kan sikkert selv komme på eksempler, hvor matematiske modeller kan gavne netop din forretning! Hvis ikke, så læs videre – måske vil det stå mere klart for dig til sidst i artiklen.

I dette indlæg vil jeg vise dig, hvordan du kan træne en klassifikationsmodel til at forudsige om en bankkunde vil købe et nyt produkt eller ej. Responsevariablen er binær (0 eller 1), hvor 1 betyder at kunden har købt produktet. Denne type model falder ind under kategorien supervised learning, da vi baserer modellen på data, hvor vi allerede kender udfaldet. Modellen kan derefter bruges til at forudsige om en ny kunde (ikke allerede kunde i banken) vil købe produktet eller ej. Datasættet stammer fra UCI Machine Learning Repository og kan hentes gratis.

Hvis du ikke allerede har erfaring med Machine Learning eller andre statistiske modeller anbefaler jeg, du læser op på terminologien – Wikipedia er et helt fint sted at starte.

Hvorfor er Machine Learning svært?

En god statistikker, der er mester i at bygger Machine Learning modeller, besidder 3 overordnede færdigheder …

  1. Han kan finde ud af at programmere og er grundlæggende god til at benytte en computer. Han programmerer gerne i R eller Python og har tidligere brugt en af disse sprog til at bygge simple regressionsmodeller.
  2. Han er god til at junglere med tal og ved, hvordan man udregner en forventet værdi af en stokastisk variabel. Han har typisk læst en uddannelse på Danmarks Tekniske Universitet, Københavns Universitet eller IT universitetet.
  3. Han har domænespecifik viden. Dvs. han ved noget om det emne, han er i gang med at modellere. I dette tilfælde vil det kræve, at han ved noget om bankforretning og marketing.

Hvis du skulle være i tvivl, er ovenstående 3 egenskaber svære at stoppe ind i hovedet på bare én person. Ofte finder man folk med kompetencer indenfor 1 eller måske 2 af ovenstående punkter. Alternativt skal man som virksomhed ansætte 3 personer, der hver dækker sit kompetenceområde eller søsætte projekter på tværs af afdelinger.

Nye muligheder

Da potentialet for Machine Learning modeller er kæmpe men kravene til virksomhedens kompentencer ligeledes er store, har AWS sat sig for at lette processen. AWS Machine Learning er et produkt henvendt til dem, der ikke besidder de tekniske kompetencer (1) og muligvis heller ikke er super dygtige med tal.

AWS Machine Learning hjælper dig med at bygge klassifikations- og regressionsmodeller ved at klikke dig gennem et interface og dermed undgå at skrive koder eller andet besværligt.

Alt hvad AWS udvikler er henvendt til virksomheder og designet til at kunne klare ufattelige datamængder. AWS har flere produkter i Machine Learning feltet, men det vi skal kigge på i dag, er klart det nemmeste at gå til. Du kan læse om alle produkterne her.

Eksplorativ Analyse

For at øge den domænespecifikke forståelse kigger vi på datasættet i AWS QuickSight. AWS Quicksight er et dashboard værktøj, der bruges til at lave simple grafer og tabeller. I Machine Learning feltet arbejder man som oftes med store datamængder, som ikke lige umiddelbart kan hentes ind i et regneark. Væn dig derfor til at bruge et visualiseringsværktøj, der kan håndtere store datamængder og bliv fortrolig med det. Jeg kan anbefale AWS Quicksight eller Tableau, kan du programmere er matplotlib til Python også godt.

Response variablen

Response variablen hedder “y” og angiver, om en kunde har købt det pågældende produkt (1) eller ikke købt produktet (0). Mange Machine Learning modeller foretrækker, at der er lige mange af hver kategori. Dette er ikke tilfældet i dette datasæt, som du kan se på søjlediagrammet, er der 4640 (11.3%), som har købt produktet, og 36.548 (88,7%) som ikke har købt produktet.

Samme figur kan findes i AWS Machine Learning under fanen Target Distribution.

At data ikke er i balance gør, at modellen har nemmere ved at genkende de kunder, der ikke køber produktet. Lad os se, om det bliver et problem i denne model.

Den nemme tabel

Nogle gange skal man ikke gøre det mere besværligt, end det er. Tabellen ovenfor viser gennemsnitsværdier for dem, der ikke køber, og dem der køber. Der er tydeligvis ikke stor forskel på alderen, så umiddelbart er det svært at adskille købere og ikke-købere på baggrund af alder.

