带你读《广告数据定量分析:如何成为一位厉害的广告优化师》之三:广告数据的描述:图表-阿里云开发者社区

开发者社区> 华章出版社> 正文
登录阅读全文

带你读《广告数据定量分析:如何成为一位厉害的广告优化师》之三:广告数据的描述:图表

简介: 这是一部面向初级广告优化师、渠道运营人员的广告数据分析和效果优化的实战指南。数据分析功底的深浅,决定了广告优化师能力水平的高低。这本书一方面告诉读者成为一名厉害的广告优化师需要掌握的数据分析技能,以及如何快速掌握这些技能;一方面又为读者总结了SEM广告、信息流广告、应用商店广告数据的分析方法论和效果优化的方法,以及多广告推广渠道的统筹优化。书中提供大量真实数据案例,助你提升广告数据分析的理论深度和业务水平。

点击查看第一章
点击查看第二章

第3章

广告数据的描述:图表
第3章的要点是对广告数据进行描述,图表是重要的工具之一。相较于文字和数据,图表有着得天独厚的优势—方便简洁、直观形象,对我们开展数据分析及讲好业务故事有着极大的帮助。目前,业内大部分做广告数据分析的朋友对图表的重视程度不足,除了在做客户提案或汇报外,几乎很少用到图表,究其原因还是对图表的价值理解不到位、没有掌握用图表帮助进行数据分析的方法论。在本章我将带大家一起领略基于图表做广告数据分析的魅力,希望对大家的工作有所帮助。

3.1 初阶:维度和指标

首先来认识一下图表中的两个重要概念,即维度和指标。相信大家都耳熟能详了,但从未严谨地做过区分和识记,一直是混着用的。为了保证讲解的有效性,我们需要先对这两个概念做严格的定义。
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。
在广告数据分析时,适当的数据可视化能帮助我们在短时间内对数据的整体分布情况有一个宏观把握,有利于洞察可能出现的问题,从而进行微观调整优化。下面,我将重点介绍几种具有代表性的图表。另外,需要说明的是,所有图表都是Excel直接生成的,不需要借助其他工具。

3.1.1 看分布

1. 直方图
如图3-1所示,以某一SEM账户某天的关键词报告数据为例,关键词共805个,账面消费合计3005元。选取“消费”一列,可生成直方图,这里设置组距为10,即每10元为一个消费区间。数据显示,在805个关键词中,有746个(占92.6%)关键词的消费在0~10元;接下来继续观察,图表右方消费区间较大的关键词,150~160元有1个,300~310元有1个,320~330元有1个,这三个关键词的合计消费为788元(占26%),这个消费占比还不够高,我们再向左扩展一些,把消费大于30元的都包括进来,合计22个(占2.7%),账面消费合计1806元(占60%)。
这其实就是帕累托法则(或称“二八原理”),不一定是严格的二八分,本质上是少数甚至极少数关键词占据了整个广告预算的较大部分,比如在这个例子中,有2.7%的关键词占了全部预算的60%。设想一下,如果TOP级关键词的成本上涨20%,如果预算不设严格限制,将导致整体成本上涨12%;如果预算设上限,势必影响中长尾词的投放,不论是控制出价还是控制时段,这部分词的流量稳定性较差,造成成本升高的可能性较大,综合估算整体成本上涨不止12%。

image.png

换个角度看,TOP级关键词数量少、消费高,牵一发而动全身,但正因为数量少,更有利于做精细化优化,包括但不限于定制化创意、多创意A/B测试、时段分析等多种策略。
同时,不得不提的是,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(本例中即消费区间)的依次排列,排列图是频数(本例中即关键词个数)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。
图3-2的初步结论为:消费在10元以内的关键词的比重非常高,接近95%。
2. 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。
先讨论横向比较的情况,饼图、环形图可以满足这类需求。

image.png

如图3-3的饼图所示,我们将某App在小米应用商店各广告位的下载量数据可视化,可以直接得到一些结论:免费的自然量对渠道的贡献较高,占到37%;付费流量中,精品广告和装机必备是主力,贡献了38.6%流量;其余几类广告均起到补充的作用。图3-4的环型图对应了图3-3中各广告位的广告消费分布,我们可以看到:精品广告花了76%的广告费,其次是装机必备的10.7%。两张图放在一起,即将“下载量”和“广告消费”这两个数据做关联,可以看到精品广告是重中之重,在广告优化中应为最高优先级,如果能稍微降低一点精品广告的成本,则可以腾挪出可观的广告预算给其他广告位,实现下载量的增长。

