广告数据定量分析 （齐云涧著）

为广告优化师快速提升数据分析能力提供系统知识和学习方法，总结SEM、信息流广告、应用商店广告等各种常见广告类型的数据分析方法。 个人认为，对于想要提升个人能力、拓展分析与优化思路的优化师或广告运营人员，有很大的帮助，推荐！

广告数据定量分析

• 第一章 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，以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：1）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；2）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；3）围绕“以更低的成本获取更多更优质的流量，提升广告投放的ROI”这一核心诉求，给出广告优化策略，指导下一步的优化操作，即为得出结论
  • 1.2 学会运用统计：读者的目标
    • 理解统计学术语
      • 才能从统计分析结果中获取更多有用信息
    • 掌握科学的数据分析方法论
      • 能帮助我们更科学地设计优化试验，更高效地积累数据，更准确地评估优化效果，进而指导下一次的优化试验
    • 理解什么地方可能出差错
      • 凡是有计算公式的数据指标，如点击率、平均排名、平均点击成本、转化率等，在求平均时需多加注意，这些数据指标大多数不能直接简单相加求平均。正确的做法是回到公式本身，先将原始数据求合计，再进行计算
  • 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
      • 概率是一个取于0和1之间的数，它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
        • 变量三种类型
          • 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
          • 顺序型变量
            • 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
            • 取值之间没有顺序差别，仅做分类，故不可比较大小
            • 例如：信息流广告定向中的性别定向分为男、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
      • 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
      • 常数也作常量，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
    • 三句话阐述两者之间的关系
      • 君子善假于物—他山之石
        • 这个典故出自《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，并加以利用，可以帮助我们更科学地设计优化试验，更高效地积累数据，更准确地评估优化效果
      • 学院派与野路子—可以攻玉
        • 野路子：很多干货分享，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，实操时，效果依旧不尽人意
        • 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论指导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
      • 白猫与黑猫—实事求是
        • 不论什么样的数据分析方法论，能更快、更有效提高客户ROI的，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和学习
  • 1.5 广告数据定量分析的主要理念
    • 目的性Purpose
      • 对广告数据的定量分析，一定要有很强的目的性，不能直击核心指标优化的数据分析可能有理论意义，但是没有现实价值。 所称的“目的性”，简单来说就是不要太“绕”。想优化什么核心指标就去找与它直接相关的变量，科学地进行对比试验、数据分析和效果评估。
      • 例如，在SEM广告优化中，想提高单个关键词的点击量，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，寻找最适合的排名位置组合，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
        • 确保数据的真实性、有效性（如：有效曝光量、有效点击量）
      • 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： 存量是指某一时间段内、在某一媒体的、预算相对稳定的广告投放所带来的流量 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性和流程，是那些新的增长点。
        • 阶段的广告数据定量分析更擅长做存量优化，在增量优化上则略逊一筹，其原因
          • 1. 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
          • 2. 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
          • 3. 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，广告主可能是要加预算，可能要尝试新的广告资源，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
        • 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。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
        • 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。
        • 相关性是统计上的概念，数据多了，X发生时Y发生的概率足够显著，那么A和B就是相关的
      • 因果关系
        • 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。
        • 因果性是逻辑上的概念，X发生导致Y发生。类似的还有
    • 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量的大小。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
      • 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。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，相对变化来看下降了8%，但注册成本是否显著降低了呢？我们需要去关心这个问题
  • 本章主要阐述的是统计学和广告优化的关系，提到了一些统计学上的基本概念、统计学的主要思想和广告数据分析的理念。一方面，我们要强调科学的统计分析方法论对于广告数据分析的工具性价值；另一方面，也要承认广告数据分析在效果优化上的局限性。
• 第二章 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中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，以一定概率从总体中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推断
    • 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
    • 选取样本数据时，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要看时间长短，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异值，应将其剔除
