信息流广告投放来说，如何进行数据分析呢？|本文广告

信息流广告投放来说，如何进行数据分析呢？|本文广告

编导：信息流广告，通俗地说，就是各大社交平台在信息流上开展的广告展示业务。作为互联网广告的新宠儿，信息流广告投放不是为了跟风，而是为了获得丰厚的回报。对于信息流广告，应该如何进行数据分析？本文作者为我们分享了数据分析的过程，总结了一些关于数据分析的建议，希望对大家有所帮助。

随着互联网人口红利的消失，各大互联网产品都争先恐后地开始用户增长，希望以最低的成本吸纳新用户，激活更多的用户。用户增长的策略和手段有很多，其中互联网效果广告是一个非常重要的手段。

在互联网广告投放过程中，负责投放的运营同学会从广告的各个角度优化投放，例如：文案、图片、排版、媒体定位、目标受众等，以确保最佳效果交货率。而数据分析可以从量化的角度指导运营如何投放广告，如何优化投放组合，从而降低用户获取成本。因此，本文将介绍互联网广告中的一些数据分析方法。

一、信息流广告业务介绍 1.1 基本概念介绍

信息流广告产生于移动互联网时代，穿插在内容流中。信息流广告有图文、图片、短视频等多种形式。由于信息流广告以完全相同的形式散布在内容流中，因此用户的干扰较小。如果不注意左上角的“广告”二字，很容易被当作普通内容浏览甚至互动。

由于信息流广告完美平衡了媒体、广告主和用户的利益，并且信息流广告可以通过算法推送到“千人千面”，信息流广告成为媒体商业化的重要组成部分广告。常见的信息流广告：朋友圈、今日头条、抖音等。

1.2 广告生态介绍

从信息流广告生态来看，目前涵盖广告主、媒体、第三方创意平台、数据平台、监测平台。

第三方创意平台：提供按行业、媒体、广告风格、素材类型、设备、时间等多维度筛选查看投放素材；

第三方数据平台：提供的服务一般包括用户洞察，即消费者画像、用户/人群包管理、投放转化分析；

第三方广告监测平台：提供投放及效果数据的统计监测服务。广告主是流量的买家，媒体或渠道是流量的卖家，监控任务一般由第三方机构承担。

1.3 广告竞价投放

目前的newsfeed广告主要以RTB（Open Bidding）的形式出售，媒体将广告位出售给最大化收益的广告商。通常用eCPM（estimated revenue per thousand impressions）来衡量一个广告能给媒体带来多少。带来的好处。其中下单转化率和支付转化率有什么区别下单转化率和支付转化率有什么区别，eCPM=CPC bid*预估CTR。至于为什么要用eCPM来衡量广告给媒体带来的收入，如果一个位置的CPC bid高，点击的可能性也高，那么媒体就会最大化收入。

竞拍成功获得广告曝光机会后，广告实际收费不按竞拍价格计费；取而代之的是采用次高出价机制，即根据第二出价方的eCPM和广告本身预估的CTR来计算。具体计算公式为：

根据广告竞价逻辑和最终计费逻辑，可以推导出预估CTR是影响广告竞价成功与否的重要因素，也是提高广告ROI的重要因素。估计的点击率与人群定位、交付时间、交付环境和材料类型有很强的相关性。什么样的投放组合才是最好的预估CTR，需要从多个广告中累加。

2. 数据分析方法论介绍

目前在广告投放业务中，需要大量数据分析的场景主要有以下三个方面：

广告效果分析；广告优化分析；广告反作弊异常分析；2.1 广告效果分析

在分析广告投放效果时，首先需要明确广告投放的衡量指标。不同的业务场景有不同的效果衡量标准，但一般都是从用户转化率和产生的收入多少来推导出来的。以电商行业的信息流广告投放为例，广告投放后的用户转化路径如下：

因此，我们日常关注的指标包括以下几个部分。一般来说，ROI是衡量渠道价值的关键指标，因为它表达了流量成本和转化收入之间的真实关系。ROI是按一定时间段计算的，如24小时ROI、7天ROI等，可根据实际需要选择。

确定衡量指标的ROI后，我们可以判断广告投放群体的转化是否达标；对于不达标的投放组合，我们可以通过拆解公式的方式来判断是不是转化率过低，客单价不合格，还是成本消耗过高。高的; 然后有针对性地优化问题，

