编辑导语:信息流广告，通俗地说就是各大社交平台在feed流上开展的广告展示业务。作为互联网广告的新宠，信息流广告的投放并不是为了跟风，而是为了获得良好的收益。对于信息流广告，应该如何分析数据？笔者为我们分享了数据分析的过程，并总结了一些数据分析的建议，希望对你有所帮助。
随着互联网人口红利的消失，各大互联网产品都在争相启动用户增长，希望以最低的成本拉新，以推广更多的用户。增加用户的策略和手段有很多，其中互联网效果广告是非常重要的手段。
在互联网广告投放过程中，负责投放的运营学员会从广告的各个角度进行优化投放，比如文案、图片、排版、媒体定位、目标人群等等，以保证最佳的投放率。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，本文将介绍网络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
信息流广告是移动互联网时期产生的，穿插在内容流中的广告。信息流广告有图文、图片、短视频等不同形式。因为信息流广告完全以同样的形式穿插在内容流中，对用户的侵扰较小。如果他们不注意左上角的“广告”两个字，就很容易被当做普通内容来浏览甚至互动。
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实现千人千面的推送，因此信息流广告成为了媒体广告商业化的重要组成部分。常见的信息流广告:微信朋友圈、今日头条、Tik Tok等。
1.2广告生态简介
从信息流广告的生态来看，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:根据行业、媒体、广告风格、素材类型、设备、时间提供多维度的筛选和观看素材；
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/人群套餐管理和投放转化分析；
第三方广告监测平台:提供投放和效果数据的统计监测服务。广告主是流量的买家，媒体或投放渠道是流量的卖家，监测任务一般由第三方机构承担。
1.3广告招标
目前信息流的广告主主要靠RTB销售，媒体会把广告位卖给让自己收益最大化的广告主。通常eCPM是用来衡量一个广告能给媒体带来的收入。其中eCPM=CPC bid *估计CTR。至于为什么用eCPM来衡量广告给媒体带来的收益，如果一个位置的CPC出价高，点击的可能性高，那么媒体获得的收益最大。
广告曝光竞价成功后，不按竞价价格收取实际广告费用；而是通过二次高价机制，即根据二次竞价的eCPM和广告本身的预估CTR来计算。具体计算公式为:
根据广告竞价的逻辑和最终计费的逻辑可以推导出，估算的CTR是广告竞价成功的重要因素，也是提高广告ROI的重要因素。估计的CTR与人群定位、交付时间、交付环境和材料类型密切相关。什么样的投放组合才是最佳的预估CTR，这需要从多个广告中积累。
二。数据分析方法介绍
目前在广告业务中，需要大量数据分析的场景主要包括以下三个方面:
广告效果分析；广告优化分析；广告反作弊的异常分析；
2.1广告效果分析
在分析广告的效果时，首先要明确广告的衡量指标。不同的业务场景有不同的效果衡量标准，但一般都来源于用户转化率和产生的收入。以电商行业的信息流广告为例。广告投放后，用户转化路径如下:
因此，我们日常的关键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，因为它代表了流量成本和转化收入之间的真实关系。ROI是根据一定的时间段来计算的，比如24小时ROI，7天ROI等。，可根据实际需要选择。
确定ROI后，就可以判断广告群的转化是否达标。对于不合格的发货组合，可以通过公式反汇编判断是转化率过低、客单价不合格还是成本消耗过高；然后有针对性地优化问题，
比如转化率低:可以从产品角度优化用户转化路径，从运营角度优化广告素材和人群定向；客单价低:针对新客户的活动可以从产品角度优化，从而增强用户粘性，从运营角度提升精细化运营，充分挖掘不同用户的潜力；成本太高:运营角度可以提高广告的预估CTR，降低竞价价格。