  • 2. 2 概率
    • 概率简单来说就是一个数。更确切地说，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
    • 在相同的条件下随机试验n次，某事件A出现m次（m≤n），则比值m/n称为事件A发生的频率。随着n的增大，该频率围绕某一常数p上下波动，且波动的幅度逐渐减小，趋于稳定，这个频率的稳定值即为该事件的概率，记为： P(A) = n/m = p
      • 注意：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时间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
    • 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。
  • 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。
    • 最重要的是标准正态分布（z变量），t分布（t变量），下图以标准正态分布为例，具体阐述一下。
    • 正态分布
      • 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。
      • 正态描述的是某一变量v的概率分布，又因为概率的统计定义，通常以分布占比替代概率分布。横坐标上的X就是变量v的取值，f(x)就是对应变量不同取值（即x）的占比
      • 当随机变量X服从正态分布时，我们用X~N(, ^2)表示，其中为变量X的均值，为变量X的标准差
      • 如下图所示，正态分布中大部分数据集中在平均值附近，小部分在两端。均值±3个标准差已经可以包括99.7%的情况了
      • 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。
    • 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。
      • 例如，X~N(, ^2)，则Z=(X – )/~N(0, 1)，这也是将一般正态分布转化为标准正态分布的公式
      • 如下图所示，可以看到，大部分z变量的值在–2.00到2.00之间变动；特别是，95%的z变量的值在–1.96到1.96之间变动
    • 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
      • 以上两句话，对于帮助我们理解整个广告数据定理分析的理论基础有着至关重要的价值。基于中心极限定理，在没有办法得到总体全部数据的情况下，我们可以用样本来估计总体。而且不用计较样本数据是什么分布，多组样本的平均值的分布是近似正态分布的
  • 2.4 统计推断：估计
    • 超越实际数据是统计学的一个分支，被称为统计推断。它由估计和假设检验组成。
    • 估计：用样本数据预估总体
      • 样本统计量：是从样本数据中计算出来的数。（比如样本均值、样本百分比等)
      • 总体参数：是在原理上可以从整个总体中计算出来的数。(比如总体均值、总体百分比等)
      • “估计”做的事情就是，通过样本统计量去估计对应的总体参数
    • 区间估计
      • 点估计：是一个用来估计总体参数的数
        • 优点
          • 逻辑清楚，容易理解
          • 使用方便，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
      • 无论是点估计，还是区间估计，理论基础其实还是抽样，根据抽样取得的样本直接计算的概率，其实就是点估计。如果同时考虑抽样误差，就是区间估计。区别于点估计，区间估计是以一种动态的视角看数据指标的，此刻的指标不再只是一个数，而是一个取值范围（点估计±抽样误差）
      • 对于大多数总体参数来说，估计区间是用如下方法得到的
        • 找到样本统计量，如均值或者比例，这一步骤相当于是点估计的计算
        • 从数据中计算出抽样误差
        • 用样本统计量加、减抽样误差就得到了区间估计的两个端点
    • 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
    • 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
        • 主要使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
    • 任何概率都是建立在某种假设为真的前提下的
    • 这里给大家分享一个在线的小工具，可以非常简单地计算出两个总体比例的显著性差异：https://vwo.com/ab-split-test-significance-calculator/
      • 第一列是Control，即控制组（原始版本），在广告优数据分析中用于对比参照的样本； 第二列是Variation，即试验组（试验版本），是优化操作后所得到的数据； 第一行Number of Visitors，是指流量数； 第二行Number of Conversions，是指转化数。
  • 2.6 变量间关系
    • 分析由两个变量控制的数据，主要目的是回答以下四个重要问题。这些问题为我们研究变量间的关系提供了分析框架
      • 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？
    • 为了判断自变量与因变量之间的关系是否为因果关系（一旦样本数据中两个变量之间的关系可以代表总体）我们应该：
      • 用常识来判断这种关系是否有现实价值
      • 注意自变量是否发生在应变之前
      • 如果可能，尝试适当调整自变量，观察因变量的值是否会受影响
      • 即使自变量是决定变量的原因，也要意识到，是否存在没有被考虑到的、可能对因变量有影响的其他变量
  • 2.7 自变量和因变量之间的关系
    • 自变量和因变量不一定是同一种变量，所以二者就有9种（3×3）可能的组合关系。如下图所示
    • 本书所介绍的广告数据定量分析的内容，主要涉及的是图中标“*”的两类，即：
      • 1）自变量是数值型，因变量是数值型。比如，CPD出价对下载量的影响；关键词出价对CPC的影响等
      • 2）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r。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个因变量的影响程度
    • 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
    • 我们在广告优化实践中，经常会遇到广告定向的问题。 比如要不要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作方差分析，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。
  • 本章介绍的是广告数据分析中的统计学原理，对应广告数据从获取到处理，再到分析和得出结论的全流程，其实都有统计学的方法论贯穿其中。读完本章内容，不希望大家陷入公式和定义的“泥潭”，而是希望大家能结合广告优化实践活学活用，哪怕暂时理解不了也没关系，先把公式、工具掌握了，随着本书内容的不断展开，我们对广告数据定量分析的认知也将更加深刻，很多问题自然而然就理解了。
• 第三章 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性属性或特征。例如，在广告定向中，“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
    • 看分布
      • 直方图
        • 直方图的一种特殊形式，叫作排列图（专业说法是帕累托图）
        • 不同于直方图是组距的依次排列，排列图是频数的降序排列，并加以累计占比的折线图。帮助优化师抓住广告优化的“主要矛盾”，犹如太极拳的四两拨千斤
      • 比重图
        • 比重分析主要是用来了解不同部分占总体的比例，帮助我们对整体的数据分布情况有一个更清楚的认知
