在广告展示的某种条件下，高点和低点是确定更多人可以看到广告的因素。本文主要分析“点击率”的因素，并与您分享。
本文是Rambo同学的原始贡献，并通过项目分析的体系结构对多维分析进行了分析。全文是4000多个单词，建议收集它。
相关的数据源和代码已经包装和整理，背景回复了“广告数据”以获取它。
P1分析背景和目的
这是一家广告显示/单击平台上的数据。需要从这些数据中找到此分析，以找到某些规则或异常，然后对操作团队提出建议。
评估广告效果的指标是广告的点击次数，这可以反映有多少人愿意单击以查看广告内容。只有在单击广告并将发生后续转换时。
拆除广告的点击次数：
广告的数量=广告数量显示x点击
广告显示的数量受广告产品的价格和类别的影响；不同的人对不同类别的产品有不同的偏好，这将影响广告的点击率。
在广告展示的某种条件下，高点和低点是确定更多人可以看到广告的因素。
因此，该分析基于[点击率]的因素
P2分析想法
从“广告”和“用户”的角度进行分析：
1。广告角度
2。用户角度
P3分析过程
数据清洁
1。数据概述
原始数据集包括三种类型的数据。特定数据的相应属性如下：
为了促进分析，将其中的一些领域用作分析。
从数据集中的小：用户ID，广告ID，是否单击
从数据集开始：广告ID，类ID，广告产品价格
从数据集中排除：用户ID，年龄层，性别，购物水平
2。数据组合
将三个数据表组合到表中
<p style='margin-bottom:15px;color:#555555;font-size:15px;line-height:200%;text-indent:2em;'> <pre class="code-snippet__js" data-lang="ini"><code><span class="code-snippet_outer">a=raw_sample.merge(right=ad_feature,on='ad_id',how='left')</span></code><code><span class="code-snippet_outer">b=a.merge(right=user_profile,on='user_id',how='left')</span></code></pre></p>
获取记录的用户广告信息表
3。缺乏价值处理
3.1源数据中仍然有许多丢失值，删除了性别和年龄领域中空缺记录
3.2混合物加工
查看广告产品价格字段的属性范围：
最大值为.0 yuan，价格太大，是异常的价值，删除
再次查看价格字段的属性范围：
仍然存在异常值，数据值太多。为了促进对价格领域的分析，选择在1,000元内更接近日常生活的广告记录进行分析
切片后，仍然有记录记录
4。数据字段集成
对于广告产品的价格字段，每个广告的产品都有自己的价格，并且根据价格字段并不方便。添加了一个字段“”代表价格的范围。
（0-价格为0-100元，1-100-200元，2-200-300元...）
结合图表分析
1。分析不同广告产品对点击率的影响
①广告商品价格的分类
广告分为10个类别，例如价格低于100元的价格，少于200元和小于300元，并以不同的价格间隔计算广告的点击率。
从图中，所有价格间隔产品的点击量约为5％。其中，在100元以下广告的广告产品的广告点击量为5.92％；
看到低成本广告产品的点击率较高 - 我们通常认为这是在这方面的价格敏感性的浅用户（免费用户）的高点，以及具有某些消费行为和深层用户消费者意识（付费用户）商品的体验和产品的质量更加关心。
为了验证上述语句，我们首先假设100元的广告产品的主要点击是浅用户，然后通过数据验证。
②分析100元内广告产品的点击率的用户组成
检查100元内广告产品用户的用户
从用户分布中可以看出，在100元之内单击的用户中，深度用户的比例较高，占81.6％，并且浅户用户的比例相对较小。这推翻了我们的原始假设。
概括：
2.分析哪些类别的广告点击较高，哪些类别点击较低。
由于广告类别的数量大量，大多数广告类别仅为1-2次，数据样本太小。因此，选择显示最多的7个类别进行分析。
①找出显示最多的广告类别，点击次数和最高点击率
可以看出，6261类广告的显示，点击和点击的数量最高，尽管类别4385广告的数量为10000+，但点击和点击率的数量最低。
②分析类别4385最重要的广告效果：
一个。按[广告产品价格]进行分析
计算未点击的产品的平均价格4385广告
单击类别4385广告的平均价格是：
两者的平均价格与200-300没有太大不同。结合分析（1），200-300中广告产品的平均点击率为5.29％，而4385类仅为3.61％。
此描述：广告产品的价格不是影响类别4385广告点击的因素
b。按[性别]分析
让我们看一下4385类。
可以看出，4385类广告主要建议男性用户，而男性用户比女性更感兴趣。
女性对此类产品的广告不感兴趣，而点击率仅为2.75％，这是单击率低4385广告的主要原因。
c。最后，按[用户年龄]分析
让我们看一下不同年龄和不同性别的用户点击率的差异
（年龄领域的含义：0：10岁以下，1：10-20岁，2：20-30岁，3：30-40岁，4：40-50岁以上）
从统计数据可以看出，4385类广告的主要类别是一组30岁以上的男性用户，尤其是60岁以上的男性，而女性用户对此类广告产品的兴趣较低。
结合对A和B的分析，它受到30岁以上的男性的欢迎，价格为200-300。据推测，这是一件西装，皮鞋或烟草或家用电器。
③摘要
3。分析性别和广告点击率之间有什么关系
①计算男性和女人的比例
男人和女人的比例大约是：1：1.6
②计算男性和女人的命中次数