image.png

image.png

请不要觉得这些结论稀松平常,业内常说如何精细化优化,但如果对数据的分布情况都做不到精确的认知,缺乏对宏观上的把控,精细化优化往往会陷入微观细节的“泥潭”中,难以达到预期效果。
接下来讨论纵向比较,常用的是百分比堆积面积图、百分比堆积柱状图。这些图可以反映不同部分所占比例的趋势变化。
如图3-5是百分比堆积柱状图,图3-6是百分比堆积面积图,后者本质上就是在前者基础上把各柱连接在一起,更能体现连续性。读者可以根据自己的需求选择使用,不过当横坐标日期太多时,百分比堆积面积图将更适用。
百分比堆积图动态展示了不同广告位所带来的流量比例的变化趋势,再结合获客量趋势、获客成本趋势,渠道运营人员就可以做数据分析,通过各类广告资源的配比调整,实现广告效果的优化。

3.1.2 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。

image.png

趋势图包括折线图、柱状图、堆积图等多种形式,下面将一一介绍。
1. 折线图
折线图是最常用的图表之一,这里不再赘述。
以某一SEM账户在一个月内的转化数据为例,如图3-7所示。平均注册成本一开始居高不下,自8月5日开始持续下降,并保持了较稳定的趋势,8月16日略有反弹,随后回落,最终在月底稳定在35元左右。

image.png

2. 柱状图
本质上来说,柱状图和折线图是一样的,只不过展现形式不一样。
图3-8是总注册数的柱状图呈现。以某一SEM账户在一个月内的转化数据为例,总注册数自8月5日开始迅速增长,并保持了较稳定的趋势,8月15日略有下滑,随后立即回升,最终在月底稳定在每日220个左右。
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%。

image.png

3. 堆积柱状图
如图3-9所示是堆积柱状图,延续前文小米应用商店的例子。区别于百分比堆积图显示的是各广告位的下载量占比,堆积柱状图直接显示的是各广告位的实际下载量。从图中可以看到,9月2日和3日,总下载量显著下降并保持相对稳定,分析各广告位的组成,可知主要是受到精品广告和自然量下降的影响。

image.png

需要特别强调的是,只有当总量相对稳定不变的前提下,做比重分析才是有意义的。现在请大家回顾一下图3-5,在9月2日和9月3日两天,精品广告和自然量的下载量占比是非常稳定的,但堆积柱状图显示这两个广告位的下载量是显著下降的。
堆积柱状图的优势在于能看到数据指标的各组成部分,便于做归因分析;劣势则是一旦超过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。
堆积柱状图的分析重点: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。
4. 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。
如图3-10所示是“单坐标折线图”,可以看到“总注册数”和“平均注册成本”是存在一定负相关的,前者增长并有一定的波动,同时后者下降并相对稳定。需注意,“单坐标折线图”比较适用于多个指标之间量级差异不大的情况,图3-10是一个反面例子,“平均注册成本”的趋势显得非常平缓,我们没有办法直接观测其精确的趋势。

image.png

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。如图3-11所示,图表中的“平均注册成本”趋势更加精确。

image.png

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。如图3-12所示,“平均注册成本”从200多下降到30左右,波动较大,适用折线图。

image.png

3.1.3 多维度和指标交叉

1. 二维–散点图
还记得前文小米应用商店各广告位投放的例子吗?将图3-3和图3-4关联做分析,可以获得不少有价值的信息。接下来给大家介绍一种更简单有效的图表,那就是散点图。
现在,我们把图3-3和图3-4的数据都提出来,剔除自然量,只讨论付费流量,形成如3-13所示的散点图,横坐标是下载量占比,纵坐标是广告消费占比,简单明了。接下来加一条辅助线,即从左下角(0,0)出发经过(20%,20%)的直线,这样将图表分为了两个区域,辅助线左上方的是广告消费占比相对偏高的,典型代表就是精品广告,占据了76%的广告消费,贡献了37%的下载量,应作为重点优化对象。

