Facebook广告投放数据分析

        现如今，Facebook无疑是许多商家进行投放广告最青睐的原生广告平台之一。用户可以根据一 系列属性建立，包括性别，年龄，地点和兴趣，同时广告商可以创建Facebook广告，然后为该广告或广告组创建“受众”，从而广告商可以针对特定受众，适当地定制内容。然而广告投放商想要实现更加精准的投放，需要利用数据分析判断广告效果是否达到预期，以及利用广告数据找到目标受众，不断优化广告。

现从广告投放商的角度，对广告数据进行分析，找到精准的受众群体，从而不断对广告进行优化。

数据字段解释

字段	字段解释
ad_id	每个广告的唯一标识
xyz_campaign_id:	xyz 公司的每次广告活动的唯一标识
fb_campaign_id	facebook 用来跟踪每次广告活动的唯一标识
age	广告展示对象的年龄
gender	广告展示对象的性别
interest	facebook 用户的兴趣标签，也就是 facebook 用户的个人主页所显示的兴趣标签
Impressions	广告曝光次数
Clicks	广告点击次数
Spent	xyz 公司为每次广告展示向 facebook 支付的费用
Total conversion	用户看到广告之后向 xyz 公司咨询产品的次数
Approved conversion	用户看到广告之后购买产品的次数

分析思路

从业务角度看，我们希望这些数据可以用来改善业务绩效。但是在不了解公司的营销策略与活动目标的情况下，我们不知道哪个关键绩效指标最重要。 所以我们将假定这是一个电子商务公司，专注于利润最大化。

本次分析聚焦的问题： 

成本费与浏览量、点击量、购买量的关系如何？三支广告组各自的成效如何？三个广告组受众在三个维度下的ROAS与浏览量对比如何？

数据导入

import pandas as pd
import numpy as np

guang_gao_data=pd.read_csv(r'E:\practice_xm\guanggao_toufang\Facebook 广告投放数据.csv')

数据预处理

#数据统计
guang_gao_data.describe()
#重复值与空值的总数
guang_gao_data.duplicated().sum()
guang_gao_data.isnull().sum()

此数据无重复值和空值。Clicks列最小值为0，但Total_Conversion列最小值大于0。查看Clicks列为0的数据。

guang_gao_data[guang_gao_data['Clicks']==0]

数据共207条，spent列也为0。当作异常数据并删除。

basic_data=guang_gao_data.drop(index=guang_gao_data[(guang_gao_data['Clicks']==0].index)

查看数据类型，无其它异常发现，导出数据

basic_data.info()
basic_data.to_csv(r'E:\practice_xm\guanggao_toufang\basic_data.csv')

数据分析

由于数据量并不多，直接使用tableau进行数据分析

第一个问题：ROAS与浏览量、点击量、购买量的关系如何？

可以看出广告成本费与获得的浏览量和点击量之间有很强的相关性，广告成本费越高，浏览量和点击量越多；而广告成本费和购买量没有太强的相关性。

所以当加大广告的成本投入时可以提升浏览量和点击量。

第二个问题：三支广告组各自的成效如何？

由上图可以看出，1178组广告的投放成本最高且远超另外两组，也因此带来了大量的浏览量、点击量、咨询量和购买量。但是它的转换率是三组中最低的，且ROAS也是最小的。

916组广告的投资成本是最低的只有149.71，但是它的转换率和ROAS也是三组最高的。

936组广告的点击率高于916组，但是咨询转换率和购买转换率却低于916组，ROAS虽然不如916组但也是1178组的2倍多。

第三个问题：三个广告组受众在三个维度下的ROAS与浏览量对比如何？

 1178广告组受众在三维度上浏览量与ROAS对比分析

 1178广告组在性别维度上男性的浏览量不如女性，但是ROSA占比大于女性。其中女性45-49年龄段的浏览量占比虽然最大但ROAS却是最低的。30-34年龄段的总浏览量浏览量多，ROAS占比也大。

