阿里妈妈广告商品点击数据分析

最新推荐文章于 2024-05-15 17:58:25 发布

GW190

最新推荐文章于 2024-05-15 17:58:25 发布

阅读量2.8k

点赞数 4

文章标签：数据分析

本文链接：https://blog.csdn.net/siweigao/article/details/108478158

版权

阿里妈妈广告商品点击数据分析报告

一、分析背景与目的

数据源：[https://tianchi.aliyun.com/dataset/dataDetail?dataId=56]
阿里妈妈发展势头迅猛，营销仍存在部分盲点；
这是阿里妈妈的一份关于广告曝光次数和点击率的数据，我们希望通过分析，发现数据隐藏的增长点，为运营侧提供策略建议；
评价广告的一个关键指标是广告点击次数，点击数反应该广告对大众的吸引力，只有发生点击行为，才会发生购买；
我们对点击次数下一个公式定义：
点击次数 = 广告的曝光次数*点击率
广告的曝光次数无法干涉，那么在曝光次数一定的情况下，提升点击率是我们要关注的重点。

二、分析思路

用户在阿里平台点击广告进而发生购买行为，因此这里我们从广告、用户两个维度进行分析

1、广告维度

分析不同广告商品品牌对点击率的影响
分析不同广告商品价格对点击率的影响

2、用户维度

结合聚类与RFM模型分析技术，分析用户群体特征，制定营销策略

三、分析过程

1 数据清洗

1.1 数据概览

在这里插入图片描述

raw_sample 抽取用户ID、广告ID、时间、资源位、是否点击
ad_feature 抽取广告ID、广告商品类目ID、品牌ID
user_profile 抽取用户ID、年龄、性别、购物深度

1.2 特征工程

1.2.1 异常值处理

价格字段存在异常值，采用四分位法进行处理，过程如下：

Q1 25% 分位： 49
Q3 75% 分位： 352
上界公式：上界 = Q3 - (Q3 - Q1) * K 其中k = 1.5(经验值)
下界公式：下界 = Q1 - (Q3 - Q1) * K 其中k = 1.5(经验值)
最终结果
上界 = 800
下界 = 0
删除上下界范围之外的记录数

##四分位计算脚本
select SUBSTRING_INDEX(SUBSTRING_INDEX(GROUP_CONCAT(price ORDER BY CAST(price AS DECIMAL(12,2)) SEPARATOR ','),',',25/100*count(1)),',',-1) from ad_feature;

1.2.2 衍生字段

衍生价格等级price_level字段
0～100 1级、100～200 2级以此类推共8个级别

2 结合图表分析

2.1 分析不同广告商品品牌对点击率的影响

部分商品曝光次数较少，无分析价值；故选取曝光次数Top7的广告商品进行分析
在这里插入图片描述
由图可知，品牌342760广告商品曝光次数6万+，但点击率只有4.73%，这里我们重点分析下该品牌

2.1.1 分析品牌342760广告商品效果差的原因

a、分析性别对该品牌点击率的影响

在这里插入图片描述

广告商品点击率不能直接下结论女性点击率高于男性；这里引入卡方检验，分析显著性差异：
观察的数据：

我们得出观察到数据，并且形成表格后，我们需要计算理论的数据，在上面的例子我们发现，我们发现有95.27%的用户不点击商品广告（64492除以67695），4.73%的用户会点击广告商品。那如果，男性用户33610个人，女性用户34085个人，根据这些比例，我们可以得出的理论值是什么呢？

这里要引出卡方检验的公式：
结果
卡放值：15.58
自由度：1
置信度：95%
查表可得：因为15.58大于3.341 所以男性和女性广告点击存在显著差异；女性点击率高于男性
性别比例：男/女 = 377517/684251 = 1 : 1.81 ，女性用户占整体用户比例的64.44%，女性用户较多；产品曝光比例：男/女 = 33610/34085 = 1:1.01，曝光比例失衡。