    • 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，优化工作的目标是不一样的。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
      • 趋势图
        • 折线图
        • 柱状图
        • 折线图和柱状图的优势是可以快速了解某一指标的变化情况 数据分析的重点：拐点，即何时上涨和下跌；极值点，特别高的点和特别低的低，具体界定标准可以参考平均值±10%或±20%
        • 堆积柱状图
          • 优势
            • 在于能看到数据指标的各组成部分，便于做归因分析
          • 劣势
            • 是一旦超过2个指标的堆积或各组成之间量级差异过大，各组成部分的变化趋势便难以直观体现
          • 分析重点
            • 对比极值（极大值和极小值）之间的各部分构成比例，是否存在差异，试图找到影响总数据指标的可能因素
        • 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
          • 当两个指标的量级悬殊较大或需要强调时，应考虑“双坐标折线图”，可将其中一个指标设为次坐标轴
          • 还有一种常用的是“柱状折线组合图”，一般都是双坐标，可用于强调二者是不同类型的指标，比如流量和成本、消费和流量等。其中，折线图适用于波动大的指标，更直观反映数据的走势变化
    • 多维度和指标交叉
      • 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支持。如图3-14所示，四象限分析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，分为高和低两部分，如此将全部的样本划分为四个象限
      • 三维–气泡图
    • 看相关
      • 有很多工具都可以实现相关性分析的需求，这里以最简单常用的Excel为例。 第一步，在Excel中加载分析工具库； 第二步，在菜单栏【数据】中找到【数据分析】，选择【相关系数】； 第三步，选择输入区域，输出结果
  • 3.2 进阶：用户行为洞察
    • 漏斗图
      • 漏斗图是转化漏斗图的简称，是对用户的某一特定行为路径进行拆解，分析全流程中每一环节的转化效率以及和整体转化效率的关系
      • 对于广告数据分析来说，转化漏斗分析的逻辑是分为用户和广告优化师两侧的
      • 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
    • 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。对于用户行为路径的分析，业内常用的是热力图（heat map），这种图表需要用专业的网站监测工具在目标页面上部署代码
      • 热力图能简单直观地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度的分布
  • 本章介绍的是在广告数据分析中如何使用图表，发挥其应有的价值，帮助我们在纷繁复杂的广告数据中获得一些洞察，为进一步的数据分析奠定基础。读完本章，希望大家在后面的广告数据分析中，多做图表，将同样的维度用不同类型的图表呈现，尝试各种维度的交叉分析，逐渐找到适合自己工作习惯的图表分析方法论。另外请注意，弄清楚数据分布在整个广告数据分析中是很重要的环节，在接下来的章节中，大家将会有更加深刻的体会
• 第八章 广告优化的未来会好吗
  • 8.1 广告业内的3种角色
    • 角色期待
      • 媒体方——流量主
        • 期待
          • 媒体的用户规模要足够大
          • 媒体这一流量池中，各广告主的目标人群浓度要足够高
          • 媒体的广告平台应是稳定的
          • 媒体的广告平台应是精确的
      • 甲方——广告主
        • 期待
          • 广告主应是理性的
          • 广告主应是开放且积极合作的
          • 广告主应是对广告数据分析和效果优化有充分认知的
      • 乙方——广告代理商
        • 期待
          • 广告代理商应是代表了广告主利益的，彼此之间相互信任，合作共赢
          • 广告代理商应是和媒体建立良好合作关系的
          • 广告代理商应具备良好的广告数据分析能力，能使广告效果确实得以优化
    • 角色冲突与认知偏差
      • 媒体方——流量主
        • 冲突行为
          • 夸大实际用户规模，过度包装广告投放效果
          • 捆绑销售广告资源，不支持过于精细化的广告监测，尽可能延长广告主的广告投放生命周期
          • 营造舆论倾向，鼓励各行业广告主互相竞价争夺流量
      • 甲方——广告主
        • 冲突行为
          • 存在一些没有数据支持的主观偏见
          • 不够开放，不愿提供数据方面的支持合作
      • 乙方——广告代理商
        • 冲突行为
          • 比起实际的广告效果，广告代理商更关注广告主的满意度，是否能尽可能提升广告预算
          • 媒体方经常会有一些新的广告产品推出，广告代理商会不遗余力地帮助其向广告主推销
    • 囚徒困境
      • 囚徒困境的理论由来
        • 1950年，就职于兰德公司的梅里尔·弗拉德（Merrill Flood）和梅尔文·德雷希尔（Melvin Dresher）拟定出相关困境的理论，后来由顾问阿尔伯特·塔克（Albert Tucker）以囚徒方式阐述，并命名为“囚徒困境”
      • 数字广告生态囚徒困境
        • 如何打破“囚徒困境”？
          • 提高对方单方面背叛的成本。例如，把数据保密条款写到合同里
          • 双方应从一开始就表现出极大的合作诚意，这样做至少使得工作有一个比较好的开始，如果对方也是很真诚合作的，那就非常好了
          • 多关注数据，而非一些无关紧要的细节失误
          • 尽可能实现数据和信息的共享
  • 8.2 广告优化的作用
    • 广告优化的边界
      • 宏观层面
        • 行业竞争越激烈，各家广告竞争也是针锋相对，此时广告优化的价值更加凸显
        • 主流买量渠道就那么多，新兴渠道可能有潜力并且还是红利期，无不需要密切关注
      • 中观层面
        • 产品的业务范围决定了其覆盖用户的多寡，垂直类的目标受众肯定是比综合类要少很多的，用户获取难度也更大
        • 在应该烧钱买量圈用户的时候，企业家是否有这个战略洞察和魄力
        • 运营推广负责人是否有足够的经验统筹各推广渠道，也决定了广告投放的综合效果
      • 微观层面
        • 具体广告优化实操人员如果多认真敬业一点，把广告数据分析做得更细致一些，把预算和成本控制得更严一点，点滴积累最终会得到一个很可观的成果
        • 广告优化是服务于广告推广的，广告推广仅是手段，目的是实现用户增长
        • 好的广告优化确实能以比较高的ROI将用户“忽悠”过来，但至于能不能让用户留存，让用户付费和复构，这是负责产品和负责运营的人要共同努力的
    • 广告优化的展望
      • 作者坚信，至少在未来五年内，广告优化这件事情依然很重要，对于利益相关的多方的价值也依旧如此。所以，如何修炼自己，在未来的竞争中占据一席之地呢？
    • 广告优化师的精进之道：内部创业者
      • 优化师从哪几方面精进修炼
        • 将自己定位为一个“内部创业者”，学会争取公司内外的资源支持
        • 在乙方代理商工作期间，兢兢业业，不一定要达到“专业”，但一定要“靠谱”和“敬业”
        • 如果有与媒体方的运营人员打交道的机会，一定要好好把握
        • 有和广告主打交道的机会，也尽量不要错过
        • 混圈子是一件很重要的事情，有利于自己开阔视野，收获人脉和资源
      • 推荐各位读者关注下面几个社群或平台，收获颇多
