阿里妈妈广告商品点击数据分析

最新推荐文章于 2023-10-02 15:17:12 发布

GW190

最新推荐文章于 2023-10-02 15:17:12 发布

阅读量3.1k

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 =

最低0.47元/天解锁文章