总结：整体大盘女性用户数占比高于男性用户，且品牌商品更受女性用户群体喜爱，但女性用户该品牌商品广告投放比例远低于大盘女性用户整体占比，因此我们建议该商品应加大女性用户的广告投放。

b、分析年龄对该品牌商品点击率的影响

在这里插入图片描述
由图可知，该品牌商品主要投放用户群体年龄段为20～40岁，但此年龄段内用户点击率较低；50岁以上用户该品牌商品广告曝光次数较低，但点击率高达5.9% ；结合a,b分析我们推测该商品为50岁以上女性用户消费产品

c.大盘分年龄段用户分布

在这里插入图片描述
由上图可知20～50岁年龄段用户数占整体用户数比例 71.45%，占比相当高；我们分析这部分用户一般为上班族，经济收入稳定，对网购比较熟悉，是企业的核心用户。

结论：

由a,b可知，该品牌商品更受50岁以上女性用户青睐，对该部分用户可适当增加品牌商品的曝光次数，以获取这部分用户营收；
由c可知，20～50岁用户基数大，且网购消费理念较强，我们鼓励拉动这部分用户消费此类商品，故建议对该类商品增加妈妈、婆婆、父母礼物等字样关键字，引导消费者将此类商品作为礼物购买。

2.2 分析不同广告商品价位对点击率的影响

分析不同价格等级广告商品的点击率，分析哪些点击率高，哪些点击率低，影响因素是什么？

在这里插入图片描述

由上图可知，曝光的广告商品价位主要集中在0～200区间范围，且该区间广告点击率最高；分析点击该部分广告商品的用户特征，我们预测这部分用户为价格敏感型用户，且消费意愿强烈，我们做进一步验证，分析如下：

2.2.1 分析0～200价格区间广告商品点击率影响因素

a、0～200价格区间内用户性别分析

统计0～200价格区间内男女广告商品曝光次数、商品点击次数、点击率数值
在这里插入图片描述

统计整体大盘男女用户比例
在这里插入图片描述
该价格区间广告商品曝光次数比例：男性/女性 = 1 : 2.85
大盘整体的性别比例：男性/女性 = 1 ：1.81
由上边两图可知，此0~200价格区间内广告商品投放比例,女性用户投放比例远高于男性用户，女性用户点击率高于男性用户。

b、0～200价值区间广告商品点击用户年龄分析

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200917180556370.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3Npd2VpZ2Fv,size_16,color_FFFFFF,t_70#pic_center

c .大盘分年龄段统计用户数量

在这里插入图片描述
分析上图，0～10岁年龄区间用户量太少无分析价值，40岁以上用户，随着年龄的增加，0～200价位广告商品点击率逐渐上升，曝光量逐渐下降。

总结：

由a图表分析可得，0～200价格区间广告商品女性用户广告曝光率远高于男性，女性用户点击率高于男性用户，考虑到这是平台的营销策略，策略效果良好，应继续加大女性用户此类广告商品的投放比例。
由b图表分析可得，随用户年龄增加，0～200价格区间广告商品点击率逐渐升高，但曝光次数逐渐下降；结合大盘整体用户数量，50～60岁年龄段用户数占比高于20～30岁年龄段，但曝光次数却小于20～30岁年龄段，建议减少20～30岁年龄段0～200价格区间广告商品投放，增加50～60岁年龄段0～200价格区间广告商品投放。
结合a,b图表分析可得，50岁以上女性用户，可适当增加产品折扣力度，降低商品价格，发放商品优惠券等促销行为，促使用户点击转化为购买行为。

2.3 用户分群，针对特定用户群体，制定营销策略

对有相似消费习惯和消费价值的用户进行分群，针对不同的用户群体制定特定的广告投放策略；

这里我们选取用户广告点击率、购物深度、点击商品平均价格三个维度来衡量用户价值标准。
广告点击率——反应用户在平台的活跃程度
购物深度——体现用户在平台上的持续购物深度
点击商品价格均值——体现用户的潜在消费能力