        • iCDO互联网数据官（公众号、网站）
        • 艾奇在线（公众号、网站）
        • 姑婆那些事儿（公众号、网站）
        • 鸟哥笔记（公众号、网站）
        • 《程序化广告实战》（微信公众号：ad_automation）
        • 吆喝科技官网博客（www.appadhoc.com/blog）
  • 随着AI技术在互联网广告投放的成熟应用，一部分优化师的工作已经可以被AI取代，站在这样一个十字路口，我们不禁要问，“广告优化的未来会好吗？”这个问题很难回答，但作为每一个个体，我们只能拥抱变化。快速学习新的工具和方法，培养自己的解决问题能力，构建AI所不具备的核心竞争力，才能在未来的职业竞争中立于不败之地
• 第七章 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
    • 在对多广告渠道的数据分析中，广告优化师往往容易陷入以下两个“误区”
      • 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有渠道，忽略了不同渠道的特殊性
      • 为了避免陷入这两种误区，我们既需要考虑到不同广告渠道的差异性，又要以一套统一的标准来考核其转化效果，这就需要搭建一套评分模型，对不同广告渠道的综合广告效果进行评估，以此作为广告推广KPI考核的重要依据
  • 7.2 多渠道广告数据分析方法论：综合效果评分模型
    • 评分指标的选取
      • 转化量
        • 分析意义
          • 代表了该渠道的获取流量能力，与运营人员的核心KPI直接相关，也是区分大渠道和小渠道的重要指标
        • 数据指标
          • 统计周期内的日均转化量的算术平均值
      • 转化成本
        • 分析意义
          • 代表了该渠道的投入成本，在用户质量相对稳定的条件下，获客成本与ROI直接相关
        • 数据指标
          • 统计周期内的平均转化成本，注意是加权平均而非简单平均
      • 投放稳定性
        • 分析意义
          • 代表了该渠道长期稳定投放的可能性，间接影响运营人员对预算消耗、KPI完成的进度把控
        • 数据指标
          • 转化量的离散系数（coefficient of variation）、转化成本的离散系数
      • 流量增长性
        • 分析意义
          • 代表了该渠道获取流量的可增长空间，间接影响运营人员对未来KPI增长的规划制定
        • 数据指标
          • 在统计周期内，转化量按降序排列，前50%的转化量平均值与整体平均值之比。该指标其实是以表现较好的这一半样本数据为参照，评估整个渠道的流量还有多大的增长空间
    • 权重测试和确定
      • 我们需要根据当前推广的目标，确定核心KPI。到底是成本控制优先，还是流量获取优先。需注意，此时要有一个最高的优先级，成本和流量兼顾的想法是不现实的
    • 计算综合评分，评估渠道效果
      • 根据评分模型，对各广告渠道进行评分，不仅要关注总分，更要关注不同维度的评分。总分的意义是对全部渠道的整体转化效果有更全面和准确的认知，而各维度的评分是作为渠道效果优化的重要参考
    • 模型迭代和优化
      • 多广告渠道综合效果评分模型搭建好之后，并非是一成不变的，也需要根据推广需求的变动而有所调整。尤其在广告预算显著增长，对转化量和转化成本的要求也有较大变化时，我们需要在原本评分模型的基础上，根据新的投放数据对其进行迭代优化，以期适用新的投放目标和考核需求
  • 7.3 案例：某金融App在多广告渠道的统筹优化
    • 项目背景
      • 推广产品是一款提供综合金融服务的App，主要的推广渠道有10个，涵盖SEM广告、信息流广告、应用商店广告等不同类型。推广考核KPI是App的注册成本不高于40元，日均广告预算在20万，如果注册成本较低，广告预算可以适当放宽
    • 优化思路和执行
      • 第一步，评分指标的选取
        • 转化量：统计周期内的日均转化量的算术平均值
        • 转化成本：统计周期内的平均转化成本，注意是加权平均而非简单平均
        • 投放稳定性：转化量的离散系数、转化成本的离散系数
        • 流量增长性：在统计周期内，转化量按降序排列，前50%的转化量平均值与整体平均值之比
      • 第二步，选取样本数据
        • 样本数据需要能代表这一段统计周期内各广告渠道的正常投放效果，请注意，这一句中有两个限定词，第一个是“一段统计周期”，第二个是“正常”
      • 第三步，数据标准化
        • 数据标准化的意义在于去除量纲，使不同量级、不同单位的数据指标能共同参与模型构建
      • 第四步，权重测试和确定
        • 权重的设定需要适用于现阶段的首要推广目标
      • 第五步，计算综合评分
      • 第六步，评估渠道效果，梳理优化思路
      • 第七步，优化执行
    • 效果评估
      • 平均注册成本略微下降1.4%的基础上，日均注册量增长超300，增长率近6%
  • 多广告推广渠道的统筹优化涉及的影响因素非常多，包括但不限于广告类型、广告媒体属性、推广考核KPI等多方面，这对于综合效果评分模型的搭建提出了较高的要求。多广告渠道的统筹优化是一项复杂的“系统工程”，希望大家读者不要拘泥于数据指标和模型本身，多从数据分析需求出发，建立数据指标与广告效果的关联，掌握数据分析方法论，更加系统化地思考和解决多广告渠道统筹优化中遇到的问题
• 第六章　 应用商店广告数据分析
  • 6.1 认识应用商店广告
    • 应用商店广告的发展现状
      • 安卓应用商店的竞争格局大致可分为两大阵营：
        • 第三方应用商店
          • 优势
            • 第三方应用商店背后多是大媒体方，例如应用宝是腾讯旗下的、百度手机助手是百度旗下的，在用户规模、用户行为数据、广告系统等方面有着扎实积累和资源支持
            • 应用商店作为大媒体旗下广告资源的一部分，可以与其他广告资源实现协同，搭建营销闭环，满足广告主的整合营销需求
        • 厂商应用商店
          • 优势
            • 系统层面的优势。应用商店App是手机厂商预装的，且不可卸载，对于渠道流量的稳定和活跃起到重要的作用。同时，手机厂商应用商店对其他推广渠道会有一定的流量拦截行为，包括第三方应用商店、信息流广告等
            • 品牌信任的优势。大多数用户都会使用手机自带的应用商店（即厂商应用商店），且对其品牌认知和信任度高于第三方应用商店
            • 用户数据的优势。手机厂商应用商店依托操作系统，理论上能获取用户对全部App的安装、使用、卸载等行为数据，分析出用户的潜在需求和兴趣偏好，在应用商店里进行千人千面的营销推广，提高用户转化的可能性
    • 应用商店推广渠道的特点
      • 用户场景契合，流量大，转化率较高
      • 曝光量大，用户粘性高
      • 用户对广告的认知和辨识尚处于较低水平
    • 应用商店的几大核心广告资源介绍
      • 首页推荐广告
        • 优势
          • 广告位置和精准定向
        • 优化重点
          • 广告点击率
          • 时段出价调控
      • 搜索广告
        • 关键词与搜索广告的匹配程度，由多方面因素决定，最核心的有两个：
          • 应用商店媒体方给App打上的标签
          • 开发者上架App时提交的应用介绍，帮助用户在安装前了解到App的相关信息
        • 优化重点
          • 提高关键词与搜索广告的匹配程度，争取获得更大的曝光机会和排名优先级
          • CPD出价。推广人员可以向应用商店媒体方申请近一段时间的热词名单，有针对性地购买关键词和出价。一开始不宜投放过多关键词，建议分批测试广告效果，优胜劣汰，待词库稳定之后保持维护
      • 装机必备
        • 对于广告主来说，装机必备的流量只能作为补充，广告效果不算太好也不会太差，注意控制好成本就可以。如果预算有限，则可以优先考虑其他广告位
      • 红包
