专注网站建设与SEO优化系列产品服务打造企业核心竞争力

专注网站建设、seo计费系统、百度优化推广、商标/软著、小程序开发、专利申请等

免费咨询热线:18512563986

  1. 当前位置:主页 > 经典案例 > 信息流推广 >

信息流广告的用户行为特征及其优化

发布时间: 2021-04-26 浏览次数:121
流量广告的用户行为特征及其优化
 
一、信息流广告业务简介
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。广告商是流量的买家,媒体或发布渠道是流量的卖家,监测工作通常由第三方机构承担。
 
1.3广告出价方式
目前的信息流广告主要通过 RTB (公开竞价)进行销售,媒体会把广告位卖给广告客户,使其收益最大化,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来衡量广告为媒体带来的收益,如果某一地点的 CPC报价较高,且点击的可能性较大,则媒体可获得最大收益。
当竞标成功时,广告的实际费用并非按出价而定,而是采用第二高价格机制,即根据第二高价格的 eCPM和广告本身的预估 CTR来计算,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。
 
二、数据分析方法学简介
当前广告投放业务中,需要对大量数据进行分析的场景主要有以下三种:
发布广告效果分析;发布优化分析;发布广告反作弊异常分析;
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。虽然不同业务场景的效果度量方法不同,但基本上都是根据用户转化率和产生的收益计算的。就电子商务行业中的信息流广告投放而言,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。ROI都是根据一定的时间周期计算的,比如24小时的 ROI,7天的 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,
例如,转换率低:可从产品角度优化用户转化路径,从运营角度优化广告材料及人群定位;客单价低:可从产品角度优化针对新客源的活动,从而提高用户粘性,从运营角度加强精细化运营充分挖掘不同用户潜力;成本过高:从运营角度可提高广告的 CTR预测值,降低出价。
 
2.2.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。前面也提到了报价广告的报价原则,即通过提高预估 CTR来提高 ROI。所以在广告投放中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。
2.2.1自动测试
1)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。
 
2)广告投放、资料收集
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:
点击和转化率已稳定;数据量符合 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。
 
3)显著性检验,并得出结论
(a)建立零假设和备选假设
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)构造统计学
根据中心极限定律,广告的点击率和转化率均为比例指标,一般近似服从正态分布。因此,点击率和转换率的 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到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显著差异,操作系统 Android和 iOS用户的点击和转化率也有显著差异。
 
2.2.2简约贝叶斯算法,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,它可以计算出一个特定类别中的概率;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出现的概率;由贝叶斯公式可以看出,只需计算后三项, P (A| B)即可。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:
2)基于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、有针对性的广告投放指导
1.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,可以实现广告转化效果的整体优化。
 
2.对广告反作弊的异常分析
反诈是一个较为复杂的过程,在金融、支付、内容制作、广告宣传等多种商业场景中,反诈是一个始终需要提升并不断与黑产对抗的过程。在反作弊方面,识别异常流量并转换其主要用途是:一方面,通过计算修正 ROI,更合理地评价渠道质量;另一方面,通过识别异常流量并实时拦截减少异常流量的消耗。
一套完整的反作弊系统,包括异常监控、异常发现、异常分析和异常处理等流程;数据分析员运用规则、指标和模型等多种方法进行异常发现。所以,本文不对广告反作弊部分进行详细的介绍。
 
3.结束
上面是在广告投放过程中,数据分析人员经常要做的工作。概括而言,广告投放前,通过 AB测试找到最佳的投放组合;通过贝叶斯算法预测最佳的广告定向;广告投放后,根据 ROI等指标分析广告投放的效果,对渠道价值进行衡量,并协助产品和运营优化广告转化以提高 ROI;此外,广告投放后,需要从数据角度分析发现异常活动和异常订单,再根据修正的总 GMV (去除不正常的 GMV)来更合理地衡量渠道价值。