导图社区 《广告数据定量分析》思维导图笔记
- 148
- 2
- 0
- 举报
《广告数据定量分析》思维导图笔记
《广告数据定量分析》思维导图笔记，包括广告优化中的统计学、广告数据分析中的统计学原理、广告数据的描述：图表等。
编辑于2022-02-10 21:18:21- 广告数据定量分析
- 关键词搜索优化
关键词优化是指把网站里面的关键词进行选词和排版的优化达到优化网站排名的效果。搜索引擎中相关关键词的排名中占据有利的位置。在国外，SEO已经是比较成熟的行业，而在国内还尚处于起步和发展阶段。可以从狭义和广义两个方面来说明，狭义的网站优化技术，即
- 中国内容营销十年趋势报告
中国内容营销十年趋势报告阐述了营销的挑战与生态的变革，直播净化，视频崛起，开启内容营销新篇章，营销何去何从等详细内容，感兴趣的小伙伴可以下载收藏哟
- 基因检测行业
基因检测是通过血液、其他体液、或细胞对DNA进行检测的技术,明确病因或预知身体患某种疾病的风险。 基因检测是通过血液、其他体液或细胞对DNA进行检测的技术
《广告数据定量分析》思维导图笔记
社区模板帮助中心，点此进入>>
- 关键词搜索优化
关键词优化是指把网站里面的关键词进行选词和排版的优化达到优化网站排名的效果。搜索引擎中相关关键词的排名中占据有利的位置。在国外，SEO已经是比较成熟的行业，而在国内还尚处于起步和发展阶段。可以从狭义和广义两个方面来说明，狭义的网站优化技术，即
- 中国内容营销十年趋势报告
中国内容营销十年趋势报告阐述了营销的挑战与生态的变革，直播净化，视频崛起，开启内容营销新篇章，营销何去何从等详细内容，感兴趣的小伙伴可以下载收藏哟
- 基因检测行业
基因检测是通过血液、其他体液、或细胞对DNA进行检测的技术,明确病因或预知身体患某种疾病的风险。 基因检测是通过血液、其他体液或细胞对DNA进行检测的技术
- 相似推荐
- 大纲
广告数据定量分析
第1章 广告优化中的统计学
1.1统计学：用一句话解释它是什么
统计学是通过收集数据、分析数据由数据得出结论等手段，已达到推测所测对象的本质，甚至预测对象未来的一门综合性科学。
以互联网广告优化为例：从媒体广告平台获取曝光、点击等数据，从广告主数据后台获取注册量、线索量、获客成本等数据，即为收集数据 从广告点击率、获客成本等多个维度对广告效果进行评估，即为分析数据 围绕“以更低的成本获取更多优质的流量，提升广告投放的ROI”这一核心诉求，给出广告优化策略，指导下一步的优化步骤，即为得出结论
1.2学会运用统计：读者的目标
理解统计术语
掌握科学的数据分析方法论
理解什么地方可能出差错
1.3统计学的主要思想
随机性和规律性
规律性中的随机性
概率：什么是机会
概率是一个取决于0和1之间的数，他告诉我们某一特定的事件以多大的机会发生
变量和值
变量是指一个可以取两个或更多个可能值的特征、特质或属性
统计学变量分为
数值型变量
它的值可以取一些具体数字，这些值对于加法减法、求平均值等操作是有意义的：例如CPD的出价可以是1.5元，也可以是1.4元，还可以是1.8元
顺序性变量
描述事物等级或顺序，变量值可以是数值或字符，是可以比较大小的。例如SEM关键词排名有第一第二第三等，转化成本可分为偏高、合适、偏低
分类型变量
数值之间没有顺序差别，仅做分类，故不可比较大小。例如信息流广告定向中行为定向为男、女、其他；广告投放的时间是否是节假日，可分为工作日、周末和节假日
统计学的另一个很重要的概念是值。值是指某一变量的具体取值，例如，应用商店CPD广告出价为1.2元，这里的1.2即为变量“CPD出价”的值
常数
常数也做常量，是与变量相对的词，一个常数总是有一个固定的取值
1.4统计学和广告优化的关系
第一句：君子善假于物--他山之石
典故来源于《荀子. 劝学》，意为君子的资质与一般人没有什么区别，君子之所以高于一般人，是因为他能善于利用外物。广告优化是一个永无止境的过程，学习更好的数据分析方法论并利用，以帮助我们更科学的设计优化实验，更高效的积累数据，更准确的评估优化结果
第二句：学院派与野路子--可以攻玉
野路子：业内一些所谓的干货分享，重方法轻思想不强调案例数据的有限性，缺乏可复制性和可迁移性
学院派：基于对广告媒体的深刻理解、广告产品逻辑的准确认知，用户受众需求和偏好的洞察基础上，以统计学的思想和方法知道我们的广告优化实操，对于每一个广告优化师来说，减少了个人认知，运气等主观成分，更加稳定和实用
第三局：白猫与黑猫--实事求是
不论是什么样的数据分析方法论，能更快、更有效提高客户的RPI，能更持续提高广告公司的劳动生产率的，都是好的数据分析方法论，都值得我们花时间和精力去研究
1.5广告数据定向分析的主要理念
目的性Purpose