image.png

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。

image.png

2. 三维–气泡图
在数据分析中,三维的数据图表比较少见,这是因为二维的数据图表已经能满足大多数的数据分析需求,对优化人员的要求也基本到此,所以哪怕出现三维的数据分析需求,也往往被简化为二维的。长此以往,我们的优化人员将陷入自己营造的“舒适区”,数据分析往往仅限于二维交叉分析。
相信大家都曾有过这样的体验,如果是优化一个局部的效果,比如某个关键词、某条创意,不论是一维分析还是二维分析,我们做数据分析都是非常有用的;但一旦上升到一个整体的效果时,比如某个推广计划、某个推广渠道,数据分析就会显得力不从心。究其原因在于,我们做数据分析的对象已经不再是一个或若干个体的集合,而是一个“系统”。引用生物学家L.V.贝塔朗菲提出一般系统论原理辅助阐述,即任何系统都是一个有机的整体,它不是各个部分的机械组合或简单相加,系统的整体功能是各要素在孤立状态下所没有的性质。对应到广告优化领域,我们的推广计划或推广渠道,已经不再是若干个关键词和创意的简单叠加,而是一个有机地结合体,各组成部分所具有的细微属性,经由系统可能会产生“量变引起质变”的效应。
举个具体的例子,在SEM广告中,如果每一个关键词的平均排名上升0.05,对每一个关键词来说,曝光量增加几乎是微乎其微的,转化量大概率是维持不变,但如果账户里5000个关键词每一个的平均排名都上升0.05,曝光量和转化量的增加量多半是可观的。
还有一个例子,在信息流广告中,展现排名机制是:广告排名=CPC出价*预估CTR,如果存在个别CTR(点击率)显著偏低的创意,一两条可能影响不大,数量多了之后,就会拉低预估CTR,对新创意的投放非常不利。所以,信息流广告优化技巧中有这样一条:推广计划中如果有点击率特别低的创意,要尽早中止或是将其从该推广计划中剔除。
还有广告渠道整体效果不稳定的分析,将在第7章再具体阐述。总体来说,“系统论”使得原本复杂的广告优化问题有了理论可循。
讲到这里,我们只分析了“为什么”,还需要知道“怎么做”。其实,大家应该也能猜个大概了,对“系统”进行数据分析需要增加分析维度,我们先从三维的数据分析开始由浅入深吧。
基于Excel的功能,三维的数据图表这里主要介绍一种,那就是气泡图。如图3-15所示,散点图呈现了SEM各类关键词的数据情况,横坐标是转化成本,纵坐标是转化量,气泡的面积是广告消费。这三个数据指标是非常重要的,转化成本与广告的ROI直接挂钩,转化量是预估业绩的重要参照,广告消费体现了广告预算的分配。通过图3-15我们不难得出这样的结论:产品词1和产品词2是广告消费的主力,也带来了可观的转化量,在效果优化时应作为最优先考虑;同时,以平均目标转化成本40元为基准,产品词1的成本较低,可以再进行放量,如果广告预算有限,则可以考虑削减通用词1和竞品词的预算,实现整体效果的进一步优化。

image.png

3.1.4 看相关

介绍完三维的数据分析,我们将进一步探讨更多维度的分析。此时,常规的数据图表已经不能满足三维以上的数据分析需求了,下面介绍如何做相关性数据分析,来分析及读取数据分析结果。
表3-1是某App在应用宝推广账户的两周数据,包括广告优化师投放的6类广告资源的下载量和总注册量,但介于应用商店媒体方的限制,后端效果数据是无法分拆的,需要通过数据分析评估各类广告资源的转化效果。

image.png

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,即6类广告资源各自下载量与总注册量。
如2.8.1节所述,相关系数反映了两个变量间线性相关关系,或者简单说是同增同减的一致程度。通过表3-2的数据结果可知,总注册量与系统通投计划、7.0首页卡片这两类广告资源的下载量具有较强的相关关系,结合广告转化逻辑,即提高这两类广告资源的下载量,有较大概率实现总注册量的增长。同时需要注意的是,总注册量与原生列表的下载量呈较弱的负相关,故不建议在原生列表这类广告资源里发力。

