信息流广告投放如何做数据分析？

　　由于因特网人口红利的消退，主要的因特网产品都争相追求用户增长，希望以最低的成本吸引更多的用户。有很多增加用户数量的策略和方法，其中网络效果信息流广告投放是一个非常重要的方法。

　　网络广告投放过程中，负责投放的运营同学为了确保投放收益的最优，会从各方面对广告进行优化，例如：文案、图片、版式、媒体定位、定向人群等。并且数据分析可以从量化的角度指导运营人员怎样去做信息流广告投放，怎样优化投放组合，从而降低用户获取成本。因此本文将介绍一些网络广告投放数据分析的方法。

　　信息流动广告业务简介。

　　1.1介绍基本概念。

　　流量广告是移动互联网时代的产物，它穿插在内容流中，它以不同的形式出现，如图文、图片、短视频。由于信息流广告完全以相同的形式穿插在内容流中，用户受扰度较低，不会注意到左上角的“广告”二字，很容易作为普通内容被浏览甚至互动。

　　由于信息流广告完美地平衡了媒体、广告主和用户的利益，并且信息流广告能够通过算法实现“千篇一律”的推送，因此信息流广告已经成为媒体广告商业化的重要组成部分。常用信息流广告：微信朋友圈，今日头条，抖音等。

　　1.2广告生态简介。

　　就目前来看，信息流广告生态，包括广告主、媒体、第三方创意平台、数据平台、监控平台等。

　　第三方创意平台：提供可按行业、媒体、广告风格、素材类型、设备、时机等多维度筛选的投放素材；

　　第三方数据平台：提供的服务一般包括对用户的深入了解，即对用户画像、用户/人群包管理和投放转化分析；

　　第三方广告监控平台：提供投放、效果数据统计监控服务。广告商是流量的买主，媒体或发布渠道是流量的卖主，监测工作通常由第三方机构承担。

　　1.3发布广告的招揽。

　　目前的信息流广告主要是通过RTB(公开竞价)销售，媒体会把广告位卖给那些能够使其收益最大化的广告主，通常一次eCPM(预计千次展示收益)可以为媒体带来多少收益。而eCPM=CPC报价*预估CTR，至于为什么用eCPM来衡量广告给媒体带来的收益，如果某一地点的CPC报价高，且点击的可能性大，媒体就能获得最大收益。

　　当一次成功的竞标获得广告曝光机会时，广告的实际费用并非按出价计算；而是采用第二个高价机制，即根据第二个报价的eCPM和广告本身的预估CTR计算，具体计算公式如下：

　　从广告报价逻辑和最终计费逻辑出发，得出预测CTR值是广告报价成功与否和提高ROI的重要因素。而且预测CTR与人群定向、投放时间、投放背景、内容类型等都有很强的相关性，如何优化投放组合下预测CTR最优，是需要从多个广告中积累的。

　　数据分析方法学简介。

　　当前广告投放业务中，需要大量数据分析的场景主要有以下三种：

　　广告主的效果分析；

　　优化广告投放分析；

　　广告业反作弊分析；

　　2.1分析广告投放效果。

　　对广告投放效果进行分析，首先要确定广告投放的衡量指标。各种业务场景对效果的度量各不相同，但基本上都是根据用户转化率和产生的收入来计算的。考虑到电子商务行业信息流广告投放的情况，广告投放后用户转化路径如下：

　　所以我们每天关注的指标包括以下几个方面，一般ROI是对渠道价值的关注，因为他代表了流量成本和转化收益之间的真实关系。所有ROI都是根据一定的时间周期计算的，比如24小时ROI,7天ROI等等，这个可以根据实际的需要来选择。

　　测定ROI后，我们由此判断信息流广告投放组的转化是否符合要求；对于不符合要求的投放组合，通过公式分解，就可以判断是转化率过低还是客单价不符合要求，还是成本消耗过大；再针对性地解决优化问题，