 在兴趣标签的拆分下，可以看出45-49年龄段在各兴趣标签的浏览量虽多，但只有男性45-49年龄段的36号和105号标签的ROAS占比明显；男性30-34年龄段在102和103的ROAS占比大，但浏览量占比极小。104号的男性40-44年龄段的ROAS占比最大，浏览量极小。

建议：

45-49年龄段的各个兴趣标签虽多总浏览量占比极大，但是ROAS占比极小，只有男性45-49年龄段的36号、105号标签的浏览量占比极低，但ROAS占比很大，建议减少45-49年龄段的其他兴趣标签，加大对男性45-49年龄段的36号、105号标签的受众群体投放。

30-34年龄段的投放量最大，ROAS占比也最大，但是只有男性在101、102、112号标签的浏览量占比极低而ROAS占比极高。建议减少这个年龄段的其他投放，加大男性101、102、112号标签这三类受众群体的投放。

 916广告组受众在三维度上浏览量与ROAS对比分析

 916广告组受众在性别维度上女性的浏览量不如男性，但是ROAS却是男性的2倍多，其中女性40-44年龄段的浏览量占比极低但ROAS却是最高的。 女性30-34年龄段的占比最大但ROAS是最低的。

 在兴趣标签的拆分下，可以看出15号标签的女性40-44年龄段的浏览量极低但ROAS最大。16号标签的女性30-34年龄段浏览量虽然多，但是ROAS最低，相反在32号的浏览量极低，但ROAS却仅比女性40-44年龄段低。

这组的广告投放有很大的偶然性，15号标签的女性40-44年龄段的ROAS几乎占据了整个ROAS的一半多。

建议：

 兴趣标签15号女性40-44年龄段、27号女性35-39年龄段、32号女性30-34年龄段、21号男性45-49年龄段、29号男性35-39年龄段的浏览量占比极低但是ROAS占比却很高。建议加大对这几类受众群体的投放成本增加其浏览量。

兴趣标签16号女性30-34年龄段、16号男性45-49年龄段的浏览量虽然高但是ROAS却极低，建议减少对这两类受众群体的投放成本。

 936广告组受众在三维度上浏览量与ROAS对比分析

 936广告组在性别维度上男性的浏览量不如女性，但是ROAS却是女性的2倍多。其中女性45-49年龄段的浏览量占比虽然是最大的但是ROAS占比是最小的。男性35-39、40-44的浏览量占比虽低但ROAS占比却高。

 在兴趣标签的拆分下，可以看出女性45-49年龄段的10、16、29号兴趣标签的浏览量占比大，但是ROAS占比极低。19号女性45-49年龄段、31号女性35-39年龄段的浏览量占比极低，但是ROAS占比极高。

建议：

女性45-49年龄段的16号、10号、26号、29号兴趣标签的浏览量占比虽大但ROAS占比极低，建议减少这类群体的投放成本。

女性45-49年龄段的19号兴趣标签、女性31号35-39年龄段以及男性35-39年龄段的22、24号兴趣标签的浏览量占比极低，但ROAS占比高。建议加大这几类受众群体的投放成本。

总结

1.了解了三支广告组的投放成效及KPI表现情况。
2.广告费用与浏览量和点击量呈正相关，广告支出越多，浏览量和点击量越高
3.广告组916组的成功具有很大的偶然性，在不考虑优化转化率，仅以对合适的受众群体加大投放成本，增加浏览量的情况下，可以加大对浏览量占比低但ROAS占比高的受众的投放成本，减小浏览量占比大但ROAS占比小的受众的投放成本。

结尾

道随时移，广告投放需要不断进行调整优化，在实际业务场景中应该结合业务部门的各项指标来分析，理解业务逻辑和业务模型，有一套清晰的数据指标体系，这样才能在特定问题中深入数据，从而做出适当的决策。