Gennemsnittet for campaign er dog 28% højere for dem, der ikke køber. Det tyder altså på, at de kunder, der ønsker at købe produktet, køber inden, de er blevet kontaktet alle de gange, som egentlig var tiltænkt.

Duration er en meget indflydelsesrig variabel og angiver længden (sekunder) på det marketingsopkald, bankens medarbejdere har lavet til kunden for at sælge produktet. Kunder, der vil købe produktet, snakker væsentligt længere med bankens medarbejdere, end dem der ikke er interesserede.

nr_employed angiver antal medarbejdere i banken, og previous antal gange kunden har været kontaktet inden kampagnen startede.

Beskrivelse af alle variable kan findes her.

Fordelingen af Civilstand

Egentlig er et BoxPlot bedre til at illustrere fordelingen af sådanne kategoriske variable. Så vidt vides, er det desværre ikke muligt at lave boxplots i Quicksight – giv gerne lyd, hvis du ved hvordan!

Figuren afslører en anelse flere singler blandt dem, der køber produktet og færrere, som er gift. Måske er produktet særlig attraktivt, hvis man er alene…

Efter at have studeret data yderligere og tegnet lidt ekstra grafer føler jeg nu at have forstået data godt nok til at kunne importere det i AWS Machine Learning.

Var dette et virkeligt scenarie og var modellen forretningskritisk ville det være nødvendigt at bruge meget mere tid på eksplorativ data analyse. Undersøgelser viser desuden at op i mod 70% af statistikkeres tid går med data forberedelse. Heldigvis klarer AWS Machine Learning meget for en og måske bør man ikke være lige så nøjregnene som hvis man byggede modellen fra bunden.

Lad os hoppe videre og begynde og arbejde med AWS Machine Learning. Det var trods alt det du kom herind for …

Importer Data

Der er to muligheder for at hente data ind i AWS Machine Learning; du kan importere CSV filer fra S3 eller hente data direkte fra AWS Redshift. I langt de fleste tilfælde skal du vælge S3, hvor du på forhånd har uploadet en csv fil. Aner du ikke, hvad S3 er eller hvordan man uploader filer dertil, skal nok hive fat i din IT-medarbejder.

Bankdatasættet er allerede gjort tilgængligt i en S3 bucket af AWS, og du skal blot kopiere stien til filen ind i feltet: “S3 Location”. Giv også datasættet et opfindsomt navn og tryk derefter “Verify”. AWS tjekker nu filens gyldighed, og vi ser, at den fylder 4.7 mb! Tryk “Continue”.

Det er tid til at vælge hvilke kolonner/variable, der skal indgå i din model. AWS gætter automatisk på datatype, men opfordrer dig til at rette hver enkelt kolonne, hvis datatyperne er forkerte.

Øverst ser vi “y” variablen, som er den, der angiver om en kunde har købt et produkt eller ej. Den er binær og kan tage værdierne 0 eller 1. Når alt er i sin skønneste orden, trykker du videre.

Næste trin er trivielt og handler bare om at fortælle hvilken variabel der skal predikteres. Det er selvfølgelig “y”. Tryk videre…

Øv endnu et kedeligt trin. AWS spørger blot om hver række har et unikt id. Det er ikke tilfældet i dette datasæt, så bare kom videre i en fart.

Det er nu tid til at vælge de indstillinger, der skal kendetegne modellen. For udfordringens skyld har jeg valgt en custom model. Er du helt nybegynder i dette virvar, anbefaler jeg blot, du vælger Default. AWS plejer at være rigtig gode til at vælge fornuftige standardværdier, som passer i langt de fleste tilfælde.

I næste trin er det muligt at modificere datasættet ved hjælp af en opskrift. Jeg lader blot tingene stå, som de er og trykker videre.

Efter at have trykket os igennem en masse sider med spørgsmål, kommer vi endelig til fanen: “Advanced Settings”. Tingene er egentligt fine, som de er, men lad os ændre “shuffle type” fra none til auto.

Det er god praksis at plukke tilfældigt fra træningsdatasættet i stedet fra at tage fra toppen og ned. Hvis man f.eks. har sorteret sit datasæt, kan det ske, at kun y = 1 ligger i toppen og modellen uheldigvis aldrig får andet at se.