image.png

3.2 进阶:用户行为洞察

3.2.1 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。
下面举一个真实投放数据的案例,如表3-3和表3-4所示是某现金贷款App在今日头条信息流渠道的部分投放数据,包括创意样式、从曝光到最终转化的全过程数据。在此次广告投放中,我们进行了一定的变量控制,即广告位、广告定向、落地页都是一样的,主要的差别在创意的图片和文案,另外出价上略有一定的差异。通过分析表3-4的数据不难看出,0311和0316这两个广告创意的转化效果要显著好于后面两个创意,主要体现在注册数和注册成本,但要弄清楚究竟是哪一个环节、哪一因素制约了广告效果,还需要依赖用户转化漏斗分析。

image.png

根据现有的数据,我们构建出以App注册量为核心KPI的转化漏斗:曝光量→点击量→落地页访问量→下载量→注册量,分析每一个环节的转化情况。如表3-5所示,先分析前端数据,从曝光到点击、从点击到访问落地页,四个创意的表现都比较正常,没有存在点击率特别低或者访问落地页有故障的情况;接下来分析后端数据,按照标准的转化流程,用户在访问落地页时,根据落地页的引导下载App,我们可以看到0317和0322两个创意在访问落地页→下载转化率上表现较差,但下载→注册转化率与前两个创意基本持平。所以,我们可以得出一个初步的结论:0317和0322这两个创意之所以效果较差,主要是因为很多用户访问落地页后没有下载App。用户不下载App的原因各种各样,主要有落地页引导没做好、落地页信息与信息流广告不一致、用户本身没有很强的意愿等。我们用排除法一个一个核对,最终发现还是用户意愿不强的问题。回到信息流广告本身,就落到了广告定向和创意的问题,介于我们的广告定向都是一致的,那就是不同创意吸引来的用户存在一定的差异。说到这里,转化漏斗分析算是基本完成了,但什么样的创意才能带来更好的转化呢?这个问题在信息流广告优化中是一个普遍而玄妙的问题,说普遍是因为几乎每一个信息流广告优化人员都会遇到,说玄妙是因为创意是由图片和文案组成,难以通过数据定量化。第5章将对这一问题进行讲解。

image.png

现在再说一点刚才漏斗分析中的额外收获,我们发现0317和0322这两个创意不光是访问落地页→下载转化率偏低,曝光→点击转化率也明显较低,这两个数据指标是否有一定的相关性呢?答案是肯定的,我将统计样本扩大到134个创意,计算曝光→点击转化率和访问落地页→下载转化率的相关系数高达0.82。这说明,就这个案例而言,信息流广告平台提供的点击率数据在一定程度上可以反映创意的质量,这给我们的数据分析和广告优化提供了更多的可能。

3.2.2 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。下面逐一介绍。
如图3-16所示是维基百科“Eye tracking”一词相关页面的热力图。页面上出现了深浅渐变递进的图层,本质上是用户鼠标指针的停留时间,深色区域的停留时间最久,其次是中等颜色,最后是浅色的。鼠标指针停留时间,侧面反映了用户对页面上各元素的兴趣注意力相对大小,对于评估页面质量、用户是否按照既定引导完成转化、页面优化改进等都具有一定的参考价值。

image.png

图3-17是某教育机构的移动端营销落地页,长度大约为普通手机的6屏多,为了呈现方便,我将其截为上下两部分,左图是上半部分,右图是下半部分。上半部分差不多是3屏,我们可以看到,100%的用户都看到了第1屏,接下来就越来越少了,到了第3屏只有一半,到了第5屏就只剩下19%,这个数据就是热力图工具提供的用户下拉完成度的分布,热力图专业工具的实际效果呈现得比这个案例要精美更多,但本质上是一样的。对于我们做广告数据分析来说,这个数据能告诉我们现在的落地页布局是否合理?营销落地页上需要用户完成转化的组件,比如表单、按钮等,既不能太靠后,避免很多用户没有耐心和兴趣下拉到后面,也不能太靠前,需要先有一定的信息做铺垫,不然目的性太强,用户的抵触情绪较大。

image.png

3.3 本章小结

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。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:

华章出版社

官方博客
官网链接