編輯導(dǎo)語：信息流廣告，通俗地講，就是各大社交平臺(tái)在feed流上開展的廣告展示業(yè)務(wù)。作為互聯(lián)網(wǎng)廣告的新寵，信息流廣告并不是為了跟風(fēng)而去投放，是為了達(dá)到有良好收益的。對(duì)于信息流廣告投放來說，應(yīng)該如何進(jìn)行數(shù)據(jù)分析呢？本文作者為我們分享了數(shù)據(jù)分析的過程，并且總結(jié)了一下關(guān)于數(shù)據(jù)分析的建議，希望對(duì)你有所幫助。

隨著互聯(lián)網(wǎng)人口紅利的消失，各大互聯(lián)網(wǎng)產(chǎn)品都爭先恐后開始做用戶增長，希望以最低的成本拉新促活更多用戶。用戶增長的策略和手段有很多，其中互聯(lián)網(wǎng)效果廣告投放是非常重要的一種手段。

在互聯(lián)網(wǎng)廣告投放過程中，負(fù)責(zé)投放的運(yùn)營同學(xué)為了保證最優(yōu)的投放收益率，會(huì)從廣告的各個(gè)角度去做投放優(yōu)化，如：文案、圖片、排版、媒體位置以及定向人群等等。而數(shù)據(jù)分析能從量化的角度指導(dǎo)運(yùn)營如何去投放廣告，如何優(yōu)化投放組合，從而降低用戶獲取的成本。所以本文會(huì)介紹一些互聯(lián)網(wǎng)廣告投放中的數(shù)據(jù)分析方法論。

一、信息流廣告的業(yè)務(wù)介紹

1.1 基本概念介紹

信息流廣告是移動(dòng)互聯(lián)網(wǎng)時(shí)期產(chǎn)生，穿插在內(nèi)容流中的廣告，信息流廣告有圖文、圖片、短視頻等不同形式。因?yàn)樾畔⒘鲝V告是完全以同樣的形式穿插在內(nèi)容流中，所以用戶打擾性低，不注意左上角的“廣告”二字，很容易被當(dāng)作普通內(nèi)容來瀏覽甚至互動(dòng)。

因?yàn)樾畔⒘鲝V告完美平衡了媒體、廣告主和用戶的利益，而且信息流廣告可以通過算法實(shí)現(xiàn)“千人千面”的推送，所以信息流廣告已成為媒體廣告商業(yè)化的重要部分。常見的信息流廣告：微信朋友圈、今日頭條和抖音等等。

1.2 廣告生態(tài)介紹

從信息流廣告的生態(tài)看來，目前涵蓋了廣告主、媒體、第三方創(chuàng)意平臺(tái)、數(shù)據(jù)平臺(tái)以及監(jiān)控平臺(tái)等。

第三方創(chuàng)意平臺(tái)：提供可按行業(yè)、媒體、廣告樣式、素材類型、設(shè)備、時(shí)間等多維篩選查看投放素材；

第三方數(shù)據(jù)平臺(tái)：提供的服務(wù)一般包括用戶洞察即消費(fèi)者畫像、用戶/人群包管理及投放轉(zhuǎn)化分析；

第三方廣告監(jiān)測平臺(tái)：提供的是投放、效果數(shù)據(jù)的統(tǒng)計(jì)監(jiān)測服務(wù)。廣告主是流量的買方，媒體或投放渠道是流量的賣方，監(jiān)測任務(wù)一般由第三方機(jī)構(gòu)來擔(dān)任。

1.3 廣告競價(jià)投放

當(dāng)前信息流廣告主要是以RTB（公開競價(jià)）的方式售賣，媒體會(huì)將廣告位售賣給使他們收益最大化的廣告主，通常用eCPM(預(yù)估千次展示收益)來衡量一個(gè)廣告能給媒體帶來的收益。其中eCPM=CPC出價(jià)*預(yù)估CTR，至于為什么用eCPM衡量廣告帶給媒體的收益，如果一個(gè)位置的CPC出價(jià)很高，而且點(diǎn)擊的可能性也很大，那么媒體獲得收益最大化。

在競價(jià)成功獲得廣告曝光機(jī)會(huì)后，廣告的實(shí)際收費(fèi)并不是按照出價(jià)計(jì)費(fèi)；而是采用第二高價(jià)機(jī)制，即根據(jù)第二名出價(jià)的eCPM和廣告本身的預(yù)估CTR計(jì)算出來的，具體計(jì)算公式為：