2.3.1 用K-Means算法对用户进行聚类

示例代码如下：

import pandas as pd
import joblib
import numpy as np

#加载数据
#error_bad_lines忽略掉其中错乱行
ad_feature = pd.read_csv('ad_feature.csv') #广告商品信息
raw_sample = pd.read_csv('raw_sample.csv') #广告商品用户点击信息
user_info = pd.read_csv('user_profile.csv')#用户信息

ad_feature.describe() 
#price上四分位是352 下四分位是49 由公式上界 = Q3 - (Q3 - Q1) * K 下界 = Q1 - (Q3 - Q1)* K  K = 1.5得 
#上界 = 806.5 下界 = -405  这里我们定义上界800 下界0

temp_ad_feature = ad_feature[(ad_feature['price']> 0) & (ad_feature['price']< 800)][['adgroup_id','cate_id','brand','price']]

temp_ad_feature['price_level'] = pd.cut(list(temp_ad_feature['price']),8, labels=[1,2,3,4,5,6,7,8])
#temp_ad_feature.head()
#a = temp_ad_feature.groupby('adgroup_id').count()>1
#b = a[a['price']== 'True']

temp_user_info = user_info[['userid','final_gender_code','age_level','shopping_level']]
temp_user_info['final_gender_code'].isnull()
temp_user_info['shopping_level'].isnull()

temp_raw_sample = raw_sample[['user','adgroup_id','clk']]
temp_001 = pd.merge(temp_raw_sample,temp_user_info,how = 'inner',left_on = 'user',right_on = 'userid')[['userid','adgroup_id','final_gender_code','age_level','shopping_level','clk']]
temp_result = pd.merge(temp_001,temp_ad_feature,how = 'inner',on = 'adgroup_id')[['userid','clk','price','shopping_level']]

temp_002 =temp_result.groupby('userid').agg({'clk':['sum','count']}).reset_index()
                                                                                           
#tmp=tmp.groupby('serv_id').agg({'change_slot':['mean','std','min','max']}).reset_index()
#tmp.columns=['serv_id','avg_change_m','std_change_m','min_change_m','max_change_m']
temp_003 = temp_result.groupby('userid').agg({'price':['mean']}).reset_index()
temp_004 = pd.merge(temp_002,temp_003,how = 'inner',on = 'userid')
temp_004.columns = ['userid','clk_sum','clk_count','avg_price']
temp_005 = temp_result[['userid','shopping_level']].drop_duplicates()
temp_006 = pd.merge(temp_004,temp_005,how = 'inner',on = 'userid')
temp_006['clk_rate'] = round(temp_006['clk_sum']/temp_006['clk_count'] * 100,2)
temp_006['avg_price'] = round(temp_006['avg_price'],2)
Mid_result = temp_006[['userid','clk_rate','shopping_level','avg_price']]
#Mid_result['clk_rate'] = Mid_result['clk_rate'].map({1:'浅层用户',2:'中度用户',3:'深度用户'})

#Mid_result['clk_rate'] = Mid_result.loc[Mid_result['clk_rate']<'5.19','clk_rate'] = '低'
#Mid_result['clk_rate'] = Mid_result.loc[Mid_result['clk_rate']>='5.19','clk_rate'] = '高'

#Mid_result['avg_price'] = Mid_result.loc[Mid_result['avg_price']>='190.84','avg_price'] = '高'
#Mid_result['avg_price'] = Mid_result.loc[Mid_result['avg_price']<'190.84','avg_price'] = '低'
x = pd.DataFrame(Mid_result)
x.to_excel('RFM_model.xlsx')

import pandas as pd

k = 5 #聚类的类别
iteration = 500 #最大循环次数
data = pd.read_excel("RFM_model.xlsx",index_col="ID")
data = data.iloc[:,1:4] #1-3列是 R F M响应列的数据

data_zs = (data - data.mean())/data.std() #数据标准化  数据与均值的差值比上方差
 
from sklearn.cluster import KMeans
model = KMeans(n_clusters=k,n_jobs=4,max_iter=iteration) #并发数设为4
model.fit(data_zs) #开始聚类
 