对于广告数据的定向分析，一定要有目的性，不能直击核心指标优化的数据分析可能有理论意义，但是没有实用价值
简单来说，“目的性”就是不要太绕，想优化什么核心指标就去找与他直接相关的变量，科学地进行对比实验、数据分析和效果评估。例如：在SEM广告优化中，想提高某个关键词的点击量，可以采取的方法包括但不限于（1）曝光量相对稳定的条件下，研究不同排名对点击率的影响，寻找最合适的排名位置组合，比如第2名和第3名各占50%（普遍认为排名越靠前点击率越高）；（2）轮替多套创意，对比多套创意的点击率优劣，得到点击率最显著最优的那一套，请注意是显著最优，而非我们觉得最优
有限性 Limited
数据有效性
我们做的是广告数据定量分析，首先前提就是要确保数据的真实性
有效的曝光量、有效的点击量才能得到有效的点击率
存量优化与增量优化
映射到广告优化领域，存量和增量可以理解为：存量是指某一段时间内，在某一媒体的，预算相对稳定的广告投放所带来的流量，而增量则是指可以使固有存量的特性和流程发生变化的另外一些特效和流程，是哪些新的增长点
现阶段的广告数据定量分析更擅长做存量的优化，在增量优化上则略逊一筹，原因：
广告优化工作中接触的多为存量优化，这种优化的目的性更强，适用范围更广，研究的难度也更小一点
广告数据定量分析太依赖于历史数据，且历史数据需要比较稳定
对于任何数据的分析，做预测都是难题之一，然而，做增量是一件很不确定的事情，广告主可能是要增加预算，可能要尝试心得广告资源，可能是因为他的主观感觉要求做什么操作或限制，这一切都会导致增量优化是一件困难的事情
时效性
时效性包括两个方面
用于分析的广告数据需要是最近比较新的数据，这样分析起来更能反映现阶段的流量规律，也对未来的优化更具有现实意义
数据分析得出的结论是有时效性的，我们不能拿上个月分析出的规律生搬硬套在本月的数据上，也不该期望得出什么一劳永逸的普遍规律。在互联网时代，唯一不变的只有“变化”
特定性
特定性指的是我们研究的对象，是在特定时间段内，在特定媒体推广的特定产品或服务，这里有三个特定，缺一不可
相关性 Correlation
相关关系可以理解为：当一个或几个相互联系的变量取一定的数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化
因果关系：通常来说，原因是指引起一定现象的现象，结果是指由于原因的作用，随之串联而引起的现象，因果关系的特征就是，原因在先，结果在后，前者的出现导致后果的产生
子主题
在SEM关键词的优化中，通常将关键词按词性分类，包括品牌词，通用词，竞品词等，每种类型的词甚至每个词背后都是网民的不同需求。但在优化实践中，往往会看到有的关键词就是有转化，有的就是没有转化，有的关键词就是转化成本高，有的就是转化成本低，而这些词之间很可能还很相似，我们很难凭关键词的几个字，就洞察到这背后的用户需求存在什么细微差异，我们做优化，看起来是基于相关关系，实际上是由有因果关系的，只不过因果关系很难度量，我们能做的事情也有限，套路基本就是先圈一批词，投放一段时间，积累数据后，分析转化量和转化成本，再将预算、时间精力向那些转化多，成本低的关键词倾斜
抽样性 Sampling
广告数据定量分析本质上是从有限的样本数据中得出无限总体某一数据指标的有关结论
抽样误差的大小取决于得到样本的方式和样本的大小。抽样方式越随机，抽样误差就会越稳定；样本量越大，误差越小，如果样本等于整个总体，则样本比例等于总体比例，样本误差为0
显著性 Significance
显著性是统计学上的一个概念，又称统计显著性，用于衡量两个样本数据之间的差异是由于系统因素而不是偶然因素的影响，而在广告优化中，其实我们无时无刻不在考虑显著性，比如上周的注册成本是25元，本周优化到23元，相对于变化来看下降了8%，但注册成本是否显著降低了？以往大部分优化师是不会去关心的，但现在我们需要学着关心这个问题
如果广告效果显著优化了，我们也就得到正确的反馈，明确下一步优化的方向，也能对内对外争取更多的资源支持。如果不能准确判断是否显著优化了，偶尔遇到一两次数据波动，情况较好，就以此为参照对于管理客户和老板的预期都不是好事，很容易给后期的优化工作戴上“无形的枷锁”，十分被动。所以不管外人怎么说，优化师心里要清楚，效果是自己做上来的，还是撞大运撞出来的
第2章 广告数据分析中的统计学原理
2.1抽样：总体、样本和误差
总体：是客观存在在某一相同性质基础上结合的若干个别事物的整体
样本:就是按照一定的概率从总体重抽取并作为总体代表的一部分的集合体
抽样：是指按照随机原则，以一定概率从总体重抽取一定容量的单位作为样本进行调查，根据样本的情况对总体作出具有一定可靠程度的估计与判断.