        • 红包属于应用商店推广中最典型的激励流量，本质上和市面上的积分墙推广渠道是一样的
      • 排行榜
        • 在广告预算充足的前提下，分出一部分，以最低的出价投放就好了，注意控制好成本。如果预算有限，可以优先考虑其他广告位
    • 应用商店广告数据分析痛点
      • 广告监测缺陷导致后端数据无法分拆
      • 与线下推广效果混淆
      • 不提价，难放量
        • 优化思路
          • 调控单个广告位的CPD出价
          • 调控时段的出价
          • 调控各广告位的配比
  • 6.2 应用商店广告数据分析关键指标解读
    • 自然量
      • 自然量，也可以称为免费流量，是区别于推广量（也作付费流量）而言的
      • 特点
        • 不做付费推广也会有自然量下载量，其用户转化率较好
        • 自然量下载量的稳定性不可控，波动性难归因
        • 自然量下载量在一定程度上受推广量下载量的影响
        • 用户转化路径比较模糊
    • CPA
      • CPA（Cost Per Action），即每次行动成本。这个行动，可以根据数据分析需求再进行定义。对于应用商店广告优化来说，CPA可以是激活成本，也可以是注册成本，是广告主评估推广渠道广告效果的重要指标
    • ROI
      • ROI（Return On Investment），即投资回报率
    • 各广告位流量配比
      • 它贯穿应用商店广告优化的全过程，充分考虑了自然流量和付费流量的关系，对于如何测算各广告位转化效果提供了数据基础
  • 6.3 应用商店广告数据分析方法论
    • 相关性分析
      • 相关性分析是对两个或多个具备相关性的变量元素进行分析，从而衡量两个或多个变量之间的相关密切程度
      • 如何做相关性分析？
        • 准备数据
        • 散点图数据可视化
        • 计算相关系数
    • 线性回归分析
      • 在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量
      • 在应用商店广告优化中，因变量即为转化量（这里以注册为例），自变量是各广告位的下载量，自变量与因变量直接的联系为各广告位的下载注册率
    • 显著性检验分析
      • 准备数据
      • 显著性检验
  • 6.4 案例：某生活消费App在小米应用商店渠道的广告优化
    • 项目背景
      • 推广的产品是一款生活消费App，可以为用户提供周边吃喝玩乐商家推荐、预订、折扣优惠等相关服务。两点核心的考核要求：一是日均广告消费要保证在20万，二是平均注册成本不能高于30元，对于日均广告消费，考核优先级放在首位
    • 优化难点
      • 自然量对账号整体广告效果的影响
      • 各广告位的精细出价优化
      • 评估各广告位的效果，统筹优化广告预算
      • 确保广告消费，严格控制转化成本
    • 优化思路
      • 核心思路：通过对各广告位转化率的估算，统筹各广告位的预算分配，以精细化的优化保证广告投放按规划进行。具体阐述如下：
        • 第一步，拿到自然量的数据，分析其趋势规律；尝试根据历史数据做预测；计算自然量对账号整体广告效果的影响程度
        • 第二步，对几类大流量广告位做CPD出价测试，找到出价与下载量之间存在的相关关系，尽可能用数学模型定量化
        • 第三步，对每一类广告位确定一个比较合适的出价策略，保证整体下载量、下载单价是可以达到既定目标的
        • 第四步，搭建投放数据实时监控系统，保证账户整体、各广告位的流量是相对稳定的，为接下来的建模提供3～4周的样本数据
        • 第五步，对各广告位的下载量和总转化量做相关性分析，构建线性回归数学模型，估算出几类大流量广告位的转化率
        • 第六步，根据各广告位的转化率，围绕目标成本进行流量调控
        • 第七步，保持对投放数据的实时监控，重点控制广告消费的完成进度，确保后续的广告投放按考核要求圆满完成
    • 优化执行
      • 根据上述优化思路，逐一进行优化执行
    • 效果评估
      • 整体日均消费201098，账户平均注册成本呈下降趋势，且波动幅度越来越小
• 第五章 信息流广告数据分析
  • 5.1 认识信息流广告
    • 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
    • 信息流广告发展现状
      • 竞争格局
        • 综合类的内容资讯平台
          • 内容型
            • 多为传统门户资讯或纸媒，典型代表有腾讯新闻、网易新闻、凤凰新闻等
            • 优势
              • 内容质量较高，有不少使用多年的老用户，所以忠诚度较高；作为广告媒介来说，目标受众相对中高端，收入和消费水平较高，对广告的辨识度和认知度较强，比较适合大品牌的广告主
          • 渠道型
            • 主要是基于个性化算法推荐的内容资讯分发平台，典型代表有今日头条、一点资讯、趣头条等
            • 优势
              • 用户量庞大，用户构成多元化。一般渠道型综合资讯平台的日活跃用户量多则数亿，少则几千万，各类目标人群都有一定规模的分布，几乎适合所有To C的广告主；同时，平台上的内容资讯非常丰富，涵盖各种领域，基于对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确和完整，广告定向也更加精准
        • 垂直类的内容资讯平台
          • 这类平台的用户量相对较小，难以作为主力渠道；用户相对聚焦，只适合特定行业的广告主。如汽车之家、PP体育等
          • 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偏好，在广告定向上会有一定的偏差
        • 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上新增的信息流内容服务，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，在广告定向上有较大的操作空间。典型代表有百度（也就是之前的手机百度App）、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，用户黏性高；同时，因为是社交平台，用户自然属性的数据比较准确，比如用户的年龄、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是非常有价值的。典型代表有微信、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干扰
        • 投放相对精准，转化率高
          • 信息流广告变相的模式，其实就是通过数据的深度分析，实现用户与广告的智能匹配。整个环节中，数据是最有价值的。信息流平台对用户画像描绘依赖的数据主要来自三类：
            • 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的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、兴趣偏好等
            • 第三类是与其他平台的数据打通或数据交换，比如我们在京东浏览过某些商品，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
          • 新闻资讯类App和社交类App的用户规模庞大，形成内容信息流后将产生十分可观的流量
      • 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
        • 广告创意生命周期短
      • 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
          • 造成差异的原因
            • 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用户画像本身存在差异
