信息流廣告投放如何做數(shù)據(jù)分析?
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:
- 廣告投放效果分析;
- 廣告投放優(yōu)化分析;
- 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:
- 點(diǎn)擊率和轉(zhuǎn)化率已經(jīng)穩(wěn)定;
- 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
信息流廣告請(qǐng)咨詢王先生15571161221微信同號(hào)一站式服務(wù)
您好,想問一下,定向組合轉(zhuǎn)化的可能性為0.925,是說,預(yù)測的該定向轉(zhuǎn)化率為0.925嗎?
貝葉斯公式是不是錯(cuò)了。。
我完全沒看懂 是不是廢了。。。
您好,作者。那個(gè)excel表上的數(shù)據(jù)是不是橫豎百分比反了,比如應(yīng)該是p(男|轉(zhuǎn)化=1)+p(女|轉(zhuǎn)化=1)=1 把?
作者你好,直接算ab轉(zhuǎn)化成本,為啥還要弄一個(gè)復(fù)雜算法去預(yù)估呢?
大神你好,你的文章好棒!請(qǐng)問能否轉(zhuǎn)載至我們公司的內(nèi)網(wǎng)供大家學(xué)習(xí)?會(huì)注明文章的出處~
可以的
因?yàn)檫@篇文章中有兩處錯(cuò)誤,但是修改不了。如果有需要,我可以郵件給你一份修正后的版本。
天吶!非常感謝!我的郵箱:cyt6169406@163.com
郵件已經(jīng)發(fā)你啦。
內(nèi)容非常有價(jià)值,對(duì)我很有用 有兩點(diǎn)問題想咨詢一下
計(jì)算Z值檢驗(yàn)統(tǒng)計(jì)量公式的 p1(1-p2) 還是p1(1-p1),算的數(shù)字跟你得到的結(jié)果不太一樣
貝葉斯的案例里面,男生轉(zhuǎn)化和不轉(zhuǎn)化的比例之和是100%,轉(zhuǎn)化=1里面 男女比例之和也是100%,我?guī)胛覀兗业臄?shù)字總感覺很奇怪,主要是以性別為主計(jì)算轉(zhuǎn)化和未轉(zhuǎn)化的比例,還是其他情況呢
感謝指出問題:是p1(1-p1)
貝葉斯案例里面的數(shù)據(jù),我不小心粘體錯(cuò)了圖片。正常數(shù)據(jù)應(yīng)該是:不同維度下,轉(zhuǎn)化=1的和及轉(zhuǎn)化=0的和都是100%;也就是說:我們看的是是否轉(zhuǎn)化下的畫像分布。
感謝作者講解,有個(gè)問題希望可以得到進(jìn)一步的解答:ABtest例子中的性別點(diǎn)擊率z值具體是將哪幾個(gè)數(shù)據(jù)代入了公式中的p1, p2, n1, n2呢?
比如計(jì)算點(diǎn)擊率的z值,p1和p2分別是試驗(yàn)組和對(duì)照組的點(diǎn)擊率,n1和n2就是對(duì)應(yīng)的曝光量;如果計(jì)算轉(zhuǎn)化率的z值,p1和p2分別是試驗(yàn)組和對(duì)照組的轉(zhuǎn)化率,n1和n2就是對(duì)應(yīng)的點(diǎn)擊量。
有兩個(gè)疑問,辛苦作者解答下謝謝:
1.貝葉斯公司是否寫錯(cuò)了?是否應(yīng)該是 P(A|B) = P(A) * P(B|A) / P(B)
2.我根據(jù)1計(jì)算出的 P(轉(zhuǎn)化|男,35-39歲,iOS) = 0.6592 。詳細(xì)過程如下,還請(qǐng)指正:
P(轉(zhuǎn)化|男,35-39歲,iOS) = P(轉(zhuǎn)化) * P(男,35-39歲,iOS|轉(zhuǎn)化) / P(男,35-39歲,iOS)
= P(轉(zhuǎn)化) * P(男|轉(zhuǎn)化) * P(35-39歲|轉(zhuǎn)化) * P(iOS|轉(zhuǎn)化) / { [P(男|轉(zhuǎn)化)*P(轉(zhuǎn)化) + P(男|未轉(zhuǎn)化)*P(未轉(zhuǎn)化)] * [P(35-39歲|轉(zhuǎn)化)*P(轉(zhuǎn)化) + P(35-39歲|未轉(zhuǎn)化)*P(未轉(zhuǎn)化)] * [P(iOS|轉(zhuǎn)化)*P(轉(zhuǎn)化) + P(iOS|未轉(zhuǎn)化)*P(未轉(zhuǎn)化)] }
= 53.3% * 57.1% * 42.9% * 64.3% / {[57.1%*53.3% +42.9%*46.7%] * [42.9%*53.3%+57.1%*46.7%] * [64.3%*53.3%+35.7%*46.7%]}
= 0.65923215818243
1、貝葉斯公式我寫錯(cuò)了,你評(píng)論的是對(duì)的;
2、你計(jì)算的思路過程和我計(jì)算的是一樣的;至于結(jié)果對(duì)不上,是因?yàn)橛脩舳ㄏ驍?shù)據(jù)我貼錯(cuò)了;當(dāng)時(shí)編了兩份數(shù)據(jù),不小心貼錯(cuò)了。我數(shù)據(jù)修改后,你再看下應(yīng)該就沒問題了。
“用戶轉(zhuǎn)化的可能性為0.9275″可否列下詳細(xì)過程…