抽样的一个重要价值，就是可以在没有拿到全部数据的条件下对总体做一定的预测。
抽样误差：是指用样本统计值与被推断的总体参数出现的偏差
抽取样本数据时，应注意
应尽可能选取优化操作前后相邻的数据
样本数据的积累不仅眼看时间长短，更要看样本量的大小
如果样本数据中出现某些特别高或特别低的奇怪值，应将其删除
2.2概率
概率简单来说就是一个数，更确切的说，它是一个0和1之间的数，用来描述一个事件发生的经常性。小概率（接近0）的事件很少发生，而大概率（接近1）的事件经常发生
在广告数据分析中，一些常见的数据指标，包括点击率、转化率、流失率等都是统计意义上的概率，都是通过对一定量的样本观测得到的
注意①在相同的条件下。这一点在广告优化实践中是很难做到的，以手机百度这一媒体为例，MAU高达5亿多，DAU是1亿多，这意味着，除少部分重度用户每天都在使用外，大多数用户一个月内只有可能不到一半的事件能看到某个广告主的广告。所以我们的总体是不变的，但每天观测得到的样本都不一样了，所以，广告优化实践中我们只能尽力保证能控制的部分保持稳定，比如落地页，广告创意，定向等，以此来观测样本，统计概率，进行数据分析
2.3概率分布
大部分用于统计分析的数据来自于连续变量，即在任意两个值间还有其他的值，故这里只讨论连续变量的概率分布
2.3.1正态分布，也称“常态分布”，又名高斯分布，是一个在数学，物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力
对于我们做广告数据分析，最重要的是均值，不论是平均点击量，平均点击率、还是平均转化量，平均转化率
2.3.2标准正态分布
标准正态分布实际上是在正态分布基础上，经过一些较为复杂的数学计算，将均值处理为0，标准差处理为1的正态分布
标准正态分布的重要性在于，任何一个一般的正态分布都可以通过线性变换转化为标准正态分布
2.3.3中心极限定理
任何一个样本的平均值将会约等于其所在总体的平均值
不管总体是什么分布，任意一个总体的样本平均值都会围绕在总体的平均值周围，并且呈正态分布
2.4统计推断：估计
2.4.1估计：用样本数据预估总体
2.4.2区间估计
点估计
是一个用来估计总体参数的数
逻辑清晰，容易理解
使用方面，哪怕需要二次计算也很简单
业内已形成标准，接受度高
区间估计
又称为置信区间，是用来估计参数的取值范围的
2.4.3总体比例的置信区间
通过样本数据计算的比例，估计总体的对应比例的取值范围，主要适用于用户转化漏斗各环节的转化率估计，比如点击率，点击下载率，下载安装率，安装激活率等
2.4.4总体均值的置信区间
通过样本数据计算的样本均值，估计总体的对应均值数的取值范围，主要适用于估计流量的大小，比如点击量，下载量，注册量等，不可用于估计类似于广告消费等人为因素较大的指标，也不可用于估计类似CPC、CPD等二次计算的指标
2.5统计推断：假设检验
2.6变量间关系
问题一，从数据来看，变量间有关系吗
问题二，如果变量间有关系，这个关系有多强
问题三，是否不仅在样本中，在总体中也有这种关系
问题四，这个关系是不是因果关系
2.7自变量和因变量之间的关系
自变量是数值型，因变量是数值型，比如，CPD出价对于下载量的影响，关键词出价对CPC的影响等
自变量是分类型，因变量是数值型，比如，广告定向中的性别，城市，操作系统对信息流广告创意展现量，点击量的影响等，工作日和非工作日对转化成本的影响等
2.8两个数值型变量的关系
回归分析描述的是一个或多个自变量的变化是如何影响因变量的一种方法
相关分析描述的是两个数值变量间的关系的强度
相关分析的目的在于评估变量之间的关系强度，具体的评价指标就是相关系数，而回归分析侧重考察变量之间的定量关系，并通过一定的数学公式将这个定量关系描述出来，进而确定一个或几个自变量的变化对另一各因变量的影响程度
回归分析的核心价值在于“预测”，即通过对历史数据的分析，构建可以预测未来因变量值的数学公式
2.9分类型变量和数值型变量的关系
比如要不限制广告投放受众的性别，城市，操作系统等，限制包括控制出价，仅投放某类特定人群等，以期获得更好的广告效果
这时我们分析的就是分类型变量（广告定向，广告设置等）和数值型变量（流量、成本）的关系，统计学上最常用的数据分析方法叫做方差分析，从形式上看，方差分析是检验多个总体的均值是否相等的统计方法，但本质上它研究的是分类型自变量对数值型因变量是否有显著影响
第3章 广告数据的描述：图表
3.1初阶：维度和指标
维度：说明数据，是指可指定不同值的对象的描述或特征。例如，在广告投放定向中，“地域”维度的值可以包括“北京”“上海”“广州”，投放渠道维度的值可以包括“百度SEM”“今日头条信息流”“小米应用商店”
指标：衡量数据，是指可以按数值或比值衡量具体维度元素。例如“投放渠道”这一维度，可以关联指标“广告消费”，其值为具体投放渠道的广告消费金额。
虽然，维度和指标都是可以独立使用的，但我们在做数据分析时经常会将二者关联使用。正是维度和指标的值以及这些值之间的关系，才使得数据具有了现实意义。同时，为了挖掘尽可能多的信息，一个维度通常与一个或多个指标关联在一起。例如，“投放渠道”这一维度，可以与指标“广告消费”和“获客数”相关联，有了这些数据，我们就可以新建“获客成本”等比值指标，带来有关这些投放渠道的更深入的信息。
