Definition von NGram-Analyse

Die NGram-Analyse ist eine Methode in der Verarbeitung natürlicher Sprache (NLP) und Computerlinguistik, die zur Untersuchung von Text und Daten verwendet wird, indem Sequenzen von N aufeinanderfolgenden Elementen oder Tokens (z.B. Wörter oder Buchstaben) analysiert werden. Sie hilft dabei, Muster, Häufigkeiten und Zusammenhänge zwischen den Elementen in größeren Textkorpora zu erkennen.

Bedeutung der Optimierung von Suchbegriffen in Google Ads

In der Welt des digitalen Marketings hat sich Google Ads als ein effektives Werbetool etabliert, das Unternehmen dabei hilft, ihre Zielgruppen zu erreichen und Klicks sowie Conversions zu generieren. Die Optimierung von Suchbegriffen ist entscheidend für den Erfolg einer Google Ads-Kampagne, da sie die Relevanz der Anzeigen für die Zielgruppe erhöht und somit zu einer verbesserten Performance führt. Die richtigen Keywords tragen dazu bei, dass Ihre Anzeigen entsprechend den Suchanfragen der Nutzer geschaltet werden und dadurch deren Aufmerksamkeit gewinnen.

Ziel des Blogbeitrags

Der Zweck dieses Blogbeitrags besteht darin, Ihnen ein Verständnis dafür zu vermitteln, wie die NGram-Analyse bei der Optimierung von Suchbegriffen für Google Ads eingesetzt werden kann. Wir werden die Grundlagen der NGram-Analyse erläutern, ihre Vorteile für die Keyword-Optimierung aufzeigen und einen Schritt-für-Schritt-Leitfaden für die Durchführung einer NGram-Analyse zur Verbesserung Ihrer Google Ads-Kampagnen bereitstellen.

Einführung in die NGram-Analyse

Was ist ein NGram?

Ein NGram ist eine Sequenz von N, benachbarten Tokens oder Elementen, die aus einem größeren Text oder Satz extrahiert werden. In der Verarbeitung natürlicher Sprache (NLP) sind diese Tokens normalerweise Wörter oder Buchstaben. Zum Beispiel besteht ein Bigram (N=2) aus zwei aufeinanderfolgenden Wörtern oder Buchstaben, während ein Trigram (N=3) aus drei aufeinanderfolgenden Wörtern oder Buchstaben besteht. Die Analyse von solchen Sequenzen kann helfen, Muster und Häufigkeiten innerhalb von Textdaten zu erkennen.

Anwendungsbereiche der NGram-Analyse

Die NGram-Analyse hat eine Vielzahl von Anwendungsbereichen in verschiedenen Disziplinen. In der Computerlinguistik und NLP wird sie verwendet, um Sprachmodelle zur Vorhersage der Wahrscheinlichkeit von Wortabfolgen zu erstellen. Im Bereich des maschinellen Lernens kann die NGram-Analyse zur Textklassifikation, Stimmungsanalyse oder automatischen Textgenerierung eingesetzt werden.
Im Zusammenhang mit Google Ads spielt die NGram-Analyse eine entscheidende Rolle bei der Optimierung von Suchbegriffen und dem Verständnis des Nutzerverhaltens in Bezug auf die Suche nach Produkten und Dienstleistungen.

Vorteile der NGram-Analyse für die Optimierung von Suchbegriffen

Die NGram-Analyse bietet mehrere Vorteile für die Optimierung Ihrer Suchbegriffe in Google Ads:

1. Erkennen von Mustern und Trends: Durch das Aufdecken von häufigen Wortkombinationen in Suchanfragen können Sie Muster und Trends identifizieren, die für Ihre Kampagnenziele relevant sind.
2. Verbesserte Relevanz der Anzeigen: Indem Sie die erkannten Muster nutzen, um Ihre Anzeigentexte, Keywords und Zielseiten anzupassen, können Sie die Relevanz Ihrer Anzeigen erhöhen und somit potenziell bessere Ergebnisse in Bezug auf CTR, CPC und Conversions erzielen.
3. Effektive Datenanalyse: Statt sich nur auf einzelne Keywords zu konzentrieren, ermöglicht Ihnen die NGram-Analyse, einen breiteren Einblick in das Verhalten Ihrer Zielgruppe zu erhalten und fundiertere Entscheidungen über Ihre Kampagnenstrategie zu treffen.

