目录
估计
区间估计
转化率5.6%、6.1%，都需要加上一个抽样误差，即数据波动的范围，假设这个抽样误差都是0.2%，那优化前的转化率区间为[5.4%，5.8%]，优化后的转化率区间为[5.9%，6.3%]。简单来看，优化后的最低水平5.9%仍高于优化前的最高水平，因此可以得出这次优化是成功的结论。
总体比例的置信区间
主要适用于用户转化漏斗各环节的转化率估计，比如点击率、点击下载率、下载安装率、安装激活率等。从统计学角度来看，总体比例的置信区间是：从一个大的总体中抽取一个由n个观测值组成的随机样本，点估计的结果是p。那么我们可以得到总体百分比的一个95%置信区间。该区间为：
1.96这个值来自正态分布，2.3.2曾提到，有95%的z值落在-1.96到1.96之间，从而构成了一个95%的置信区间。还是之前的例子，某条信息流广告创意有36432的曝光，1128的点击。带入总体比例的置信区间的计算公式，p=1128/36432=3.10%，n=36432。抽样误差为：
于是可以得到，这条信息流广告创意的点击率95%的置信区间为（3.10%-0.178%，3.10%+0.178%），即2.92%~3.28%。
总体均值的置信区间
通过样本数据计算的样本均值，估计总体的对应均值数的取值范围。
主要使用于估计流量的大小，比如点击量、下载量、注册量等
假设检验
两个总体比例之差的显著性检验
从统计学的角度来说，这个问题属于两个总体比例之差的显著性检验。同样的，后面还可能涉及两个总体均值之差的显著性检验。这两个显著性检验也就构成了互联网业内适用面最广的A/B测试的理论基础。
代入1.2.1例子的具体数值，得出：p1=6.4%，n1=10000；p2=5.6%，n2=10000；计算得z=2.38，或者把p1和p2换个位置，就得到z=-2.38。此时的z值是大于1.96和小于-1.96的，属于那剩下的5%的情况。所以可以做出判断，原假设是错误的，相反的假设是正确的，即“试验版本_1和原始版本的转化率是有显著差异的”，换句话说，A/B测试是成功的。
总体均值之差的显著性检验
x1：样本1的均值；x1：样本2的均值；S1：样本1的标准差；S2：样本2的标准差；n1：样本1的样本量；n2：样本2的样本量。区别于两个总体比例之差的显著性检验，两个总体均值之差的显著性检验的适用范围相对窄很多，包括展现量、点击量、注册量、线索量等流量的数据指标。
显著性检验验证地址 A/B Test Statistical Significance Calculator | VWO Free Tools
变量间关系
- 自变量和因变量
- 相关分析
- 回归分析：回归分析的核心价值在于“预测”，即通过对历史数据的分析，构建可以预测未来因变量值的数学公式。
SEM优化
对于SEM广告数据分析，CPC一直都是重要的参考指标。我们应重点关注：CPC和出价、广告排名、点击率之间的关系。
1.根据SEM广告竞价排名原理可知，CPC和出价之间的差距较小，比如CPC略低，在10%以内，说明后一名广告位与我们的差距较小，同理，若CPC和出价之间的差距较大，说明我们的广告竞争力领先后一名较多。
2.广告排名如果相对靠前，关键词提价的空间相对较小；反之，广告排名相对靠后，可以通过提价获取更靠前的位置。
3.在广告排名相对不变的情况下，CPC与点击率具有一定的负相关关系，如果想放量，但提价空间不大，不妨从优化点击率着手
“设计招聘”一词的转化成本高了约20%，CPC为3.62元，确实高了一点，CPC和出价差距非常小，说明排在后一名的竞争对手跟得很紧，从平均排名1.67来看，降低出价可能会使排名接近第2名。还差一个点击率没有看，对比来看，0.86%的点击率偏低，所以需要较高的出价来争夺靠前的排名。优化策略应为对创意进行A/B测试，提高其点击率，高级样式也可以考虑使用，待点击率提高之后，出价可适当下调10%～15%，最终达到目标成本。
“银行招聘”一词成本较高，CPC为1.11元，和出价1.35元的差距较大，说明领先排后一名的竞争对手较多。但从平均排名来看，大多数情况下是第3名，还算不错。点击率已经不低了，优化策略只能从出价着手。优化策略应保持点击率稳定，分多次下调出价，比如一次下调5%，密切关注CPC和平均排名的变化。
“前端招聘”一词成本偏低，优化方向主要是能否放量。CPC为2.65，和出价的2.80元的差距较小，有提价的空间，点击率2.03%算是比较高的。平均排名1.12，说明流量已经接近饱和了，调价的价值不大。优化策略应为在保证点击率稳定的基础上，提高转化率，包括各类高级样式等。
一是CTR的高低与最终转化效果没有直接相关关系。因此优化CTR的目标并非越高越好。但同时，CTR的水平不应过低，业内普遍经验是以1%作为分界线，低于1%的CTR说明广告相关性、创意质量确实有待提高，进而对关键词的质量度得分造成影响。
决定关键词质量度得分的主要有以下几个方面，相关优化也可以有针对性地进行。
·预估点击率。主要涉及广告标题和创意的撰写方面。
·业务相关性。包括关键词与创意的相关性、关键词与着陆页内容的相关性等。
·着陆页体验。应避免图片的大量堆砌，保证网页内容清晰、充实、易于浏览。关键词质量度得分是一个需要长期关注的指标，对于CPC调控起着重要的参考价值。
对广告词的优化与分析：cpc，出价，排名（与质量度和出价有关系），点击率
搜索类优化步骤：对于有转化关键词归类分析，按照cpc，出价，排名，点击率等指标进行优化；无转化关键词搭建账户评分体系，展现量高的，优化创意；平均排名>3的，优化排名；展现量小的，积累数据在分析；
信息流优化
信息流广告数据分析常见指标：
- ecpm ：ECPM=CPC出价*预估CTR
- cpc结算公式
- ctr：
优化实际CTR提升广告ROI的逻辑
回归到广告投放的本质，基于对用户画像、用户需求和场景的深刻洞察上，以更精准的广告定向，提高营销着陆页的转化率，带动ROI的提升
信息流广告测试主要涉及两个指标，一是点击率ctr，二是转化率cvr
定向优化：AB test，朴素贝叶斯，创意定量化
P（AB）=P（A）*P（A|B）=P（B）*P（B|A）
创意优化：定量化
F（β1，β2，β3，…，βn）β1为创意，β2广告定向，β3为着陆页，β4为CPC出价，β5为账户预算等。在保证β2到βn不变的条件下，分析β1与用户转化概率F的关系
信息流广告的优化思路
第一步，优化账户结构。将目前的10个推广计划缩减为2个。推广单元按照广告定向划分，并设计用于新创意测试的广告单元。
第二步，梳理目前投放创意的转化数据，挑选比较有代表性的创意，作为测试广告定向的创意。第三步，通过推广单元的广告定向设置，设计多组对广告定向的测试。待样本数据积累到一定程度，通过显著性检验，得出转化效果较优的广告定向组合。
第四步，以上一步确定的广告定向，批量进行广告创意测试，密切关注数据，通过显著性检验，保留转化效果较好的创意。
第五步，根据受众画像数据，基于朴素贝叶斯算法，进一步优化广告定向。
第六步，待创意的样本数据积累到一定程度，尝试通过创意画像数学建模，寻找优质创意的设计方向。
先确定定向，在确定创意，通过创意画像再进一步优化创意。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