3.1.1看分布
直方图
比重图
3.1.2看趋势
趋势分析是最基础的图表分析，它反映某一指标在一段时间内的变化情况。对于不同的广告数据指标，优化工作的目的是不一样的。对于成本类来说，优化目标是持续下降并保持稳定的；对于流量类来说则是稳步上升并保持稳定的。一旦趋势发生异常（异常高和异常低），就需要及时介入，排查原因，调整优化。
折线图
柱状图
堆积柱状图
多指标的趋势图
当需要同时观察多个指标的变化趋势时，可选择折线图或柱状图+折线图的呈现形式，不建议单纯以柱状图的形式呈现。
3.1.3多维度和指标交叉
1、二维-散点图
散点图一般还为四象限分析模型的搭建提供数据，四象限模型是数据分析中应用很广的一种分析框架，即提取两个最核心的指标，每个指标都以某一标准为界，分为高和低两个部分，如此将全部的样本分为四个象限。
2、三维-气泡图
在信息流广告中，展现排名机制是：广告排名=CPC出价*预估CTR
3.1.4看相关
3.2进阶：用户行为洞察
3.2.1漏斗图
漏斗图是转化漏斗图的建成，是对用户的某一特定行为路径进行拆解，分析全流程中每一个环节的转化效率以及和整体转化率的关系
对于用户来说，从看到广告到转化为目标用户，行为路径的全过程基本为：看到广告-产生兴趣-发生互动（点击等）-获取更多的相关信息-发生转化（下载APP、填写表单、在线咨询、拨打电话等）
对于广告优化师来说，要理解用户的这个行为路径并非难事，但实践中，用户行为路径全过程中的部分环节难以被捕捉和量化，只能省去。于是，我们见到的转化漏斗大多是：展现量-互动量（点击广告、点击安装APP）-有效转化量（APP激活量、用户注册量、销售线索量等）
对于不同的广告类型和转化目标，转化漏斗也有细微差异。比如应用商店的付费推广中，转化漏斗为：曝光量-下载量-激活量-注册量-新客量（衡量标准各有不同）；又比如以获取销售线索为核心目标的信息流广告中，转化漏斗则为：展现量-点击量-落地页访问量-有效销售线索量。
3.2.2用户行为路径图
用户行为路径区别于用户转化漏斗，前者重点分析用户在某一环节或某一页面的行为特点，后者则侧重分析用户在各环节之间的转化情况。对于用户行为路径分析，业内常用的是热力图，这种图表需要用专业的网站检测工具在目标页面上部署代码
热力图能简单直观第反映用户在进入某一页面后的实际行为，对于广告优化来说，应用较广，价值较大的数据是两个，一个是用户对页面上大家置的兴趣注意力分布，二是落地页中用户下拉完成的分布。
第4章 SEM广告数据分析
4.1认识SEM广告
4.1.1SEM广告发展现状
SEM（Search Engine Marketing),即搜索引擎营销，也就是我们经常说的关键词广告 SEM广告是PC时代的产物，在中国网络广告市场份额中长期保持30%以上的市场份额，有两年甚至达到40%，更是成就了互联网巨头百度。 目前，SEM广告依旧是“一超多强”的竞争格局，一个超级霸主是百度，多家实力雄厚的巨头分别是搜狗，360，神马等。根据艾瑞发布的《2018中国互联网产业发展报告“数据，2017年中国搜索引擎企业营收中，百度占了78%，成为唯一一家头部广告平台。 所以，对于数字广告从业者来说，百度SEM这一渠道就代表了SEM的主要流量，更不用说百度创立的SEM竞价排名规则，广告样式，销售体系等对行业具有深远影响，掌握了百度SEM数据分析，其他的SEM便会触类旁通了
现阶段，SEM广告仍具有其他广告无可比拟的优势
1、搜索引擎是刚性需求，已成为互联网基础应用，经过十几年的市场教育“有事儿问百度”的认知已经深入人心
2、搜索引擎获取的数据是用户最真实的需求。例如谷歌流感趋势会根据汇总的谷歌搜索数据，近乎实时地对全球当前的流感疫情进行估测，而我们的SEM广告优化人员，会通过对用户的搜索偏好进行分析，挖掘用户的潜在需求，设计SEM关键词广告，使得用户一旦触发SEM广告，广告内容与其真实需求较为相关，用户体验较好。
3、SEM广告平台相对更成熟，投放效果更稳定和可控。以百度凤巢为例，近十年来不断迭代完善，堪称业内最成熟的广告平台之一。
SEM威胁与挑战
1、网民对SEM广告的认知度提升，排斥感加强。在“魏则西事件”之后，广大网民开始对SEM广告有所认知，相关政策监管收紧，“广告”标识的强制展示，均在不同程度上提高了SEM渠道的流量获取难度和获取成本
2、内容资讯全面崛起，人与信息的关系逐渐由“人找信息”到“信息找人”转变。移动互联网时代，用户的使用相关服务依赖一个又一个APP，除了微信、支付宝等超级APP外，还有数以百万计的针对各类细分人群，细分场景的中小APP，导致流量入口更加分散化，搜索引擎的重要程度显著降低，最直接的表现就是，以今日头条，UC浏览器为代表的资讯信息流平台，根据用户阅读偏好进行个性化的内容推荐，用户有一部分使用搜索引擎的需求就被替代了
3、恶意点击，异常流量侵蚀广告预算，对广告数据分析造成干扰，广告主面临的恶意点击，不仅来自于自己的竞争对手，还有可能是媒体的竞争对手，甚至可能是媒体自身，因此广告监测就发挥了重要的价值，无论是广告主的第一方广告监测，还是使用第三方广告监测，均能有效降低恶意点击，异常流量带来的损失
4.1.2SEM推广渠道的特点