根據(jù)廣告競價(jià)的邏輯以及最后計(jì)費(fèi)的邏輯，可以推導(dǎo)出預(yù)估CTR是廣告競價(jià)成功的重要影響因素，也是提高廣告ROI的重要因素。而預(yù)估CTR和人群定向、投放時(shí)間、投放上下文、素材類型都有強(qiáng)相關(guān)性，怎樣的投放組合下預(yù)估CTR最優(yōu)，是需要從多次廣告中積累的。

二、數(shù)據(jù)分析方法論介紹

目前在廣告投放業(yè)務(wù)中，需要大量數(shù)據(jù)分析的場景主要包括以下三個(gè)方面：

1. 廣告投放效果分析；
2. 廣告投放優(yōu)化分析；
3. 廣告反作弊異常分析；

2.1 廣告投放效果分析

在做廣告投放效果分析，首先要明確廣告投放的衡量指標(biāo)。不同的業(yè)務(wù)場景有不同的效果衡量標(biāo)準(zhǔn)，但是大體上都是以用戶轉(zhuǎn)化率和產(chǎn)生收益額來推導(dǎo)。以電商行業(yè)的信息流廣告投放為例，廣告投放后用戶轉(zhuǎn)化路徑如下：

因此，我們?nèi)粘Ｖ攸c(diǎn)關(guān)注的指標(biāo)包括以下部分，一般ROI是渠道價(jià)值重點(diǎn)衡量指標(biāo)，因?yàn)樗硎玖肆髁砍杀竞娃D(zhuǎn)化收益的真實(shí)關(guān)系。ROI都是基于一定時(shí)間周期計(jì)算而得到，如24小時(shí)ROI、7天ROI等等，這個(gè)可以根據(jù)實(shí)際需求來選擇。

在確定衡量指標(biāo)ROI后，我們由此來判斷廣告投放組的轉(zhuǎn)化是否達(dá)標(biāo)；對(duì)于不達(dá)標(biāo)的投放組合，可通過公式拆解的方法判斷是轉(zhuǎn)化率太低還是客單價(jià)不合格或者還是成本消耗太高；再針對(duì)性的去優(yōu)化問題，

• 如轉(zhuǎn)化率低：可以從產(chǎn)品角度優(yōu)化用戶轉(zhuǎn)化路徑，從運(yùn)營角度優(yōu)化廣告素材和人群定向；
• 客單價(jià)低：可以從產(chǎn)品角度優(yōu)化針對(duì)新客的活動(dòng)，從而提升用戶粘性，從運(yùn)營角度增強(qiáng)精細(xì)化運(yùn)營充分挖掘不同用戶的潛力；
• 成本消耗太高：運(yùn)營角度可以提升廣告的預(yù)估CTR，降低出價(jià)。

2.2 廣告投放優(yōu)化分析

影響廣告轉(zhuǎn)化率的因素很多，如廣告定向人群、廣告創(chuàng)意、廣告文案、廣告位置等等。在前文的競價(jià)廣告的競價(jià)原理里也提到，通過提高預(yù)估CTR，可以提升ROI。因此，在廣告投放中需要找到最優(yōu)的投放組合，提升CTR或者轉(zhuǎn)化率，從而提升ROI。找尋最優(yōu)的投放組合，目前用到最多的方法是AB測試，以及用樸素貝葉斯算法預(yù)估轉(zhuǎn)化率比較高的人群定向投放組合。

2.2.1 AB測試

1）試驗(yàn)設(shè)計(jì)

確定效果衡量指標(biāo)：點(diǎn)擊率和轉(zhuǎn)化率；

如下面的例子，我們同時(shí)設(shè)置兩組AB測試組；分別測試性別和系統(tǒng)版本在同一創(chuàng)意下，轉(zhuǎn)化率和點(diǎn)擊率是否有顯著差別。

2）廣告投放，數(shù)據(jù)收集

對(duì)照組和試驗(yàn)組同時(shí)上線，收集廣告曝光、點(diǎn)擊和轉(zhuǎn)化數(shù)據(jù)，一般數(shù)據(jù)收集量需要滿足：

1. 點(diǎn)擊率和轉(zhuǎn)化率已經(jīng)穩(wěn)定；
2. 數(shù)據(jù)量級(jí)滿足AB測試的顯著性分析

廣告點(diǎn)擊率一般在3%左右，根據(jù)歷史投放經(jīng)驗(yàn)一般保證曝光量能在10000次以上。

如對(duì)于上面提到的兩組測試組，我們收集到的數(shù)據(jù)為：

3）顯著性檢驗(yàn)，得到結(jié)論

a. 構(gòu)建零假設(shè)和備擇假設(shè)