Insgesamt bietet die NGram-Analyse einen effizienteren Ansatz zur Keyword-Optimierung in Google Ads und kann dazu beitragen, Ihre Kampagnenergebnisse zu verbessern.

Schritte zur Durchführung einer NGram-Analyse für Google Ads

Datenerfassung: Sammlung von Suchanfragen und Klicks

Für eine NGram Analyse sollten hinreichend Suchanfrage-Daten vorliegen. Dafür sollte der Zeitraum und gewählte Kampagnen bestenfalls mehrere Tausende Datensätzen enthalten. Die Daten können dann entweder mit diesem Script oder der Google Ads Übertragung für BigQuery übertragen werden. Beide verfahren sind bereits hinreichend beschrieben.

Verarbeitung der Daten: Zerlegung der Suchanfragen in NGrams

Zur Zerlegung der Suchanfragen in die Grams ist Google BigQuery mit der ML.NGRAMS Funktion das Mittel der Wahl.

Copy to Clipboard

Dieser BigQuery-Code führt eine Abfrage auf der Tabelle `MYproject.gads_custom.search_term_view` durch. Die Hauptziele dieser Abfrage sind:

1. Auswahl bestimmter Spalten aus der Tabelle
2. Erstellung von N-Grammen (1-Gramm, 2-Gramm, 3-Gramm, 4-Gramm und 5-Gramm) aus dem Suchbegriff
3. Anwendung eines Datumsbereichs für die Abfrage

Hier ist eine Erklärung der einzelnen Teile des Codes:

– `SELECT`: Wählt die angegebenen Spalten und berechneten Felder aus der Tabelle aus.
– `segments_date`: Eine Spalte in der Tabelle, die das Datum repräsentiert.
– `searchTermView_search_term search_term`: Wählt die Spalte `searchTermView_search_term` aus und benennt sie um in `search_term`.
– `ML.NGRAMS(..)`: Eine Funktion, um N-Gramme aus einer Textsequenz zu erstellen.
– `REGEXP_EXTRACT_ALL(LOWER(searchTermView_search_term), ‚[a-z0-9\+\-äüöß]+‘)`: Wandelt den Suchbegriff in Kleinbuchstaben um und extrahiert alle Zeichenketten, die Buchstaben, Zahlen oder bestimmte Sonderzeichen enthalten (z.B. +, -, ä, ü, ö, ß).
– `[1,1]`, `[2,2]`, `[3,3]`, `[4,4]`, `[5,5]`: Legt fest, dass N-Gramme mit einer Länge von 1 bis 5 erstellt werden sollen.
– Die Spalten `metrics_impressions`, `metrics_clicks`, `metrics_cost_micros`, `metrics_conversions` und `metrics_conversions_value` werden direkt aus der Tabelle ausgewählt.
– `FROM`: Gibt die Tabelle an, aus der die Daten abgefragt werden sollen: `MYproject.gads_custom.search_term_view`.
– `WHERE`: Filtert die Zeilen in der Tabelle basierend auf den angegebenen Bedingungen.
– `segments_date BETWEEN PARSE_DATE(„%Y%m%d“,“20230301″) AND PARSE_DATE(„%Y%m%d“,“20230411″)`: Filtert die Zeilen mit einem Datumsbereich zwischen dem 1. März 2023 und dem 11. April 2023.
– `AND searchTermView_search_term IS NOT NULL`: Filtert zusätzlich alle Zeilen, in denen der Suchbegriff nicht NULL ist.

Weitere Modifikation

Zur weiteren Verarbeitung möchten wir nun nun noch die erstellen Grams typisieren, sodass wir zwischen „1_gram“ oder „2_gram“ in den Daten wählen können. Außerdem möchten wir einige Beispiel-Suchanfragen sehen, aus denen das jeweilige Gram erstellt wurde. Außerdem wollen wir die KPI zusammenfassen, sodass wir abschätzen können ob das Gram positiv oder negativ auf unsere Kampagnen wirkt. Dies machen wir mit folgender Abfrage:

Copy to Clipboard

Die vollständige BigQuery Abfrage

Copy to Clipboard
Die Abfrage kann so sofort in Looker übernommen werden und sollte zu Testzwecken funktionieren. Für bessere Performance und geringere Abfragekosten rate ich dazu die Abfrage als täglichen Lauf zu gestalten und eine Tabelle mit den ngrams zu schreiben.