1、流量来源依赖关键词
SEM账户里的关键词一直要保持更新和维护的状态，将新的关键词补充进来，将效果不佳的关键词剔除
2、广告样式丰富，玩法多样
不同于信息流广告主要以图文和视频为主，SEM广告的样式要丰富得多，以百度SEM为例，除普通的纯文字样式外，常用的高级样式有十几种，从大类分有子链，图文，列表，APP下载，线索通等。每一类样式都是承载在具体关键词上的，每一个关键词可能同时出现多种广告样式，这给我们做广告数据分析和效果优化造成一定的干扰
3、面临与竞争对手的直接竞争
媒体的流量是有限的，同一个行业内的广告自然会有竞争，但在SEM广告上这种竞争表现的更加直接，因为SEM广告是对每一个关键词进行竞价，SEM广告位也是在搜索结果页依次排序的，于是在有限的广告位上我们将面临和竞争对手的直接竞争。因为大家都是提供想类似的产品或服务，面向相似的目标人群，我们与竞争对手就会购买同样的通用词，人群词，因为有的用户对品牌是有一定认知的，我们会购买自己的品牌词，也会购买竞争对手的品牌词作为竞品词，抢夺多方的流量，这样的竞争对于我们的优化工作有利有弊，好的方面是，我们可以密切关注竞争对手的广告投放策略，文案卖点，样式展现等，学习借鉴竞争对手的长处，广告后台通过了诸如展现量份额的数据供我们参考，坏处是，激烈的出价竞争拉高了流量成本，为维持投放效果的稳定，我们就需要在广告投放中建设自己的差异化优势
4、营销着陆页的价值凸显
任何广告都不能脱离用户的使用场景来分析，SEM广告也是一样，用户的意图是在搜索引擎查找某个关键词相关信息，在没有SEM广告的情况下，搜索结果页应为自然排名结果用户对于自己即将点开的网页是有心理预期的，希望能找到自己需要的信息，在有SEM广告的情况下，SEM广告的价值更多的事吸引用户的注意力，真正承载用户转化的还是在营销着陆页上。虽然目前有一些缩短转化路径的高级样式，比如APP下载，线索通等，但更多的转化还得依赖营销着陆页进行，同时，营销着陆页属于广告主自己的网站，可以通过网站监测工具，获取用户的行为路径，注意力分布等数据，比如之前提到的热力图，就能对营销着陆页优化调整提供着重要的数据支持。
4.1.3SEM广告数据分析痛点
1、如何找到切入点
一般来说，SEM广告账户内的关键词数量庞大，但每一个关键词都需要独立做广告效果核算，从前端的展现量、点击量、CTR、CPC等，到后端的转化量，转化成本等。对SEM广告效果的考核往往是基于账户整体的，而我们的优化操作都落到每一个具体的关键词上，这就形成了一个整体和局部的关系。假设账户整体广告效果不理想，那么如何在最短时间里在这么多关键词中找到症结所在，并且有针对性的进行优化，是SEM广告数据分析工作的起点
2、准确评估关键词的转化效果
1、对关键词转化效果影响较大的一个因素是关键词的词性，词性是广告优化人员根据关键词所反映的用户需求进行认为划分的，可以说是一个关键词和另一个关键词最本质的区别，对于不同词性的关键词，转化效果的考核应该做差异化对待
2、关键词的匹配方式也会影响对其真实效果的评估
3、创意对于关键词转化效果评估的影响主要表现在多套创意同时生效，各自的转化效果不同，但都统计在同一个关键词上。在优化实践中，我们不大可能对每一个关键词单独写创意，每个推广单元内的关键词尽可能结构相近、语意相似，再加上通配符等，使其语法通顺。在对创意质量的评估中，往往容易和关键词割裂开来，单独分析创意的转化数据，同时，评估指标较为单一，以CTR为主。但需要强调的是，决定广告效果的应该是转化量，转化成本等与ROI密切相关的指标，而非点击率这么模糊的指标。
最后，说一下广告样式的影响，区别于普通样式，高级样式的展现没有明确的规则，需要符合SEM媒体方特定的条件，有时候海需要在出价方面有一定的溢价、反应在数据分析上，就会发现高级样式的数据不那么稳定，对于一个关键词来说，普通样式和高级样式都能带来流量，但后端的转化数据都是混在一起的，对于该关键词真是的转化效果造成了一定的干扰
3、管理长尾词
在广告账户中数量庞大，一般来说，长尾词在全部关键词的占比至少在30%以上，而且还有继续挖掘和扩充的空间
流量小且不稳定
用户需求较为明确
4、如何取舍关键词
1、关键词之间差别对待，我们需要对关键词按照一定的标准分类和统计，对重点关键词做精细化的优化
2、效果差的关键词及时止损
3、新的关键词如何测试和评估。新的关键词有各种来源，包括但不限于搜索词报告，基于核心词的拓词，新的业务方向，临时行动的活动推广等，对于新的关键词，需要尽快做投放测试，准确评估其转化效果，留用效果好的，同时剔除效果不理想的
4.2SEM广告数据分析关键指标解读
4.2.1 CPC
CPC指的是在统计周期内，广告主为网民的每次点击访问所支付的广告费用
关键词点击价格<出价
对于SEM广告数据分析，CPC一直都是重要的参考指标，我们应重点关注：CPC和出价、广告排名、点击率之间的关系
根据SEM广告竞价排名原理可知，CPC可出价之间的差距较小，比如CPC略低，在10%以内，说明后一名广告位与我们的差距较小，同理，若CPC和出价之间的差距较大，说明我们的广告竞争力领先后一名较多。广告排名如果相对靠前，关键词提价的空间相对较小，反之，广告排名相对靠后，可以通过提价获取更靠前的位置，在广告排名相对不变的情况下，CPC与点击率具有一定的负相关关系，如果想放量，但提价空间不大，不妨从优化点击率着手。