            • 各家广告定向算法及定向精准性有差别
            • 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，缺乏数据支持
          • 原因
            • 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确的描述，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
        • 创意难以定量化，试错成为常态
          • 我们往往会看到在信息流广告投放中，优化人员会一次性上线很多个创意同时进行测试，然后根据投放数据的情况，优胜劣汰
            • 衍生的问题
              • 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
              • 5.3.1节中，将介绍系统的创意测试方法论，帮助规避这些问题
        • 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
    • ECPM和CTR
      • 从媒体角度看ECPM
        • ECPM是千次展示的期望收入
        • 期望收入是统计理论上的，主要与广告主的竞价意愿和用户发生点击行为的可能性有关，计算公式为： 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的计算公式为： ECPM=CPC出价*预估CTR
        • CPC的结算公式为：
      • 从广告主角度看ECPM
        • ECPM是千次展示预估成本。ECPM越高，广告就越有竞争力，流量就越大
        • 如何能以较低的CPC获得较高的ECPM？结合ECPM、CPC的计算公式，大致思路有两个
          • 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
        • 预估CTR的影响因素（以UC信息流广告为例）：
          • 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
          • 广告新鲜度
          • 广告与受众的匹配程度
      • 信息流广告中的CTR
        • 优化实际CTR提升广告ROI的逻辑
    • 用户画像和广告定向
      • 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方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平台的标准化配置
      • 用户画像不是多维度的交叉
      • 当心“标准用户”陷阱
        • 不要把用户画像等同于“标准用户”，更不是说通过广告定向找到符合用户画像维度越多的，转化率就一定越高。比如，广告主的用户画像是大城市初入职场的女白领，我们可以比较精确定向到19～24岁、一线城市、女性用户，进行投放广告，但转化效果是不能保证的。要知道，每一个用户都是具有自主意志的，在决定他是否转化这件事上，广告只能诱导、引导和促进，千人千面的定制营销终将是未来趋势
      • 关注相关而非因果
        • 信息流广告媒体宣传的广告定向精准投放也只是相对精准。在广告数据分析这件事情上，分析相关关系的价值远胜过分析因果关系
  • 5.3 信息流广告数据分析方法论
    • A/B测试
      • 信息流广告测试主要涉及两个指标，一是点击率，二是转化率
      • 第一步：设计测试
        • 创意和广告定向是组合的关系，为了保证单变量控制，大致可分为两类测试
          • 1. 用同一个广告定向测试不同的广告创意
          • 2. 用同一个广告创意测试不同的广告定向维度
      • 第二步：积累数据
      • 第三步：显著性检验，得出结论
    • 朴素贝叶斯算法—优化广告定向
      • 又叫简单贝叶斯，是数据挖掘领域经典算法之一。朴素贝叶斯是一种简单但是非常强大的线性分类器
      • 贝叶斯指的是统计原理基于贝叶斯定理，即关于随机事件A和B的条件概率的一则定理
      • 下图所示的韦恩图中，用矩形表示一个样本空间，代表随机事件发生的全部可能结果。对随机事件A的概率定义为P（A），几何意义就是圆圈A在矩形中的面积占比。接着我们对需要用到的概率，做以下定义和说明：
        • 1）P（AB），是P（A∩B）的简写，代表事件A与事件B同时发生的概率，即两个圆圈重叠的部分；特别的，当事件A与B相互独立时，P（AB）=P（A）*P（B）
        • 2）P（A），是1-P（A），代表事件A不发生的概率，即矩形中除了圆圈A以外的其他部分
        • 3）P（A∪B），代表事件A或者B至少有一个发生的概率，即圆圈A与圆圈B共同覆盖的部分
        • 4）P（A|B），代表在B事件发生的基础上事件A发生的概率，几何意义为A、B重合的面积比上圆圈B的面积
      • 贝叶斯公式用来描述两个条件概率之间的关系： P（AB）=P（A）*P（A|B）=P（B）*P（B|A） 变形后：
      • 根据这个公式可知，如果我们想知道事件B发生的条件下A发生的概率，只需要计算出后面3部分就好了，包括事件B发生的概率、事件A发生的条件下B发生的概率、A事件发生的概率
      • 应用于信息流广告投放案例
        • 1. 获取受众画像数据，匹配转化结果
        • 2. 基于朴素贝叶斯的概率计算
        • 3. 对于广告定向的指导价值
    • 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
    • 项目背景
      • 推广的是一款提供小额现金贷款的App，主要竞争对手有飞贷、2345贷款王等。信息流平台为今日头条，日均广告预算为10000元，主要考核的是注册量和注册成本，平均注册成本不高于30元
    • 优化难点
      • 目前的账户结构比较混乱，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
    • 优化思路
      • 第一步，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划分，并设计用于新创意测试的广告单元
      • 第二步，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
      • 第三步，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
      • 第四步，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
      • 第五步，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
      • 第六步，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
    • 优化执行
      • 按照上述优化思路步骤，逐一执行优化
    • 效果评估
      • 展示了着手优化后3个月的数据情况：最开始的两三周，因为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；中期广告定向已经确定，开始对广告创意进行测试，广告消费稳定在8000多，平均注册成本的波动幅度减小；后期得益于广告定向的进一步优化，以及优质创意有一定的方向可循，日均广告消费提升至10000元，平均注册成本稳定在25～27元
  • 信息流广告优化在业内属于比较新的领域，从业者们遇到的很多问题也是新出现的、没有先例可循的，包括广告定向的数据分析、广告创意定量化等。在本章中，作者选取了几个比较有代表性的问题进行深入的分析，结合作者自己的从业经验，借助科学的统计分析方法论，给出解决方案，希望能对优化工作有所启发。 在信息流广告优化中，有时哪怕明确了问题，也使用了正确的分析方法，结果也不一定每次都理想，这是很正常的，毕竟有太多不可量化的影响因素。我们不必过于在乎一次两次的优化成功与否，我们要做的是不断总结经验，提升对广告数据的分析和洞察能力，在更长的周期内收获成长