Bemærk også, at det er muligt at regualisere under træning. Regualisering er i udgangspunktet en god ting, da det tillader modellen at generalisere i højere grad, og dermed modvirker det overfitting. Som standard ser vi også, at den står til L2 regualisering i en mild grad.

Vi er nu ved vejs ende og klar til at træne modellen. Efter at være blevet præsenteret for en oversigt over alle de indstillinger, vi har sat, er det tid til at trykke go!

Når modellen er godkendt, gør AWS følgende ting, som alle tager lidt tid… Et godt sted at holde øje med fremgangen er ved at gå til dashboardet og holde øje med status “pending”, som skifter til “completed”.

  • Splitter datasæt i 70% træningsdatasæt
  • Træner model
  • Evaluerer model

Når alt er skiftet til “completed”, trykker vi på det element på listen, der hedder Evaluation.

Evaluering af modellen

At evaluere ens model handler om at finde ud af, hvor god den er til at identificere potentielle købere af produktet. Ved at køre noget ukendt data igennem modellen, udregner vi, hvor mange gange modellen gætter rigtigt, altså at 0 faktisk er 0, og at 1 faktisk er 1. Nogle gange vil modellen gætte på 0, hvor det rigtige svar var 1 og omvendt gætte på 0, hvor det rigtige svar var 1. I dette tilfælde er det lige slemt at gætte forkert i begge tilfælde, men man kan nemt forstille sig en situation, hvor at gætte på det ene fremfor det andet kan have væsentlig højere omkostninger.

Ved binær klassifikation er det normalt at bruge confusion matricer til at evaluere performance. Udfra confusion matricen kan man regne misklassifikationsfejl og accuracy. AWS Sagemaker udprinter ikke confusion matricen men skriver i stedet værdierne op som på billedet til højre.

Misklassifikationsfejlen er (262+822)/12330 = 8.79%.
Med andre ord tager modellen fejl i 8.8% af tilfældene, men gætter tilgengæld rigtigt i 91.3% af tilfældende. Det er svært at sige, om dette er godt eller ej. Vi husker fra den eksplorative analyse, at ca. 88.7% af data er 0’er. Hvis modellen altså gættede 0 hver gang, ville den få 88.7% rigtige – derfor forventer vi, at modellen som minimum er bedre end det.

Afrunding

Jeg håber, du har fået blod på tanden til at undersøge nærmere, hvordan Machine Learning kan hjælpe dig med at tage bedre forretningsbeslutninger. Denne artikel belyser kun 1 af de 3 typer af modeller, som er muligt at lave med AWS Machine Learning. Den bedste måde at lære på, er ved selv at kaste sig ud i det. Jeg vil bestræbe mig på i fremtiden at skrive flere indlæg om AWS Machine Learning værktøjet og Machine Learning generelt. I mellemtiden er du meget velkommen til at skrive en kommentar nedenfor om forslag til næste emne, jeg skal tage op!

Nu når du har læst hele min artikel, vil jeg gerne afsløre, at AWS også har skrevet en guide om modellen, som kan findes her.

Tak fordi du læste med!

Forstå din markedsføringsaktiviteter med AWS QuickSight

Jeg forestiller mig, at der er mange marketingfolk derude, som dagligt flytter rundt på kolonner og rækker i et Excel ark for at få indblik i deres forretning. Med dette indlæg vil jeg slå et slag for at bruge business intelligence programmer til at samle data fra mange kilder og dermed nemmere og hurtigere få det fulde overblik over din marketingaktivitet.
Der findes et utal af business intelligence værktøjer, nogle nemmere at bruge end andre. Fælles for dem alle er, at de kræver en god underliggende datastruktur, hvilket ofte også er det mest tidskrævende at opsætte.
I denne artikel vil jeg vise dig, hvordan du kan bruge Amazon Quicksight til at analysere dine markedsføringsaktiviterer på tværs af Facebook og Google Ads.

Jeg forestiller mig, at du som læser, arbejder som affiliate publisher og har en eller flere websites med kampagnelinks, eller at du måske arbejder som media-buyer i en virskomhed, der operer på mange forskellige kanaler. Vigtigst af alt er at du spilder massere af din tid på at opsætte Excel ark, som du ellers kunne have brugt på at lukke aftaler, forhandle bedre priser, lave nye kreativer eller på andre måder skalere din forretning.