4.2.2 CTR
CTR是SEM广告用户转化漏斗的第一个转化环节，即看到SEM广告的用户中有多大比例选择点击广告，体现了关键词广告对用户的吸引程度。
优化CTR
1、CTR的高低与最终转化效果没有直接相关关系，因此优化CTR的目标并非越高越好，但同时，CTR的水平不应过低，业内普遍经验是1%作为界限，低于1%的CTR说明广告相关性、创意质量确实有待提高，进而对关键词的质量度得分造成影响
2、CTR的评估要综合考量关键词、创意的不同组合，同时要注意高级样式的可能影响，在广告系统后台的标准化数据报表中，关键词报告和创意报告是分开提供的，我们需要关键词喝创意一一对应做CTR数据分析，给关键词和创意找到相对最优的搭配组合，普遍来说，高级样式的点击率一般高于普通样式，对于单个关键词来说，高级样式的展现是不稳定的，点击率是独立核算的，在优化关键词CTR时尽可能将其高级样式的影响定量化
4.2.3 质量度
质量度是SEM广告系统对我们的关键词所触发的广告及营销着陆页质量的一个综合评分，分为计算机质量度和移动质量度，分别是针对PC端推广和移动端推广而言的，质量度的评分标准为1-10分，得分越高，代表系统认为我们的广告创意即着陆页对用户来说更有相关性和实用性。根据SEM广告竞价排名原理，质量度是除出价之外，另一大影响广告排名的指标。优化质量度的价值在于，当质量度越高时，我们便能以越低的出价获取同样的流量。
优化方向
预估点击率；主要涉及广告标题和创意的撰写方面
业务相关性：包括关键词与创意的相关性，关键词与着陆页内容的相关性等
着陆页体验；应避免图片的大量堆砌，保证网页内容清晰，充实，易于浏览
关键词质量度得分是一个需要长期关注的指标，对于CPC调控起着重要的参考价值
4.2.4平均排名
根据竞价排名机制，虽然我们账户内某一个关键词的出价和质量度都不变，但受竞争环境变化等因素影响，同一个关键词每一次展现的排名可能是不一样的，为了体现这个关键词的排名情况，广告系统采用了平均排名这一指标。，所以平均排名指标上反映了一个关键词在不同排名位置上的展现量分布，平均排名对CPC的优化有着重要的参考价值
4.3SEM数据分析方法论
4.3.1帕累托法则
马克思主义哲学告诉我们，在诸多矛盾中，要善于抓主要矛盾，在主要矛盾中要善于抓矛盾的主要方面，应用到广告数据分析领域也是一样的，流量不是均衡分布的，少数推广计划和关键词消耗了大量的广告预算，贡献了主要的流量。因此，在SEM主要账户中要优先关注消费大或是流量大的推广计划，同一推广计划中优先关注广告消费大或流量大的关键词
4.3.2 四象限分析
我们以关键词的转化量和转化成本两个指标，将全部关键词划分为四类，对应不同的优化策略，有的放矢进行优化
1、高转化高成本 对广告预算分配影响较大 需要解决降低成本的问题
2、高转化低成本 是优质关键词 可以放量和拓词
3、低转化低成本 比较鸡肋 分析优先级较低
4、低转化高成本 表现最差的关键词 应重点优化
建议四象限分析模型比较科学的使用方法应该是，对于每一类词性的关键词分别做分析，比如品牌词，转化成本的标准是XX，要比全部关键词的平均成本低一些，这样一来，相当于把SEM账户一个复杂的系统，拆分为不同词性的“小系统”来做分析，每一个“小系统”内的关键词按照科学的方法进行分类，有针对性的做优化
4.3.3 显著性实验
广告效果是否显著化，这个问题直接看来回比较主观。经过广告优化操作后，同一个广告位或关键词带来的流量是否确有增长，可以通过“两个总体均值之差的显著性检验”来实现；转化漏斗中相邻的两个环节之间的转化率，是否确有提高，也可以通过“两个总体比例之差的显著性检验”来完成
4.3.4关键词评分体系
1、选取指标
2、构建评分体系
3、计算转化标准的评分标准
4、关键词转化效果的准确评估
5、对照评分标准，给有转化的关键词打分
6、根据评分对关键词进行分类优化
7、需要注意的几个问题
1、在计算一类词性的平均转化水平时，要注意数据的分布，如果总共只有20个关键词，其中一个大流量的词，占了转化的30%，这种离群值就应该剔除，不再纳入计算范围，或者几个关键词转化成本低的，也属于离群值
2、转化量和转化成本两个指标仅适用于在统计周期内有过转化的关键词，根据经验来看，有不少没有发生过转化的，我们可以通过转化率的指标来加以分析，根据关键词所属词性的平均转化率水平，计算出该关键词的点击量测试额度，如果统计周期内该关键词的点击量已经达到该额度，但仍没有发生转化，说明这个词就可以放弃了
4.4案例：某招聘网站的百度SEM广告优化
4.4.1项目背景
4.4.2优化难点
关键词有效率低
部分关键词点击率偏低，CPC偏高
转化成本高出目标成本较多，亟待优化
甄别和剔除转化效果不理想的关键词
4.4.3优化思路
通过四象限分析，计算每一类词性的平均转化水平，包括转化量、转化成本及转化率，明确对关键词的考核标准
准确评估有消费关键词的实际转化效果。主要关注匹配方式、创意及高级样式对转化数据造成的影响
搭建关键词评分体系，针对性优化