• 第四章 SEM广告数据分析
  • 4.1 认识SEM广告
    • SEM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
      • SEM优势
        • 1）搜索引擎是刚性需求，已成为互联网基础应用。对广大互联网初级用户来说，经过十几年的市场教育，“有事问百度”的认知已深入人心，用户普及率很高，使用习惯已养成
        • 2）搜索引擎获取的数据是用户最真实的需求。例如，Google流感趋势会根据汇总的Google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。这一点优势还延续到了信息流广告，得益于自有的搜索引擎，有了用户搜索行为数据的加成，百度信息流、UC信息流等平台的广告定向的精准性也得以提高
        • 3）SEM广告平台相对更成熟，投放效果更稳定和可控。以百度的凤巢平台为例，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威胁和挑战
        • 1）网民对SEM广告的认知度提升，排斥感加强。“广告”标识的强制显示，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”向“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，还有数以百万计地针对各类细分人群、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，均能有效降低因恶意点击、异常流量带来的损失
    • SEM推广渠道的特点
      • 1. 流量来源依赖关键词
        • SEM广告账户本质上是由若干个关键词按照特定的结构，有机组合在一起的“系统”，每一个关键词都可能是流量来源。SEM关键词具有无限的衍生可能性，一个关键词理论上可以衍生出若干个词，所以，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
        • 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主自然会有竞争，但在SEM广告上这种竞争表现得更加直接。因为SEM广告是对每一个关键词进行竞价，SEM的广告位也是在搜索结果页依次排列的，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。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，广告后台提供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广告也一样，用户的意图是在搜索引擎查找某个关键词相关的信息，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广告的价值更多的是吸引用户的注意力，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，例如我们在第3章中介绍的热力图，对营销着陆页的优化调整提供着重要的数据支持
    • SEM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（点击率）、CPC（平均点击价格）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，并且有针对性地进行优化，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人为划分的，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，转化效果的考核应做差异化对待。
        • 2）关键词的匹配方式也会影响对其真实转化效果的评估2）
        • 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，一般是对每个推广单元写创意，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（点击率）为主。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CTR（点击率）这么模糊的指标
        • 4）最后，来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，有时候还需要在出价方面有一定的溢价，反映在数据分析上，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，对于该关键词真实转化效果的评估造成了一定的干扰
      • 3. 管理长尾词
        • 特点
          • 在广告账户中的数量庞大
          • 流量小，且不稳定
          • 用户需求较为明确
      • 4. 如何取舍关键词
        • 关键词之间的差别对待
        • 效果差的关键词及时止损
        • 新的关键词如何测试和评估
  • 4.2 SEM广告数据分析关键指标解读
    • CPC
      • CPC（Cost Per Click，平均点击价格）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
      • 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和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
    • CTR
      • CTR（Click-Through-Rate，点击率）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应注意
        • 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，业内普遍经验是以1%作为分界线，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
        • 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，我们需要将关键词和创意一一对应做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时应尽可能将其高级样式的影响定量化
    • 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0～10分，得分越高，代表系统认为我们的广告创意及着陆页对用户来说更具有相关性和实用性。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
      • 影响因素与优化方向
        • 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
    • 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
      • 平均排名的计算公式为
      • 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，平均排名对于优化CPC有着重要的参考价值
  • 4.3 SEM数据分析方法论
    • 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广告账户中要优先关注消费大或是流量大的推广计划，同一推广计划内优先关注广告消费大或流量大的关键词
    • 四象限分析
      • 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
        • 子主题
        • 第一类是“高转化、高成本”，第二类是“高转化，低成本”，这两类关键词是整体广告效果的重点。优化工作的核心就是在保持第二类关键词投放稳定的前提下，尽可能通过优化操作使第一、三、四类关键词逐渐向第二类“靠齐”，向着“高转化，低成本”的方向努力