At overgå fra regneark til et dashboard værktøj kan virke som en uoverskuelig process, men hold snuden i sporet det skal nok betale sig, når du er blevet fortrolig med dit nye værktøj.

Lad som om du er affiliate marketer

For at vise hvordan man kan lave et overskueligt dashboard i Quicksight, har jeg genereret tre forskellige og fuldstændigt tilfældige datasæt, som vi kan arbejde med. Disse datasæt udspringer af den fiktive situation,, du står i lige nu – spil med på legen: Du er affiliate publisher og har lavet en hjemmeside, der sammenligner mobiltelefonabonnementer. Alle links på denne sammenligning går gennem et affiliatenetværk, som betaler dig for hver ny kunde, telefonselskabet får. I din sammenligning indgår seks telefonselskaber: YouSee, Telmore, Oister, OK Mobil, Glad Mobil og CBB Mobil.

Da du lige har startet din hjemmeside op, har den ikke mange organiske besøgende. Derfor køber du kliks fra Facebook (CPM) og Google Ads (CPC) (Adwords) i håb om, at de brugere, der kommer ind på din hjemmeside, vælger at skifte mobilabonnement. Du kan altså tjene penge, hvis trafikken, du køber, er billigere end det, du tjener gennem affiliatenetværket. Figuren nedenfor viser brugernes vej fra bannervisning til konvertering. Der er mange steder i processen, efter brugeren har klikket på en annonce, hvor brugeren kan ombestemme sig og alligevel ikke skifte telefonabonnement. Denne handling udgør din risiko som affiliate publisher, da du har betalt for et klik på Facebook eller Google, men ikke kommer til at tjene penge fra affiliate netværket.

De konkrete tal i datasættene er tilfældigt genereret og har kun lidt hold i virkeligheden. At købe traffik fra Facebook eller Google er forbundet med risici, hvilket gør det endnu vigtigere at have brugbare værktøjer til at overvåge omkostninger, indtjening og profit. Nederst i artiklen kan du downloade datasættet.

Hvad er AWS QuickSight?

Quicksight er et relativt nyt business intelligence værktøj udviklet af Amazon Web Services (AWS). Da jeg prøvede QuickSight for et par år tilbage var mit første indtryk, at det ikke var et komplet værktøj, der kunne konkurrere med de mange andre værktøjer på markedet f.eks. Tableau eller Qlik. Dog har AWS tilføjet mere funktionalitet til programmet og QuickSight nærmer sig nu et fuldblods dashboard værktøj.

Fordele:
QuickSight er udviklet af AWS, som altid er garant for kvalitet og stabilitet. QuickSight kører udelukkende i din browser og stiller derfor ikke store krav til din computerkraft. Det betyder også, at QuickSight kan håndtere kæmpe datamængder, som du ellers ikke ville kunne analysere på din arbejdscomputer.

QuickSight spiller rigtig godt sammen med andre produkter fra AWS, og hvis din virksomhed allerede køber IT arkitektur hos AWS, bør du helt klart prøve QuickSight.

Med QuickSight behøver du ikke tænke over hastigheden på din underliggende datakilde. Er din databaseserver langsom, kan du importere dit datasæt ind i SPICE. SPICE er den motor, som Quicksight bruger til at ordne og indeksere datasæt til nem hurtig analyse. Hvert datasæt importeret ind i SPICE kan fylde op mod 25 gb!

Ulemper:
Der findes intet program til Mac eller Windows – Quicksight er undelukkende browser baseret.

Med Quicksight er det ikke muligt at “blende” datasæt sammen ligesom det er i Tableau. Hver graf eller tabel du laver, kan derfor kun være baseret på ét datasæt.

QuickSight har ikke så mange connectors som andre værktøjer. Derfor kan du ikke automatisk importere Facebook data eller Google data. Hvis du vil have data ind fra andet end flade filer eller databaser, skal du derfor have fat i en programmør.

Desværre er det ikke muligt at lave noget så simpelt som trendlinjer på grafer. Trendlinjer er ekstremt nyttige til afgøre tendenser i data; “Er min omkostning stigende ?” eller “er min CPC faldende?”. Det er egentlig lidt underligt at simple analyseelementer ikke kan laves nemt i Quicksight, men at komplekse Machine Learning analyser nemt kan foretages i QuickSight.