廣告投放的AB測試中，主要是對(duì)比點(diǎn)擊率和轉(zhuǎn)化率；

即雙邊檢驗(yàn)（p1和p2有顯著差異）：零假設(shè)：p1 = p2 備擇假設(shè) p1 <> p2；

b. 構(gòu)造統(tǒng)計(jì)量

廣告的點(diǎn)擊率和轉(zhuǎn)化率都是比例指標(biāo)，根據(jù)中心極限定律可以知道他們一般近似服從正態(tài)分布。所以，點(diǎn)擊率和轉(zhuǎn)化率的AB測試就是比例之差的雙邊檢驗(yàn)，檢驗(yàn)的統(tǒng)計(jì)量也是服從正態(tài)分布，具體公式是：

c. 計(jì)算z值，判斷是否拒絕零假設(shè)

雙邊檢驗(yàn)：z變量的值介于-1.96～1.96之間時(shí)，已經(jīng)涵蓋了95%的可能結(jié)果；因此對(duì)于95%的顯著性水平，如果上面計(jì)算的z值在這個(gè)范圍之外，則可以拒絕原假設(shè)；

以上面的例子計(jì)算z值，可以看出性別男和女的點(diǎn)擊率和轉(zhuǎn)化率沒有顯著差異，操作系統(tǒng)Android和iOS在點(diǎn)擊率上有顯著差異。

2.2.2 樸素貝葉斯算法，優(yōu)化廣告定向

樸素貝葉斯算法是基于樸素貝葉斯公式進(jìn)行分類的一種算法，可以計(jì)算出屬于某一類的概率；之所以稱為樸素，是因?yàn)樗僭O(shè)特征之間是相互獨(dú)立的。但是在現(xiàn)實(shí)生活中，這種假設(shè)基本上是不成立的。即使是在假設(shè)不成立的條件下，它依然表現(xiàn)得很好，尤其是在小規(guī)模樣本的情況下。

貝葉斯的公式是：

其中P(A|B)表示：B發(fā)生后A發(fā)生的概率；通過貝葉斯公式可以看出計(jì)算P(A|B)只需計(jì)算出后三項(xiàng)。下面以實(shí)際信息流投放案例進(jìn)行介紹：

1）獲取受眾的畫像及轉(zhuǎn)化數(shù)據(jù)

假設(shè)已知廣告定向的用戶轉(zhuǎn)化數(shù)據(jù)如下：

2）基于樸素貝葉斯計(jì)算概率

這個(gè)可以基于上面受眾畫像數(shù)據(jù)和貝葉斯公式推導(dǎo)計(jì)算；

假設(shè)我想知道廣告定向X=（性別=”男”，年齡=”35～39歲”，操作系統(tǒng)=”iOS”）的用戶轉(zhuǎn)化的可能性，

可以計(jì)算得到P(轉(zhuǎn)化=”1″|X)=0.9275，

即廣告定向X=（性別=”男”，年齡=”35～39歲”，操作系統(tǒng)=”iOS”）下，用戶轉(zhuǎn)化的可能性為0.9275

3）廣告定向的投放指導(dǎo)

通過樸素貝葉斯算法，以及歷史轉(zhuǎn)化數(shù)據(jù)的用戶畫像分布，可以計(jì)算各個(gè)廣告定向組合下的轉(zhuǎn)化概率。這樣可以對(duì)于那些高轉(zhuǎn)化率的廣告定向組合優(yōu)先投放，或者給予高轉(zhuǎn)化的定向組合更高的出價(jià)，低轉(zhuǎn)化概率的定向組合更低的出價(jià)，達(dá)到廣告轉(zhuǎn)化效果的整體優(yōu)化。

三、結(jié)束

以上就是廣告投放過程中，數(shù)據(jù)分析師經(jīng)常需要做的工作?？偨Y(jié)一下，廣告正式投放前，會(huì)通過AB測試找尋最優(yōu)投放組合；通過貝葉斯算法預(yù)測最優(yōu)廣告定向；廣告投放后，會(huì)基于ROI等指標(biāo)分析廣告投放效果，對(duì)渠道價(jià)值進(jìn)行衡量，并協(xié)助產(chǎn)品和運(yùn)營優(yōu)化廣告轉(zhuǎn)化提升ROI；

希望上面介紹的廣告投放數(shù)據(jù)分析方法，能對(duì)你日常的工作或者學(xué)習(xí)有幫助，感謝閱讀～

本文由 @須臾即永恒 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議