      • 笔者认为，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，转化成本的标准就是xx元，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，有针对性地做优化
      • 显著性检验
        • 广告效果是否显著优化，这个问题直接看来会比较主观。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
      • 关键词评分体系
        • 选取指标
        • 构建评分体系
        • 计算转化指标的评分标准
        • 关键词转化效果的准确评估
        • 对照评分标准，给有转化的关键词打分
        • 根据评分对关键词进行分类优化
        • 需要注意的几个问题
          • 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，占了转化量的30%，这种离群值就应该剔除，不在纳入统计范围。或者，有几个关键词的转化成本特别低的，也属于离群值。
          • 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，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，说明这个词已经可以放弃了。哪怕继续保留和投放，后续发生了转化，但从转化率来看，已经不达标，优化难度也是极大的
  • 4.4 案例：某招聘网站的百度SEM广告优化
    • 項目背景
      • 推广的是一个提供招聘求职服务的网站，主要竞品有拉勾网、智联招聘等。日均广告预算为5000元，主要考核目标是注册量和注册成本，平均注册成本不高于100元
    • 优化难点
      • 关键词有效率较低
      • 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
    • 优化思路
      • 第一步，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
      • 第二步，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
      • 第三步，搭建关键词评分体系，针对性优化
      • 第四步，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，再测试高级样式。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
      • 第五步，甄别和剔除效果不理想的关键词，提高关键词的有效率
      • 第六步，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
    • 优化执行
      • 根据上述优化思路，逐一展开优化执行
        • 第一步：如图是各词性有转化关键词的转化数据，横坐标是注册量，纵坐标是平均注册成本，气泡大小是广告消费。产品词和通用词消耗了95%以上的广告预算，也贡献了绝大多数的注册量。通用词的注册成本略高于目标成本，产品词的成本是达标的，且有一定的放量空间 接下来细分到每一类词性单个关键词的平均转化水平，如表所示
        • 第二步：匹配方式对关键词实际转化效果的干扰影响最大，值得再次举例说明，主要表现在搜索词上。为方便讲解，如表4-23所示是前文表4-2案例的延续，如果只看关键词报告和转化数据，就会发现“北京招聘”的转化效果还不错，在统计周期内，转化量为5，平均转化成本124元。看了搜索词报告，才知道有接近一半的广告预算是“北京招聘信息”“北京招聘网”两个词消耗的，当然这两个词也贡献了一半的点击量。但毕竟没有作为独立的关键词做投放，转化效果是无法拆分的。优化建议还是前面提到的，一旦广告消费或点击量占比超过10%就需要考虑拆分为独立关键词，超过20%就一定要进行拆分了。我们将三个关键词拆分后，发现其中有一半的转化是“北京招聘信息”“北京招聘网”两个关键词贡献的，它们的转化成本也较低，这就为账户增加了两个比较优质的关键词，也对“北京招聘”一词的实际转化效果做了更准确的评估 对于广告创意，建议在统计周期内只投放点击率较高的那套，等关键词评分计算完成后，如果需要进行创意优化再考虑多创意的轮替测试 而对于广告样式，建议选取高级样式的展现占比相对接近平均值且稳定的数据作为样本，评估关键词的平均转化效果
        • 第三步：搭建关键词评分体系
          • 这里的评分标准是20%和50%
          • 这里选取了10个有代表性的关键词为例，覆盖各类词性，进行关键词评分。如表所示，可以看到大部分关键词的评分在6或7分；唯一的9分关键词是“招聘网”，从数据上看确实是很优质的；5分的两个关键词则需要优化
        • 第四步：以第三步中的10个关键词为例，如表对评分偏低的关键词从点击率和CPC两方面进行优化思路的梳理
          • 9分和8分的关键词基本不用管，只需要定期关注数据是否波动就可以。 7分关键词“猎头”的优化：转化量得分较低，根据通用词的平均点击率可知，该词点击率明显偏低，平均排名为2.71，也比较靠后，但从CPC来看，提价的空间不大。所以，应主要从创意优化着手，适当提高一定的出价，将平均排名提升到2.0左右，观察转化量是否有显著提升，并且转化成本是相对稳定的，实现转化量得分的提升，从而将关键词的评分从7分优化到8分。 7分关键词“{品牌名}网”的优化：转化量得分为3，相对更有优化空间，点击率还不错，平均排名也算靠前，通过提升CTR或者下调出价来优化CPC的难度较大。所以建议继续观察数据的情况，优化的优先级可以低一点。 7分关键词“猎聘网”的优化：转化成本得分为3，相对更有优化空间，点击率不算太低，平均排名也算靠前，通过提升CTR或者下调出价来优化CPC的难度较大。所以建议先不做优化，继续观察数据的情况。 6分关键词“前端招聘”的优化：转化成本得分为1，且接近2分的临界点；点击率挺高的，CPC与产品词平均值持平，平均排名比较靠前，可以考虑适当降低出价来降低CPC，在保持转化量稳定前提下降低转化成本，从而使转化成本优化到2分。 6分关键词“拉勾网”的优化：转化成本得分较低，根据竞品词的平均点击率可知，点击率明显偏低，平均排名为1.74，不算靠后，但从CPC来看，提价的空间不大。所以，应根据用户转化漏斗做分析，从创意优化着手，观察点击率和转化率是否有显著提升的可能。 最后三个关键词有一个共同的特征，样本数据量偏小，从展现、点击、消费、转化量等多方面都比较少，不足以支撑数据分析和效果优化。建议待数据再积累一段时间，重新做关键词评分，再考虑优化策略
        • 第五步：对全部无转化关键词进行梳理，如表所示。对于无消费的412个关键词，需要综合考虑展现量和平均排名。如果展现量足够多且排名也不差，但用户对广告没有兴趣，一直没有点击，这时应该从创意着手优化；如果平均排名靠后或展现量太小，应该等数据积累一段时间再看。对于有消费的521个关键词，需要根据不同词性的预估点击量额度，达到额度但没有转化的关键词应果断放弃，从账户中暂停投放；未达到额度的可以再积累一段时间的数据
          • 无转化关键词的优化思路
        • 第六步：定期更新关键词评分体系，一般至少以月为单位；分批测试新的关键词，每批次的关键词不宜过多，建议新建单独的计划，设置广告预算不超过20%，避免对整体转化量和成本造成太大的干扰；基于关键词评分对低分的词做优化，实现优化难度太大的就放弃，从账户中剔除，另一方面也要不断测试新的关键词，择优留用。如此一来，在这样一减一增的动态过程中实现转化量和转化成本的优化调控
    • 效果评估
      • 日均广告消费5000元，CPC下降了近10%，注册用户数增长近六成，平均注册成本下降到100元以下
    • 总的来说，这个案例的优化最有价值的地方不是对转化成本的优化，而是通过践行SEM数据分析方法论，搭建了一个符合该账户推广需求的关键词评分体系，有利于实现关键词库的更新维护，也使得广告效果的可控性得以提高。
  • 希望从系统的数据分析方法论出发，解决一些传统数据分析难以解决的问题，为SEM广告优化这一栋“大厦”添砖加瓦