淘宝广告数据分析实战!(附代码和100W数据源)(中)

简介: 在广告展示数一定的条件下,点击率的高低就是决定一个广告能否被更多人看到的因素。本文主要针对“点击率”这一因素进行分析,与大家分享。

2、分析哪些类别的广告点击率更高,哪些类别的点击率低


由于广告的类别数量众多,大部分类别的广告只有1-2次的展示,数据样本太小,因此选取展示数量最多的7个类别进行分析。


① 找出展示数、点击数、点击率最高的广告类别


image.png


image.png


可以看出类别6261广告的展示数、点击数、点击率均为最高,而类别4385广告的展示数虽然有10000+,但是点击数、点击率却是最低的。


② 分析类别4385广告效果最差的原因:


a.先按【广告商品价格】来分析


计算没有被点击的类别4385广告的商品的平均价格


image.png


而点击了类别4385广告的商品的平均价格为:


image.png


两者平均价格都在200-300区间、差异不大。结合分析(1),价格区间在200-300的广告商品点击率平均是在5.29%,而类别4385则只有3.61%。


这说明:广告商品价格不是影响类别4385广告点击率的因素


b.再按【性别】来分析


先来看看类别4385被哪些用户看到了


image.png


可以看出,类别4385的广告,主要是被推荐给了男性用户,而男性用户对这类商品的兴趣大于女性。


并且女性对这类商品的广告兴趣不高,点击率只有2.75%,是造成类别4385广告点击率低的主要原因。


c.最后按【用户年龄】来分析


来看看不同年龄段、不同性别的用户点击率有什么差异


image.png

(年龄字段含义:0:10岁以下、1:10-20岁、2:20-30岁、3:30-40岁、4:40-50岁、5:50-60岁、6:60岁以上)


从统计的数据可以看出,类别4385广告的商品主要点击群体是30岁以上男性用户,尤其是60岁以上男性兴趣最高,而女性用户对这类广告商品兴趣低。


结合a、b的分析,受30岁以上男性欢迎、价格在200-300的商品,推测是西装、皮鞋类或者烟酒类又或者是家用电器类商品


③ 小结


  • 类别6261广告效果最好,有最高的点击率、展示数和点击人数。可以加大对该类别广告的资源投入,扩大广告推广效果。


  • 类别4385广告点击率的原因是,这类商品对女性用户而言兴趣不大,女性用户点击率低,导致了整体的点击率低。可以在该广告的广告词中加入“父亲、爷爷”等宣传词,引导女性消费者将该类别商品作为一种礼物送给男性用户,从而提高点击率


  • 类别4385的主要受众群体是30岁以上男性,为了提高点击率可以重点推荐给30岁以上男性用户。对于该类别广告商品的受众,可以适当增加产品折扣、降低商品价格,吸引点击广告的用户转换成购买用户


3、分析性别和广告点击率有什么关系


① 计算男女人数比例


image.png


男女比例约为:1:1.6


② 计算男女各自的点击数


image.png


男女广告点击数的比例约为:1:1.7


因此,总体上女性的点击数要多于男性,但两者的点击率基本一致。


③ 比较各类别广告点击率-男女差异


image.png


image.png


可以看出,大部分类别中,女性的广告点击数都要明显大于男性的点击人数。


只有类别4385、类别4505,这两个类别的广告,男性的点击人数要超过女性的点击人数。


男女之间的主要差异是由类型6261的广告造成的,女性的点击数大约是男性的4倍。


④ 小结


总体上看,女性的广告点击人数明显大于男性,但两者的点击率却是差不多的。

类别4385、4505广告,男性的点击人数要多于女性。这类广告可能是男士服饰、汽车、烟酒这类商品

相关文章
|
3月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
388 0
|
11月前
|
消息中间件 数据挖掘 Kafka
Apache Kafka流处理实战:构建实时数据分析应用
【10月更文挑战第24天】在当今这个数据爆炸的时代,能够快速准确地处理实时数据变得尤为重要。无论是金融交易监控、网络行为分析还是物联网设备的数据收集,实时数据处理技术都是不可或缺的一部分。Apache Kafka作为一款高性能的消息队列系统,不仅支持传统的消息传递模式,还提供了强大的流处理能力,能够帮助开发者构建高效、可扩展的实时数据分析应用。
518 5
|
8月前
|
SQL JSON 数据可视化
基于 DIFY 的自动化数据分析实战
本文介绍如何使用DIFY搭建数据分析自动化流程,实现从输入需求到查询数据库、LLM分析再到可视化输出的全流程。基于经典的employees数据集和DIFY云端环境,通过LLM-SQL解析、SQL执行、LLM数据分析及ECharts可视化等模块,高效完成数据分析任务。此方案适用于人力资源分析、薪酬管理等数据密集型业务,显著提升效率并降低成本。
12314 16
|
7月前
|
数据采集 监控 数据挖掘
京东、淘宝、义乌购等电商平台的Api数据分析
京东、淘宝、义乌购等电商平台的数据分析涵盖数据收集、预处理、分析及应用优化。数据来源包括数据库、日志文件和网络爬虫,通过SQL查询、日志解析和爬虫抓取获取数据。预处理阶段进行数据清洗、缺失值处理和异常值检测。分析方法包括描述性分析、对比分析、漏斗分析等,关注成交金额、转化率等关键指标。最终基于分析结果制定策略并评估效果,持续优化平台运营。
|
8月前
|
存储 分布式计算 大数据
基于阿里云大数据平台的实时数据湖构建与数据分析实战
在大数据时代,数据湖作为集中存储和处理海量数据的架构,成为企业数据管理的核心。阿里云提供包括MaxCompute、DataWorks、E-MapReduce等在内的完整大数据平台,支持从数据采集、存储、处理到分析的全流程。本文通过电商平台案例,展示如何基于阿里云构建实时数据湖,实现数据价值挖掘。平台优势包括全托管服务、高扩展性、丰富的生态集成和强大的数据分析工具。
|
11月前
|
数据采集 数据可视化 数据挖掘
Python数据分析:Pandas库实战指南
Python数据分析:Pandas库实战指南
|
11月前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
11月前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析:Pandas库实战指南
利用Python进行数据分析:Pandas库实战指南
|
12月前
|
供应链 监控 数据挖掘
淘宝商品详情数据接口:解锁电商数据分析新密码
在数字化时代,电商竞争激烈,精准的数据分析成为制胜关键。淘宝商品详情数据接口如同一把神奇的钥匙,为商家提供商品名称、价格、销量、评价等详细信息,助力洞察市场趋势、优化商品策略、提升运营效率。通过实时更新的数据,商家可以及时调整定价、促销和库存管理,增强竞争力。未来,该接口将带来更多智能化的数据分析工具和精准的市场预测模型,助力电商从业者在竞争中脱颖而出。
|
12月前
|
数据采集 数据可视化 数据挖掘
Python 数据分析实战:使用 Pandas 进行数据清洗与可视化
【10月更文挑战第3天】Python 数据分析实战:使用 Pandas 进行数据清洗与可视化
552 0