男女广告的点击比例为：1：1.7
因此，一般而言的点击次数比男人多，但是两者的点击基本上是相同的。
③比较男女之间各种广告点击差异的比较
可以看出，在大多数类别中，女性广告点击率明显大于男性点击。
只有4385和4505类。在这两个类别的广告中，男性点击次数超过了女性的点击次数。
男女之间的主要区别是由6261型广告引起的。女性点击大约是男性的4倍。
④摘要
4。分析用户组与广告的点击率有关
用户价值与不同用户组之间的消费习惯之间存在一定的差异，而不同用户组的广告策略也不同。通过在单击广告速率上分析不同用户组之间的关系，以制定不同的投资策略。
这里的分析是通过K-均值算法的用户群集，并且根据RFM模型对用户值进行了分配。
①使用K-均值算法制作用户群
在这里，选择了用户的购物水平，广告点击率以及产品浏览广告的平均价格。这三个指标被用作判断用户价值的标准。
用户分析：将所有用户分为5个类别以表示用户价值。
注意：将三个功能集中时标准化
它可以从不同群体的特征中得出结论：
因此，我们可以生产：第5组对广告的接受最高，并且非常愿意单击广告。第2组更喜欢高价商品，并且有兴趣购买高价产品。
②使用RFM模型将用户划分
根据用户在深度，点击率和广告产品平均价格的性能下，用户将用户分为5类客户。
（1）维护用户很重要
（2）重要的开发用户
（3）重要的保留用户
（4）一般用户
（5）低价值用户
根据集群的结果，对应于五种客户类型的类型的类型是匹配的，以获取客户组的价值排名：
根据结果，我们可以发现图中显示了5个用户的分布：
可以看出，最有价值的3种用户占20％。这20％的用户不可避免地会贡献大多数广告点击。如果平台想要广告效果很好，则需要投资于为这些用户服务的资源。
普通用户和低价值用户仍然是平台用户的主要主体。对于此类用户，他们需要操作/营销策略以提高其活动/点击率，并努力将其转换为重要用户。
③摘要
P4结论和建议
在上述分析过程中纠正摘要，得出分析结论，并就所有结论做出建议：
分析报告在这里〜
该文章首先由每个人发行是产品经理
原始链接：
欢迎大家注意兰博同学，每个人都是产品经理帐户~~
●
●
<p style='margin-bottom:15px;color:#555555;font-size:15px;line-height:200%;text-indent:2em;'> <pre style="letter-spacing: 0.544px;font-weight: 700;widows: 1;color: rgb(62, 62, 62);text-align: center;word-spacing: 2px;caret-color: rgb(51, 51, 51);"><section mpa-from-tpl="t" style="font-family: -apple-system-font, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;white-space: normal;font-size: 15px;"><br />
<span style="color: rgb(0, 128, 255);">后台回复“入群”</span>
<span style="color: rgb(0, 128, 255);">即可入群交流数据干货</span>
<br />
<section data-mpa-template="t" mpa-from-tpl="t" style="letter-spacing: 0.544px;"><section data-mpa-template="t" mpa-from-tpl="t" style="letter-spacing: 0.544px;"><section powered-by="editor.brainboom" mpa-from-tpl="t"><section mpa-from-tpl="t" style="margin-right: auto;margin-left: auto;clear: both;overflow: hidden;width: 676.997px;"><section rel="5ab32249f2f5e694507541c6" mpa-from-tpl="t" style="width: 676.997px;"><section mpa-from-tpl="t" style="margin: 10px auto;width: 200px;height: 285px;background-image: url("https://mmbiz.qpic.cn/mmbiz_png/xPvZ3r2ia4iawtc8ubbarE19QTMGFxhfPWR2K0AoXVAXV4SKKKoyttjKu9L8a9mKHxeXU1TO3QKAr3wdKujJ38Yw/640?wx_fmt=png");background-repeat: no-repeat;background-size: 100%;overflow: hidden;"><section mpa-from-tpl="t" style="margin-top: 91px;margin-left: 12px;width: 175px;height: 175px;background-color: rgb(254, 254, 254);"></section></section></section></section></section></section></section></section></pre></p>
支持干货 |
