編輯導語：資訊流廣告，通俗地講，就是各大社交平臺在feed流上開展的廣告展示業務。作為網際網路廣告的新寵，資訊流廣告並不是為了跟風而去投放，是為了達到有良好收益的。對於資訊流廣告投放來說，應該如何進行資料分析呢？本文作者為我們分享了資料分析的過程，並且總結了一下關於資料分析的建議，希望對你有所幫助。
隨著網際網路人口紅利的消失，各大網際網路產品都爭先恐後開始做使用者增長，希望以最低的成本拉新促活更多使用者。使用者增長的策略和手段有很多，其中網際網路效果廣告投放是非常重要的一種手段。
在網際網路廣告投放過程中，負責投放的運營同學為了保證最優的投放收益率，會從廣告的各個角度去做投放最佳化，如：文案、圖片、排版、媒體位置以及定向人群等等。而資料分析能從量化的角度指導運營如何去投放廣告，如何最佳化投放組合，從而降低使用者獲取的成本。所以本文會介紹一些網際網路廣告投放中的資料分析方法論。
一、資訊流廣告的業務介紹1.1 基本概念介紹資訊流廣告是移動網際網路時期產生，穿插在內容流中的廣告，資訊流廣告有圖文、圖片、短影片等不同形式。因為資訊流廣告是完全以同樣的形式穿插在內容流中，所以使用者打擾性低，不注意左上角的“廣告”二字，很容易被當作普通內容來瀏覽甚至互動。
因為資訊流廣告完美平衡了媒體、廣告主和使用者的利益，而且資訊流廣告可以透過演算法實現“千人千面”的推送，所以資訊流廣告已成為媒體廣告商業化的重要部分。常見的資訊流廣告：微信朋友圈、今日頭條和抖音等等。
1.2 廣告生態介紹從資訊流廣告的生態看來，目前涵蓋了廣告主、媒體、第三方創意平臺、資料平臺以及監控平臺等。
第三方創意平臺：提供可按行業、媒體、廣告樣式、素材型別、裝置、時間等多維篩選檢視投放素材；
第三方資料平臺：提供的服務一般包括使用者洞察即消費者畫像、使用者/人群包管理及投放轉化分析；
第三方廣告監測平臺：提供的是投放、效果資料的統計監測服務。廣告主是流量的買方，媒體或投放渠道是流量的賣方，監測任務一般由第三方機構來擔任。
1.3 廣告競價投放當前資訊流廣告主要是以RTB（公開競價）的方式售賣，媒體會將廣告位售賣給使他們收益最大化的廣告主，通常用eCPM(預估千次展示收益)來衡量一個廣告能給媒體帶來的收益。其中eCPM=CPC出價*預估CTR，至於為什麼用eCPM衡量廣告帶給媒體的收益，如果一個位置的CPC出價很高，而且點選的可能性也很大，那麼媒體獲得收益最大化。
在競價成功獲得廣告曝光機會後，廣告的實際收費並不是按照出價計費；而是採用第二高價機制，即根據第二名出價的eCPM和廣告本身的預估CTR計算出來的，具體計算公式為：
根據廣告競價的邏輯以及最後計費的邏輯，可以推匯出預估CTR是廣告競價成功的重要影響因素，也是提高廣告ROI的重要因素。而預估CTR和人群定向、投放時間、投放上下文、素材型別都有強相關性，怎樣的投放組合下預估CTR最優，是需要從多次廣告中積累的。
目前在廣告投放業務中，需要大量資料分析的場景主要包括以下三個方面：
- 廣告投放效果分析；
- 廣告投放最佳化分析；
- 廣告反作弊異常分析；
在做廣告投放效果分析，首先要明確廣告投放的衡量指標。不同的業務場景有不同的效果衡量標準，但是大體上都是以使用者轉化率和產生收益額來推導。以電商行業的資訊流廣告投放為例，廣告投放後用戶轉化路徑如下：
因此，我們日常重點關注的指標包括以下部分，一般ROI是渠道價值重點衡量指標，因為他表示了流量成本和轉化收益的真實關係。ROI都是基於一定時間週期計算而得到，如24小時ROI、7天ROI等等，這個可以根據實際需求來選擇。
在確定衡量指標ROI後，我們由此來判斷廣告投放組的轉化是否達標；對於不達標的投放組合，可透過公式拆解的方法判斷是轉化率太低還是客單價不合格或者還是成本消耗太高；再針對性的去最佳化問題，
- 如轉化率低：可以從產品角度最佳化使用者轉化路徑，從運營角度最佳化廣告素材和人群定向；
- 客單價低：可以從產品角度最佳化針對新客的活動，從而提升使用者粘性，從運營角度增強精細化運營充分挖掘不同使用者的潛力；
- 成本消耗太高：運營角度可以提升廣告的預估CTR，降低出價。