#简单打印结果
r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心
r = pd.concat([r2,r1],axis=1) #1横向连接，0是纵向
r.columns = list(data.columns)+[u'聚类类别'] #重命名表头
print(r)

#详细输出原始数据及类别
r = pd.concat([data,pd.Series(model.labels_,index=data.index)],axis=1)
r.columns = list(data.columns)+[u'聚类类别']
r.to_excel("1.xlsx") 

import matplotlib.pyplot as plt

#RFM模型中三种变量在空间中分布特征
ax = plt.subplot(111,projection = '3d')
ax.scatter(r.iloc[:,0],r.iloc[:,1],r.iloc[:,2],c = r.iloc[:,3]) #绘制数据点
ax.set_xlabel('R')
ax.set_ylabel('F')
ax.set_zlabel('M') #坐标轴
plt.show()

聚类结果如下：
在这里插入图片描述

群体特征分析如下：
群体3 ——高挽留用户，用户不太活跃，但消费水平高，对高价商品抱有极大兴趣
群体5——重要发展用户，这类用户很活跃，对广告的接受度很高

2.3.2 用RFM模型对用户进行划分

--广告表
create table temp_ad_feature as
SELECT adgroup_id,
       cate_id,
       brand,
       CAST(price AS DECIMAL(12, 2)) price,
       case
         when CAST(price AS DECIMAL(12, 2)) < 100 then
          1
         when CAST(price AS DECIMAL(12, 2)) < 200 then
          2
         when CAST(price AS DECIMAL(12, 2)) < 300 then
          3
         when CAST(price AS DECIMAL(12, 2)) < 400 then
          4
         when CAST(price AS DECIMAL(12, 2)) < 500 then
          5
         when CAST(price AS DECIMAL(12, 2)) < 600 then
          6
         when CAST(price AS DECIMAL(12, 2)) < 700 then
          7
         when CAST(price AS DECIMAL(12, 2)) < 800 then
          8
       end price_level
  from ad_feature
 where CAST(price AS DECIMAL(12, 2)) < 800
   and cate_id is not null
   and price is not null;
--用户表
create table temp_user_profile as
select userid as user_id,
       case
         when final_gender_code = '1' then
          '男'
         when final_gender_code = '2' then
          '女'
         else
          null
       end gender,
       age_level,
       case
         when pvalue_level = '1' then
          '低档消费'
         when pvalue_level = '2' then
          '中档消费'
         when pvalue_level = '3' then
          '高档消费'
         else
          null
       end pvalue_level,
       case
         when shopping_level = '1' then
          '浅层用户'
         when shopping_level = '2' then
          '中度用户'
         when shopping_level = '3' then
          '深度用户'
         else
          null
       end shopping_level,
       occupation,
       new_user_class_level
  from user_profile;
#点击率均值、价格均值
create table temp_avg_clk_info as
 select round(sum(clk ::numeric) / count(1) * 100, 2) avg_clk_rate,
        round(avg(case
                    when clk = '1' then
                     price
                    else
                     null
                  end),
              2) avg_price
   from raw_sample t
  inner join temp_ad_feature a
     on t.adgroup_id = a.adgroup_id
  inner join temp_user_profile b
     on t.user_id = b.user_id;
#用户的均值（点击率、价格）
create table temp_user_clk_info as         
select t.user_id,
       shopping_level,
       round(sum(clk ::numeric) / count(1) * 100, 2) avg_clk_rate,
       round(avg(case
                   when clk = '1' then
                    price
                   else
                    null
                 end),
             2) avg_price
  from raw_sample t
 inner join temp_ad_feature a
    on t.adgroup_id = a.adgroup_id
 inner join temp_user_profile b
    on t.user_id = b.user_id
 group by t.user_id, shopping_level;
 create table temp_user_clk_info_01 as
 select user_id,
        shopping_level,
        case
          when avg_clk_rate > 5.19 then
           '高'
          else
           '低'
        end clk_rate,
        case
          when avg_price > 190.84 then
           '高'
          else
           '低'
        end price
   from temp_user_clk_info t;
   drop table temp_user_clk_info_02 ;
create table temp_user_clk_info_02 as
select user_id,
       case
         when clk_rate = '高' and price = '高' then
          '重要价值用户'
         when clk_rate = '低' and shopping_level in ('深度用户') and price = '高' then
          '重要发展用户'
         when clk_rate = '低' and shopping_level in ('中度用户', '浅层用户') and
              price = '高' then
          '重要挽留用户'
         when clk_rate = '高' and price = '低' then
          '一般价值用户'
         when clk_rate = '低' and price = '低' then
          '一般挽留用户'
       end pattern
  from temp_user_clk_info_01;