2.2 广告投放优化分析

影响广告转化率的因素有很多，比如广告的目标受众、广告的创意、广告的文案、广告的位置等等。上面的竞价广告的竞价原则中也提到，通过提高预估的CTR，可以提高ROI。因此，在广告投放中，需要找到最优的投放组合来提高CTR或转化率，从而提高ROI。寻找最优投放组合，最常用的方法是AB测试和朴素贝叶斯算法预测的转化率相对较高的人群定向投放组合。

2.2.1 AB测试

1）实验设计

确定绩效指标：点击率和转化率；

如下例，我们同时设置了两个AB测试组；分别测试在性别和系统版本相同的创意下，转化率和点击率是否存在显着差异。

2) 广告、数据收集

控制组和测试组同时上线，收集广告曝光、点击和转化数据。一般数据采集量需要满足：

广告的点击率一般在3%左右，根据历史经验，曝光量一般能保证在10000次以上。

比如上面提到的两个测试组，我们收集到的数据是：

3）显着性检验和结论

一个。构建原假设和备择假设

在广告的AB测试中，主要是比较点击率和转化率；

即双侧检验（p1和p2有显着差异）： 原假设：p1 = p2 备择假设p1 p2；

b. 施工统计

广告的点击率和转化率都是比例指标。根据中心极限定律可知，它们一般近似服从正态分布。因此，点击率和转化率的AB测试是一种比例差异的双边测试，测试的统计量也服从正态分布。具体公式为：

C。计算z值，判断是否拒绝原假设

双边检验：当z变量的值在-1.96和1.96之间时，95%的可能结果已经被覆盖；因此，对于95%的显着性水平，如果上面计算的z值超出这个范围，则可以拒绝Null假设；

用上面的例子计算z值，可以看出男性和女性在点击率和转化率上没有显着差异，操作者在点击率上有显着差异系统安卓和iOS。

2.2.2 优化广告定向的朴素贝叶斯算法

朴素贝叶斯算法是一种基于朴素贝叶斯公式的分类算法，可以计算属于某一类的概率；之所以称为朴素，是因为它假设特征彼此独立。但在现实生活中，这个假设基本不成立。即使在错误的假设下，它仍然表现良好，尤其是在小样本的情况下。

贝叶斯公式为：

其中，P(A|B)表示：B发生后A发生的概率；从贝叶斯公式可以看出，只需要计算最后三项就可以计算出P(A|B)。以下是实际信息流传递案例的介绍：

1）获取受众画像和转化数据

假设已知广告定位的用户转化数据如下：

2）基于朴素贝叶斯计算概率

这个可以根据上面的观众画像数据和贝叶斯公式推导计算；

假设我想知道转化广告目标用户的可能性 X=(gender=”male”, age=”35-39”, operating system=”iOS”),

可以计算出P(conversion=”1″|X)=0.9275，

即在广告定向X=(性别=”男”,年龄=”35??-39”,操作系统=”iOS”)下,用户转化的可能性为0.9275

3) 广告定位指导

通过朴素贝叶斯算法和历史转化数据的用户画像分布，可以计算出每个广告定向组合的转化概率。这样，就可以优先考虑那些转化率高的广告投放组合，或者对转化率高的定向组合给予较高的出价，对转化概率低的定向组合给予较低的出价，从而达到广告转化效果的整体优化。

2.2 广告反作弊异常分析

反作弊是一个相对复杂的过程。它必须在金融、支付、内容生产、广告等多个业务场景中完成。是一个始终需要改进、不断面对黑产的过程。对于广告反作弊，识别异常流量和转化的主要目的是：一方面可以计算和修正ROI，更合理地评估渠道质量；另一方面，它可以识别异常并实时阻止它们以减少异常流量消耗。

完善的反作弊体系涵盖了异常监控、异常发现、异常分析和异常处理的全过程；数据分析师需要运用规则、指标、模型等方法做好异常检测工作。因此，本文不对广告反作弊部分进行详细展开。

3.结束

以上就是数据分析师在广告投放过程中经常需要做的工作。综上所述，在广告正式投放前，会通过AB测试寻找最优投放组合；贝叶斯算法将用于预测最佳广告投放方向；广告投放后，根据ROI等指标分析广告效果，衡量渠道价值，并协助产品和运营优化，通过广告转化提高ROI；另外，在广告正式上线后，需要从数据的角度分析发现异常激活和异常订单，然后根据修正后的总GMV（去除异常GMV后）更合理地衡量渠道价值.

希望以上介绍的广告数据分析方法能对大家的日常工作或学习有所帮助，感谢阅读~