对点击率和CPC的优化调控，通过对创意、高级样式进行A/B测试，提高关键词的点击率，要注意的是，对创意和高级样式的测试不能同时进行。否则难以归因，建议先优化创意，再测高级样式，同时密切关注关键词质量度，平均排名，CPC与出价的差距等指标的变化，对出价做相应的优化调整，最终实现对关键词CPC的有效调控
甄别和剔除效果不理想的关键词，提高关键词的有效率。对于有消费关键词占比低问题，需要把全部没有消费关键词梳理一遍，分析广告平均排名和展现量，如果排名靠后，可适当提价，如果本来展现量就小，可以适当放宽匹配，或者积累一段时间数据再看。对于有转化关键词的广告费占比偏低问题，同样需要把全部有小费但没有转化的关键词梳理一遍，根据4.3.4中介绍的预估点击量额度来判断关键词的转化可能性
定期更新关键词评分体系，分批测试新的关键词，在动态过程中实现转化量和转化成本的优化调控
4.4.4优化执行
4.4.5效果评估
月均5000，CPC下降10%，注册用户数增长6成，平均注册成本下降100以下
第5章 信息流广告数据分析
5.1认识信息流广告
5.1.1信息流广告发展现状
信息流广告，指的是与信息流内容混排在一起的广告，又叫原生广告。
信息流广告是长得像内容的广告，如果不仔细留意周围出现的“推广”“广告”字样，可能绝大多数用户都识别不出来这是一条广告。
竞争格局
综合类的内容咨询平台
内容型
内容质量较高，有不少使用多年的老用户，忠诚度较高，目标受众相对高端，收入和消费水平较高，对广告的识别度和认知度较强，如腾讯新闻、网易新闻、凤凰新闻
渠道型
基于个性化算法推荐的内容资讯分发平台，用户量庞大，用户构成多元化，日活跃用户多则过亿，各类目标人群均有一定规模的分布，几乎适合所有toC广告主，同时，平台上的内容资讯非常丰富，涵盖各种领域，基于用户阅读偏好等数据的分析，平台对用户画像的描绘较为精准和完善，广告定向也更精准。如今日头条、一点资讯、趣头条等
垂类的内容资讯平台
这类平台的用户量相对较小，难以作为助力渠道，用户相对聚焦，适合特定行业的广告主，另外媒介平台是基于用户对垂直内容的阅读行为描绘的用户画像，垂直内容不能完整体现一个用户的兴趣和爱好，在广告定向上会有一定偏差，如汽车之家、APP体育等
以工具类超级APP切入综合资讯信息流
这类平台是在原本超级APP上增加的信息流内容服务，用户基数庞大，流量规模可观；因为带有工具类属性，使用场景稳定，用户分布也较为均匀，即各类目标人群都有一定的比例，本身有超级APP的数据积累，可能还有集团层面的媒体资源整合和数据打通，加之基于综合内容资讯的用户画像分析，在广告定向上游较大的操作空间，如百度、wifi万能钥匙，UC浏览器等
社交类平台
这类平台主要为用户提供即时通讯和社区交友的功能，会产生大量的UGC内容，按照一定的算法或者时间顺序排列，形成信息流，作为信息流广告媒介，社交类平台的优势在于用户规模大，用户粘性高，同时，因为是信息流平台，用户自然属性的数据比较准确，比如用户年龄、性别、所在城市、工作等，对于用户画像的描绘和广告定向来说非常有价值，如微信、微博、陌陌、知乎等
信息流广告优势
用户体验好
信息流广告与内容视觉上整合，不会破坏画面的和谐性，与内容交互统一，广告一直处于用户的视觉焦点中，但又不会对用户浏览行为造成打断或者干扰
投放相对精准，转化率高
信息流平台对用户画像描绘以来的数据主要来自于三类
第一类是用户自己填写的，在社交平台尤为明显，比如性别、年龄、学历、地域、职业等
第二类是平台基于用户使用行为做出的数据采集和挖掘，包括操作系统，地域、性别、年龄、职业、用户偏好等
第三类是与其他平台打通或是数据交换，比如我们在京东浏览过某些类商品，在今日头条首页就会看到这件商品的信息流广告
内容资讯是新的流量入口，信息流也成为获取增量用户的重要渠道
5.1.2信息流推广渠道的特点
不同信息流平台的广告效果差异较大
广告投放非常依赖广告定向
广告创意生命周期端
5.1.3信息流广告数据分析痛点
各信息流广告存在差异，成功经验难以推广复制
各信息流广告平台的媒体属性不一
各信息流广告平台用户画像本身存在差异
各家广告定向算法及定向精准性存在差异
各家的广告展现机制和用户转化路径有所不同
广告定向大多凭经验，缺乏数据支撑
一些广告主对自己的目标受众缺乏认识，无法提供相应有价值的信息作为参考
虽然广告主对希望触达的目标受众有一个比较明显的阐述，但受限于目前信息流媒体平台的数据和技术能力，很多定向是不能实现的
信息流媒体平台广告定向实际和理论上有一定的偏差
没有收集和分析数据的意识，如果要对广告定向做数据分析，比较严谨的做法是用同一个创意分不同的定向维度，每次只测试一个维度
创意难以定量化，试错成为常态
缺乏科学的测试机制设计
提高测试效率和节约测试预算难以兼顾
测试的结果不可控
广告数据分析过度依赖媒体平台
5.2信息流广告数据分析关键指标解读
5.2.1 ECPM和CTR
1、从媒体角度看ECPM
ECPM是千次展现的期望收入
一次广告曝光的期望收入=广告主愿意为一次用户点击所支付的价格*用户点击广告的可能性
ECPM=CPC出价*预估CTR
CPC=下一名广告出价*下一名预估CTR/自身广告的预估CTR+0.01
2、从广告主角度看ECPM
ECPM是千次展现预估成本，ECPM越高，广告就越有竞争力，流量就越大
结合ECPM、CPC计算公式，大概思路有两个