2.2广告优化分析
影响广告转化率的因素有很多，比如广告目标人群、广告创意、广告文案、广告位置等等。上述竞价广告的竞价原则中也提到，通过提高预估CTR，可以提高ROI。所以在广告投放中，需要找到最佳组合来提高CTR或者转化率，从而提高ROI。寻找最佳投放组合，AB检验是目前最常用的方法，利用朴素贝叶斯算法预测高转化率人群的定向投放组合。
AB测试
1)实验设计
确定效果衡量指标:点击率、转化率；
如下面的例子，我们同时设置了两个AB测试组；测试同一思路下，性别和系统版本在转化率和点击率上是否存在显著差异。
2)广告、数据收集
控制组和实验组同时上线，收集广告曝光、点击、转化的数据。一般数据采集量需要满足:
广告点击率一般在3%左右。根据历史经验，一般保证曝光能在一万次以上。
对于上面提到的两个测试组，我们收集的数据是:
3)显著性检验得出结论。
A.构建零假设和替代假设
在广告的AB测试中，主要比较点击率和转化率；
即双边检验:零假设:p1 = p2备选假设P1·P2；
B.构建统计数据
广告的点击率和转化率都是比例指标，根据中心极限定律，一般服从正态分布。所以点击率和转化率的AB检验是比率差的双边检验，检验的统计量也服从正态分布。具体公式是:
c、计算Z值，判断是否拒绝零假设。
双边检验:当Z变量的值在-1.96到1.96之间时，已经覆盖了95%的可能结果；因此，对于95%的显著性水平，如果上面计算的Z值在这个范围之外，可以拒绝原假设；
用上面的例子计算Z值，可以看出，男性和女性的点击率和转化率没有显著差异，但Android和iOS的点击率有显著差异。
2.2.2优化广告定位的朴素贝叶斯算法
朴素贝叶斯算法是基于朴素贝叶斯公式的算法，可以计算属于某一类的概率。之所以称之为简单性，是因为它假设特性是相互独立的。但在现实生活中，这个假设基本不成立。即使假设不成立，它仍然表现良好，尤其是在小规模样本的情况下。
贝叶斯公式是:
其中P代表:B发生后A发生的概率；从贝叶斯公式可以看出，计算p只需要最后三项，下面是一个实际的信息流传递案例:
1)获取受众的画像和转化数据。
假设已知广告定向的用户转化数据如下:
2)基于朴素贝叶斯计算概率。
这可以根据上面的受众画像数据和贝叶斯公式计算出来；
假设我想知道针对X=用户转化的广告的可能性，
可以计算出P=0.9275，
也就是说，在广告定向X=的情况下，用户转化的概率是0.9275
3)面向广告的投放引导
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在定向组合下的转化概率。这样就可以优先考虑那些转化率高的定向组合，或者给转化率高的定向组合较高的出价，给转化概率低的定向组合较低的出价，从而达到广告转化效果的整体优化。
2.2广告反作弊异常现象分析
反作弊是一个复杂的过程。金融、支付、内容制作、广告等很多商业场景中必须要做的事情，是一个永远需要改进，不断与黑产对抗的过程。对于广告反作弊来说，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，更合理的评估渠道质量；一方面可以识别异常并实时拦截，减少异常流量消耗。
完整的反作弊系统，涵盖异常监控、异常检测、异常分析和异常处理流程；数据分析师需要规则、指标、模型等手段来发现异常。因此，本文不详细阐述广告反作弊部分。
第三，结束
这些都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，在广告正式投放之前，会通过AB测试找到最佳投放组合；贝叶斯算法用于预测最佳广告定位；广告投放后，会根据ROI等指标分析广告效果，衡量渠道价值，辅助产品和运营优化广告转化，提高ROI；另外，广告正式投放后，需要通过数据分析发现异常激活和异常订单，然后基于修正后的总GMV更合理地衡量渠道价值。
希望上面介绍的广告数据分析方法能对你的日常工作或学习有所帮助。感谢阅读~
本文由@时刻是永恒原创发布。每个人都是产品经理。未经许可，禁止复制。
来自Unsplash的图像，基于CC0协议。