RFM模型聚类结果如下：
在这里插入图片描述
由上图分析，重要价值用户、重要发展用户、重要挽留用户三部分占总体用户的17.05%，这部分用户属于潜在高价值用户；一般价值用户、一般挽留用户两部分占总体用户的82.92%，这部分用户贡献了绝大部分广告点击；

总结：

重要价值用户——用户活跃度高、点击广告商品价位高，这部分用户对企业的潜在贡献价值很高，属于企业的优质用户

重要发展用户——用户活跃度较低，与企业交易很频繁，点击广告商品价位高，但存在一定的流失风险，该类高价值用户是企业利润的潜在来源

重要挽留用户——用户活跃度较低，与企业的交易频率较低，点击广告商品价位较高，这类用户有很高的潜在价值，可采取针对性营销手段吸引他们，提高其广告商品点击率

一般价值用户——用户活跃度高，点击广告商品价位低，购买能力有限，属于价格敏感型用户

一般挽留用户——用户活跃度低，点击广告商品价位低，该部分用户已无法立刻为企业产生价值

四、结论与建议

品牌342760广告商品50岁以上女性用户点击率最高，建议增加50岁以上用户商品曝光次数
20～50岁年龄段用户占整体用户71.45%，占比相当高，且这部分用户收入稳定，有较强网购理念，建议品牌342760商品增加妈妈、婆婆、父母礼物等关键字样，引导消费者购买
0～200价格区间商品女性用户广告曝光次数相较于男性用户，远高于女性用户人数占比；女性用户广告点击率高于男性，考虑到这可能是平台的营销策略，策略效果良好，应继续加大女性用户此类广告商品的投放比例。
随用户年龄增加，0～200价格区间广告商品点击率逐渐升高，但曝光次数逐渐下降；50～60岁年龄段用户数占比高于20～30岁年龄段，但曝光次数却小于20～30岁年龄段，建议减少20～30岁年龄段0～200价格区间广告商品投放，增加50～60岁年龄段0～200价格区间广告商品投放，由于该部分用户为价值敏感型用户，可适当发放红包，优惠券等，鼓励消费者购买商品
kmeans算法下的群体3点击广告商品价格高、交易频率适中，但该部分用户不太活跃；属于高挽留用户，运营应重点营销该部分潜在高价值用户
RFM模型下占比3.7%的重要发展、重要挽留用户属于潜在高价值用户，但存在一定的流失风险，可通过加大产品折扣力度或消息提醒，引导用户点击；

GW190

关注

4
点赞
踩
39

收藏

觉得还不错? 一键收藏
1
评论
阿里妈妈广告商品点击数据分析

阿里妈妈广告商品点击数据分析报告一、分析背景与目的数据源：[https://tianchi.aliyun.com/dataset/dataDetail?dataId=56]阿里妈妈势头发展迅猛，营销仍存在部分盲点；这是阿里妈妈的一份关于广告曝光次数和点击率的数据，我们希望通过分析，发现数据隐藏的增长点，为运营侧提供策略建议；评价广告的一个关键指标是广告点击数，点击数反应该广告对大众的吸引力，只有发生点击行为，才会有后边我们希望的购买行为；点击次数 = 广告的曝光次数*点击率广告的曝光次数无法干
复制链接

扫一扫