一是提高预估CTR，可以以更低的CPC出价获取相同的ECPM。CPC出价降低，结算时的实际CPC也会得到优化
二是维持CPC出价不变，显著提高广告的CTR，尤其要比下一名的CTR更高，如此一来，实际CPC将显著低于CPC出价
以UC信息流广告为例影响CTR因素有
历史点击率
用户兴趣行为特征
推广计划与推广组历史表现
账户整体历史表现
创意素材质量
创高新鲜度
广告与受众的匹配程度
3、信息流广告中的CTR
提高ROI
ROI=收入/成本
ROI=（新增用户量*单个用户贡献收入）/（新增用户量*平均获客成本）
降低获客成本
平均获客成本=广告消费/获客量=（点击量*CPC）/（点击量*转化率）=CPC/转化率
降低CPC
CPC=(下一名出价*下一名预估CTR)/自身广告的预估CTR
提高预估CTR
主要与历史点击率有关
提高实际CTR
5.2.2用户画像和广告定向
1、定义
用户画像
用户画像是基于用户的自然属性、社会属性、消费行为等多方面数据抽象化的“标准用户”，用户画像多以标签化的形式，用来描绘某产品或服务的目标用户人群。
广告定向
广告定向其实是媒体为了迎合广告主需求的一种产品包装，已成为主流信息流广告的标准化配置。
2、用户画像不是多维度的交叉
3、当心“标杆用户”陷阱
4、关注相关而非因果
5.3信息流广告数据分析方法论
5.3.1 A/B测试
信息流广告测试主要涉及两个指标：点击率、转化率
设计测试
同一个广告定向测试不同的创意
同一个广告创意测试不同的广告定向维度
积累数据
显著性检验，得出结论
5.3.2 朴素贝叶斯算法-优化广告定向
是一种简单但是非常强大的线性分类器
具体信息流投放案例应用
获取受众画像数据，匹配转化结果
基于朴素贝叶斯的概率计算
对于广告定向的知道价值
5.3.3创意定量化的解决思路
5.4案例：某金融APP的今日头条信息流广告优化
5.4.1项目背景
5.4.2优化难点
目前的账户结构较为混乱，不利于优化操作
对广告定向进行测试，提高触达目标受众的精确性
对广告创意进行测试，找到优质创意的设计方向
提升日均消费，降低转化成本
5.4.3优化思路
优化账户结构，将目前的10个推广计划缩减为2个，推广单元按照广告定向分，并设计用于新创意测试的广告单元
梳理目前投放创意的转化数据，挑选比较有代表性的创意，作为测试广告定向的创意
通过推广单元的广告定向设置，设计多组对广告定向的测试，待样本数据积累到一定程度，通过显著性检验，得出转化效果较优的广告定向组合
以上一步确定的广告定向，批量进行广告创意测试，密切关注数据，通过显著性检验，保留转化效果较好的创意
根据受众画像数据，基于朴素贝叶斯算法，进一步优化广告定向
待创意的样本数据积累到一定程度，尝试通过创意画像数学建模，寻找优质创意的设计方向
5.4.4优化执行
5.5.5效果评估
前后优化周期三个月，最开始两三周因对广告定向进行测试，广告消费不断提高，平均注册成本波动较大，后面趋于稳定，平均注册成本稳定在25-27，日均大概在10000左右
第6章 应用商店广告数据分析
6.1 认识应用商店广告
6.1.1应用商店广告的发展现状
1、第三方应用商店
2、手机厂商应用商店
6.1.2应用商店推广渠道的特点
6.1.3应用商店的几大核心广告资源介绍
1、首页推荐广告
2、搜索广告
3、装机必备
4、红包
5、排行榜
6.1.4应用商店广告数据分析痛点
1、广告监测缺陷导致后端数据无法分拆
2、与线下推广效果混淆
3、不提价，难放量
6.2应用商店广告数据分析关键指标解读
6.2.1自然量
6.2.2 CPA
6.2.3 ROI
4.2.4各广告位流量配比
6.3应用商店广告数据分析方法论
6.3.1相关性分析
6.3.2线性回归分析
6.3.3显著性检验分析
6.4案例：某生活消费APP在小米应用商店渠道的广告优化
6.4.1项目背景
6.4.2优化难点
6.4.3优化思路
6.4.4优化执行
6.4.5效果评估
第7章 多广告推广渠道的统筹优化
7.1多渠道广告统筹优化的现状
误区一：过于强调不同渠道的差异性，缺乏全盘的综合考量
误区二：以同一个标准考核所以渠道，忽略了不同渠道的特殊性
7.2多渠道广告数据分析方法论：综合效果评估模型
1、评分指标的选取
1、转化量
2、转化成本
3、投放稳定性
4、流量增长性
2、权重测试和确定
3、计算综合评分，评估渠道效果
4、模型迭代和优化
7.3案例：某金融APP在多广告渠道的统筹优化
7.3.1项目背景
7.3.2优化思路和执行
第一步，评分指标的选取
第二步，选取样本数据
第三步，数据标准化
第四步，权重测试和确定
第五步，计算综合评分
第六步，评估渠道效果，梳理优化思路
7.3.3效果评估
第8章 广告优化的未来会好吗
8.1广告业内的三种角色
8.1.1角色期待
1、媒体方-流量主
2、甲方-广告主
3、乙方-广告代理商
8.1.2角色冲突与认知偏差
1、媒体方-流量主
2、甲方-广告主
3、乙方-广告代理商
8.1.3囚徒困境
囚徒困境的理论由来
数字广告生态囚徒困境
8.2广告优化的作用
8.2.1广告优化的边界
1、宏观层面
2、中观层面
3、微观层面
8.2.2广告优化的展望
8.2.2广告优化师的精讲之道：内部创业者