QuickSight understøtter kun 4 af de største valutaer og dermed ikke danske kroner. I dashboardet har jeg valgt at benytte dollars som valuta, kun fordi datasættet er det pure opspin og ikke har hold i en virkelig marketingkampagne.

Opsætning af datastrukturen

Det mest optimale, og der hvor fordelen ved business intelligence dashboards virkelig indtræffer, er når datasæts automatisk opdateres fra deres pågældende kilder. Da formålet med denne artikel er at vise, hvordan man kan lave brugbare dashboards, vil jeg imidlertidigt holde mig til at uploade en simpel CSV fil og lade den udgøre datakilden.

I fremtiden vil jeg nok kaste mig ud i at skrive en artikel om, hvordan man automatisk henter Facebook og Google Ads rapporter ind i Quicksight.

Datasættets vigtigste kolonner. Hver række har en unik dato og Ad ID kombination og består af data fra Facebook Ads og Google Ads. Omsætning er koblet sammen med annonceindkøbet gennem sub-ID tracking, som er muligt gennem de fleste affiliatenetværk.

Importer fil og tilføj kolonner

Billedet ovenfor viser importprocessen fra start til slut. Vælg først, at din datakilde skal bestå af en statisk fil. Hvis du vælger at importere Excel (xlsx) filer, anbefaler jeg, at du laver et ark, hvor der kun er statiske værdier, altså ingen formler.

Når filen er scannet, kan du vælge, hvilket ark du vil importere. Dernæst kan du ændre datatyper (Int, Decimal, Date osv.) og udregne ekstra felter som du vil bruge. På billede 2) kan du se, jeg har udregnet profitten: commission – cost.

På billede 3) ses et overblik over datasættet. Det fylder omkring 700 kb. og består af 2191 rækker, hvoraf alle af dem er importeret korrekt i SPICE. Du kan altid gå tilbage og ændre på datasættet – hvis du dog allerede har lavet analyser på baggrund af datasættet, anbefaler jeg ikke at ændre kolonnenavne eller slette beregnede felter.

Analysér, Analysér, Analysér

Puha – nu er data importeret, og vi er klar til at tegne grafer, lave tabeller og forstå vores forretning bedre!

Lad os tage et kig på det færdige dashboard og dernæst disikere det i dets mange elementer én efter én.

Ved hjælp af parametre kan man i QuickSight nemt tilføje filtre og gøre sine analyser dynamiske. Øverst i dashboardet har jeg gjort det muligt at vælge periode for analysen. Det er oplagt at tilføje yderligere filtre som f.eks. kampagnenavne, medienavne, adset navne osv.

Figur 2) Omkostningsfordeling

Måske har du lagt en plan for dit indkøb af traffik til din nye mobilabonnement hjemmside. I din plan står der måske også, hvor mange penge du ønsker at bruge på hvert medie, og derfor er det selvfølgelig relevant at følge med i, om det går som planlagt.

Dette lagkagediagram viser, hvordan dine omkostninger fordeler sig. I den fulde periode er ca. 22% af budgettet brugt på Google Ads og de resterende 78% på Facebook.

Figur 3) CPC og EPC

Earnings Per Click (EPC) er en af de vigtigste KPI’er for en affiliate marketer. EPC bør benyttes, når du som publisher skal vælge, hvor du vil sende din traffik hen. EPC tager både højde for, hvilken commission du får på den pågældende kampagne, og hvad konverteringsraten er på den.

EPC = Commission / Clicks

Den gennemsnitlige EPC for Facebooktrafik er 0.5 kr., og for Google Ads er den hele 7.87 kr. For hvert klik, der kommer fra Google, tjener vi altså 7.87 kr. og for hvert klik fra Facebook tjener vi 0.5 kr.

Som du nok kan regne ud, udgør EPC ikke hele historien, da klikpriserne ligeledes varierer fra medie til medie. Cost Per Click (CPC) er henholdsvis 17.23 kr. for Google Ads og 0.42 kr. for Facebook.

CPC = Cost / Clicks

Kigger man blot på EPC, kan man henledes til at tro, at det meget bedre kan betale sig at købe traffik fra Google Ads, da indtjening er mere end 15 gange højere. Dog overstiger klikpriserne fra indtjening, og derfor er Google Ads ikke umiddelbart en god forretning. Klikomkostningerne på Facebook er dog lavere end indtjeningen og dermed en god forretning.