　　比如，转换率低：可以从产品的角度优化用户转化路径，从运营的角度优化广告材料和人群定位；

　　客价低：可从产品角度优化新客目标活动，从而提高用户粘性，从运营角度强化精细化运营，充分挖掘不同用户的潜力；

　　费用过高：操作角度可提高广告CTR预估值，降低出价。

　　2.广告投放优化分析。

　　有很多因素都会影响广告转化率，如广告定位，广告创意，广告文案，广告位置等。前面也提到了竞价广告的竞价原则，即通过提高预估CTR来提高ROI。所以在广告投放时，需要寻找最佳的投放组合，提高CTR或转化率，从而提高ROI。寻找最佳的投放组合，目前使用最多的方法是AB测试，以及使用朴素贝叶斯算法预测转化率较高的人群投放组合。

　　2.2.1AB试验

　　一、试验设计。

　　评价指标的确定：点击率、转化率；

　　例如，我们同时设置了两个AB测试组；分别测试性别和系统版本在相同想法下，转换率和点击率是否有显著差异。

　　广告投放、资料搜集。

　　控制组和实验组同时上线，收集广告的曝光、点击、转化等数据，一般的数据收集数量需要满足：

　　点击和转化率保持稳定；

　　这个数据量满足AB测试的显著分析。

　　广告量一般在3%左右，根据以往的投放经验一般保证曝光量在10000次以上。

　　就像前面提到的两个测试小组一样，我们收集的数据是：

　　三、显著性检验，得出结论。

　　建立一个零假设和一个备择假设。

　　AB测试广告投放，主要是对比点击率和转化率；

　　也就是双向检验(p1与p2之间存在显著差异)：零假设：p1=p2备择假设p1<>p2；

　　(b)构造统计量。

　　信息流广告投放广告费的点击率和转化率都是比例性指标，根据中心极限法则，它们通常近似服从正态分布。因此，点击率和转化率的AB测验是对比例差异的双边测验，测验的统计量也是服从正态分布，具体公式为：

　　计算z值，并确定零假设是否被拒绝。

　　双向检验：当z变量的值在-1.96~1.96之间时，95%的可能结果都被覆盖了；所以对于95%的显著水平来说，如果上面计算的z值超出了这个范围，那么可以拒绝原假设；

　　通过以上例子计算出z值，我们可以看到男女用户的点击和转化率没有明显的差别，Android系统和iOS系统的点击和转化率也有显著的差别。

　　2.朴素贝叶斯算法，广告定向优化。

　　简单贝叶斯算法是一种基于朴素贝叶斯公式的分类算法，它可以计算出属于某个类别的概率；它之所以被称为朴素，是因为它假定特征之间是相互独立的。但在现实生活中，这一假设基本不成立。即便在假设不成立的情况下，这种方法仍有良好的效果，特别是对于小样本的情况。

　　Bayes的公式是：

　　在这种情况下，P(A|B)表示：B之后A发生的概率；用贝叶斯公式可以看出，只需计算后三项，P(A|B)即可计算出来。以下是一个实际的信息流投放案例：

　　1)获得观众的照片和转换后的数据。

　　假定用户转换数据来自已知广告定向：

　　基于朴素贝叶斯的概率计算方法。

　　此项可根据上述观众图像数据和贝叶斯公式推导计算；

　　假定我想知道X=(性别="男性"，年龄="35~39岁"，操作系统="iOS")用户转换的可能性，

　　可计算出P(转换="1″|X)=0.9275，

　　也就是说，X=(性别="男"，年龄="35~39岁"，操作系统="iOS")用户转换的可能性为0.9275。

　　三是有针对性的信息流广告投放指导。

　　根据历史转化率数据的用户画像分布，采用朴素贝叶斯算法计算不同广告定向组合下转化率。因此，对于那些转化率高的广告定向组合，或者是高转化定向组合的出价较高，低转化概率的广告定向组合的出价较低，可以达到广告转化效果的整体优化。