影響廣告轉化率的因素很多，如廣告定向人群、廣告創意、廣告文案、廣告位置等等。在前文的競價廣告的競價原理裡也提到，透過提高預估CTR，可以提升ROI。因此，在廣告投放中需要找到最優的投放組合，提升CTR或者轉化率，從而提升ROI。找尋最優的投放組合，目前用到最多的方法是AB測試，以及用樸素貝葉斯演算法預估轉化率比較高的人群定向投放組合。
2.2.1 AB測試
1）試驗設計
確定效果衡量指標：點選率和轉化率；
如下面的例子，我們同時設定兩組AB測試組；分別測試性別和系統版本在同一創意下，轉化率和點選率是否有顯著差別。
2）廣告投放，資料收集
對照組和試驗組同時上線，收集廣告曝光、點選和轉化資料，一般資料收集量需要滿足：
廣告點選率一般在3%左右，根據歷史投放經驗一般保證曝光量能在10000次以上。
如對於上面提到的兩組測試組，我們收集到的資料為：
3）顯著性檢驗，得到結論
a. 構建零假設和備擇假設
廣告投放的AB測試中，主要是對比點選率和轉化率；
即雙邊檢驗（p1和p2有顯著差異）：零假設：p1 = p2 備擇假設 p1 <> p2；
b. 構造統計量
廣告的點選率和轉化率都是比例指標，根據中心極限定律可以知道他們一般近似服從正態分佈。所以，點選率和轉化率的AB測試就是比例之差的雙邊檢驗，檢驗的統計量也是服從正態分佈，具體公式是：
c. 計算z值，判斷是否拒絕零假設
雙邊檢驗：z變數的值介於-1.96～1.96之間時，已經涵蓋了95%的可能結果；因此對於95%的顯著性水平，如果上面計算的z值在這個範圍之外，則可以拒絕原假設；
以上面的例子計算z值，可以看出性別男和女的點選率和轉化率沒有顯著差異，作業系統Android和iOS在點選率上有顯著差異。
2.2.2 樸素貝葉斯演算法，最佳化廣告定向
樸素貝葉斯演算法是基於樸素貝葉斯公式進行分類的一種演算法，可以計算出屬於某一類的機率；之所以稱為樸素，是因為它假設特徵之間是相互獨立的。但是在現實生活中，這種假設基本上是不成立的。即使是在假設不成立的條件下，它依然表現得很好，尤其是在小規模樣本的情況下。
貝葉斯的公式是：
其中P(A|B)表示：B發生後A發生的機率；透過貝葉斯公式可以看出計算P(A|B)只需計算出後三項。下面以實際資訊流投放案例進行介紹：
1）獲取受眾的畫像及轉化資料
假設已知廣告定向的使用者轉化資料如下：
2）基於樸素貝葉斯計算機率
這個可以基於上面受眾畫像資料和貝葉斯公式推導計算；
假設我想知道廣告定向X=（性別=”男”，年齡=”35～39歲”，作業系統=”iOS”）的使用者轉化的可能性，
可以計算得到P(轉化=”1″|X)=0.9275，
即廣告定向X=（性別=”男”，年齡=”35～39歲”，作業系統=”iOS”）下，使用者轉化的可能性為0.9275
3）廣告定向的投放指導
透過樸素貝葉斯演算法，以及歷史轉化資料的使用者畫像分佈，可以計算各個廣告定向組合下的轉化機率。這樣可以對於那些高轉化率的廣告定向組合優先投放，或者給予高轉化的定向組合更高的出價，低轉化機率的定向組合更低的出價，達到廣告轉化效果的整體最佳化。
2.2 廣告反作弊異常分析反作弊是一個比較複雜的過程，在金融、支付、內容生產及廣告等多個業務場景下都必須做的事情，是一個一直需要提升且不斷和黑產對抗的過程。而對於廣告反作弊，識別異常流量和轉化的主要用途是：一方面可以計算修正ROI，更合理的評估渠道質量；一方面可以識別異常，實時攔截減少異常流量消耗。
一個完整的反作弊體系，涵蓋了異常監控、發現異常、分析異常以及處理異常的過程；資料分析人員要用到規則、指標及模型等多種手段方法才能做好異常發現。因此，本文不詳細展開講廣告反作弊這一部分。
三、結束以上就是廣告投放過程中，資料分析師經常需要做的工作。總結一下，廣告正式投放前，會透過AB測試找尋最優投放組合；透過貝葉斯演算法預測最優廣告定向；廣告投放後，會基於ROI等指標分析廣告投放效果，對渠道價值進行衡量，並協助產品和運營最佳化廣告轉化提升ROI；另外，在廣告正式投放後，需要從資料角度分析發現異常啟用和異常訂單，再基於修正總GMV（去掉異常GMV後）去更合理的衡量渠道價值。
希望上面介紹的廣告投放資料分析方法，能對你日常的工作或者學習有幫助，感謝閱讀～
作者：須臾即永恆；公眾號：須臾即永恆；
本文由 @須臾即永恆 原創釋出於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議