Graf nr. 4 viser udviklingen i EPC over tid. Grafen er vigtig, fordi den fortæller os, om vi får mindre ud af den traffik, vi køber. Er grafen nedadgående, er der behov for et fald i CPC for, at indtjeningen kan følge med.

Der er stor forskel på klikpriserne på tværs af medier, men som regel er der positiv sammenhæng mellem klikpriserne og konverteringsraten. Derfor er det vigtigt at monitorere både CPC og EPC.

Figur 1) Profit over tid + Forecast

Denne graf afslører en nye funktion i Quicksight Enterprise udgaven – nemlig Machine Learning Forecasts. Grafen i sig selv er simpel – den viser profitten per dag fra start til slut. Nogle dage er indtjeningen god, og andre dage taber vi penge på vores lille affiliate forretning. Samlet set laver vi et lille overskud, men forhåbentlig kan dette dashboard luge ud i de dårlige traffikkilder og øge overskudet.

De side 14 dage af grafen er ude i fremtiden! Ja du læste rigtig – QuickSight kan automatisk, og kun baseret på en simpel tidsserie, forudsige vores overskud de næste 14 dage. Desværre går vores forretning ikke en lys fremtid i møde, så vi må hellere få vendt skuden i en fart.

Figur 5) Hvor leverer vi mest volume ?

Når du skal forhandle bedre priser på dine affiliate kampagner, er det vigtigt at vide, hvor du leverer flest leads. Graf nr. 5 er ganske simpel og viser blot, at vi leverer størstedelen af vores leads til YouSee, dernæst Telmore, som også ejes af YouSee osv.

Det er nemt at ændre grafen til at vise den procentvise fordeling f.eks. ved at lave søjlediagrammet om til et lagkagediagram.

Figur 6) Tabellen

Tabellen nederst på dashboardet er nok den vigtigste og mest informative af alle elementer på dashboardet. Har du ikke tid, lyst eller mulighed for at opsætte et dashboard, bør du som minimum konstruere denne tabel i et regneark. Lad os se, hvilke informationer vi kan hive ud af tabellen, og hvordan man kan fortolke på dem:

CTR%: Click-Through-Rate er, hvor stor en andel af de brugere, som får vist din annonce, der faktisk klikker på den. I dette tilfælde varierer CTR ikke meget på tværs af de forskellige medier eller adset/adgroups. Annoncerne er nogenlunde lige gode til at tiltrække kliks.

Conv%: Konverteringsraten er, hvor mange der konverterer ud af alle dem, der klikker. Generelt er konverteringsraten højere for vores Google traffik – men husk, det er prisen også! Muligvis køber vi billigere klik fra Facebook, fordi vores opslag går viralt og får noget organisk reach.

Dækningsbidrag: Hvis tallet er positivt, tjener du penge penge på dit adset/adgroup. Et dækningsbidrag på 25% betyder, at profitten er 25% højere end omsætningen. Vi ser, at 3 adsets fra Facebook har høje dækningsbidrag og ingen adgroups fra Google har positive dækningsbidrag.

De resterende søjler i tabellen er selvforklarende eller allerede belyst tidligere i denne artikel. CPC og EPC kolonnerne fortæller en hel del om trafikkilderne – tag et kig på dem og se, hvad du kan konkludere.

Konklusion

Vores lille fiktive forretning er nu blevet gennemsnigtig takket være et dashboard i AWS Quicksight. Analysen har vist os, at traffikken fra Google Ads ikke er profitabel, og det er nødvendigt at få CPC’en. Der er mange måder at købe billigere ind på Google Ads f.eks. ved højere relevans score, keywords med mindre konkurrence osv.

Facebook traffikken derimod ser profitabel ud for 3 ud af de i alt 6 adsets. De resterende 3 adsets har samme CPC som de profitable adsets, men væsentligt lavere EPC. Det kan være, at den tekniske opsætning er forkert på disse adsets, da konverteringsraten er meget lav.

Der er et utal af forskellige tabeller, grafer og forudsigelser, man kan lave, når først data er tilgængeligt i QuickSight. Jeg har valgt at lave et lille udsnit af disse muligheder og opfordrer til du selv roder med et datasæt. Du kan downloade mit eksempel datasæt her.