第

6章

數(shù)字廣告投放及效果分析SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS01案例引入02數(shù)字廣告概述03數(shù)字廣告數(shù)據(jù)分析04數(shù)字廣告效果分析05Deepseek實訓(xùn)Part1案例引入案例引入——豪士面包的神不知鬼不覺植入操作01Part2數(shù)字廣告概述02何為數(shù)字廣告?數(shù)字廣告是指通過互聯(lián)網(wǎng)和移動設(shè)備等數(shù)字渠道傳播的廣告形式，根據(jù)廣告的形式和內(nèi)容，數(shù)字廣告可以分為以下幾種類型：搜索引擎廣告社交媒體廣告原生廣告視頻廣告開屏廣告插屏廣告橫幅廣告02數(shù)字廣告類型——搜索引擎廣告

舉例

概念搜索引擎廣告是一種基于關(guān)鍵詞搜索的廣告形式，廣告主可以通過競價排名的方式，在搜索引擎的搜索結(jié)果頁面中展示廣告。當(dāng)用戶輸入與廣告相關(guān)的關(guān)鍵詞時，搜索引擎會將廣告顯示在搜索結(jié)果中，吸引用戶的點(diǎn)擊和轉(zhuǎn)化。谷歌AdWords和百度推廣是兩個常見的搜索引擎廣告平臺。當(dāng)用戶在搜索引擎上輸入與廣告相關(guān)的關(guān)鍵詞時，相關(guān)的廣告就會顯示在搜索結(jié)果頁面的頂部或側(cè)邊，吸引用戶點(diǎn)擊。02數(shù)字廣告類型——社交媒體廣告舉例概念社交媒體廣告是投放在社交媒體平臺的廣告形式。廣告主可以在社交媒體平臺上創(chuàng)建廣告賬戶，根據(jù)目標(biāo)受眾和預(yù)算進(jìn)行定向投放。社交媒體廣告可以以多種形式呈現(xiàn)，如文字、圖片、視頻等，吸引用戶的關(guān)注和互動。02數(shù)字廣告類型——原生廣告舉例概念原生廣告是通過模擬內(nèi)容形式和流程，與用戶產(chǎn)生一致性融合的廣告形式。它可以在網(wǎng)站或App等數(shù)字渠道的內(nèi)容中，以類似于自然內(nèi)容的形式呈現(xiàn)。原生廣告可以提高廣告的曝光度和接受度，減少用戶的抵觸感?！唵胃爬?，就是看起來不明顯，和產(chǎn)品環(huán)境融為一體的廣告。02數(shù)字廣告類型——視頻廣告舉例概念視頻廣告是通過視頻展示廣告內(nèi)容的廣告形式。它可以在電視、網(wǎng)絡(luò)視頻和移動設(shè)備等多種平臺上進(jìn)行投放。視頻廣告可以以拍攝、動畫等不同形式呈現(xiàn)，刺激用戶的視覺和聽覺等感官，提高廣告的影響力和品牌認(rèn)知度。這些廣告可以以各種形式呈現(xiàn)，從短片到完整的宣傳片，吸引用戶的視聽感官，傳達(dá)品牌信息。02數(shù)字廣告類型——開屏廣告舉例概念開屏廣告是全屏展示的廣告形式，在用戶進(jìn)入網(wǎng)站或App時自動彈出開屏廣告，其遮擋了網(wǎng)站或App的內(nèi)容，通常有一個關(guān)閉按鈕，圖中展示的是微博App的開屏廣告。開屏廣告可以在短時間內(nèi)吸引用戶的注意力，但也容易引起用戶的不滿和抵觸。02數(shù)字廣告類型——插屏廣告舉例概念插屏廣告是以全屏或半屏等形式展示廣告內(nèi)容的廣告形式，它可以在用戶操作網(wǎng)站或App時，以彈出窗口的形式進(jìn)行展示，彈出的可能是圖片、視頻或其他形式的廣告。插屏廣告通常有一個關(guān)閉按鈕，用戶可以選擇關(guān)閉或進(jìn)一步了解廣告內(nèi)容。02數(shù)字廣告類型——橫幅廣告舉例概念橫幅廣告是在網(wǎng)站或App頁面上以橫向條形的形式展示廣告內(nèi)容的廣告形式。橫幅廣告通常位于網(wǎng)站或App的頂部或底部，以文字、圖片或動畫等形式呈現(xiàn)。橫幅廣告可以在用戶瀏覽網(wǎng)站或App時，吸引用戶的注意力。網(wǎng)頁上的橫幅廣告通常顯示在內(nèi)容的上方或下方，并且可以是圖片廣告或動畫廣告。02數(shù)字廣告特點(diǎn)數(shù)字廣告特點(diǎn)效果個性化營銷

可以根據(jù)用戶的興趣、行為數(shù)據(jù)等信息，向特定目標(biāo)受眾投放定制的廣告內(nèi)容靈活性和實時性

數(shù)字廣告制作周期較短，可以及時調(diào)整廣告內(nèi)容、投放渠道和投放時間廣告效果可測量

通過數(shù)據(jù)分析工具可以提供詳細(xì)的廣告效果報告，包括展示量、點(diǎn)擊量、轉(zhuǎn)化率等指標(biāo)創(chuàng)意表現(xiàn)形式多樣

可以通過文字、圖片、視頻、動畫等多種方式來吸引用戶的注意力成本效益

數(shù)字廣告通常具有更低的投放成本和更高的投資回報率實時互動和反饋

提供了實時互動和反饋機(jī)制，使得企業(yè)可以與用戶進(jìn)行即時的溝通和互動跨平臺傳播

數(shù)字廣告可以在多個平臺上進(jìn)行傳播，如搜索引擎、社交媒體、移動應(yīng)用等可持續(xù)優(yōu)化基于詳細(xì)的廣告效果報告，企業(yè)可以進(jìn)行持續(xù)的廣告優(yōu)化和改進(jìn)02數(shù)字廣告推廣步驟定向投放廣告監(jiān)測和優(yōu)化廣告效果實時互動和反饋定期評估創(chuàng)作吸引人的廣告內(nèi)容定義目標(biāo)受眾123458選擇合適的廣告平臺制定廣告投放策略7602數(shù)字廣告推廣——定義目標(biāo)受眾目的

了解目標(biāo)受眾的特點(diǎn)、興趣和需求等信息，提高廣告的精準(zhǔn)度和針對性。舉例

華為品牌不同系列的手機(jī)對應(yīng)不同需求的人群nova系列、mate系列、P系列。市場調(diào)研和數(shù)據(jù)分析年齡性別地理位置興趣愛好消費(fèi)習(xí)慣建立清晰的用戶畫像02數(shù)字廣告推廣——選擇合適的廣告平臺目的

根據(jù)目標(biāo)受眾特點(diǎn)和廣告目標(biāo)，選擇合適的平臺進(jìn)行推廣以提高廣告的曝光度和點(diǎn)擊率。搜索引擎平臺社交媒體平臺視頻平臺常見廣告平臺02數(shù)字廣告推廣——制定廣告投放策略目的

根據(jù)不同的平臺和受眾特點(diǎn)，制定相應(yīng)的廣告投放策略。具體的廣告投放策略廣告預(yù)算、廣告形式、投放時間、頻次控制、確定清晰的廣告目標(biāo)競爭對手的廣告投放策略（注意差異化突出自身優(yōu)勢）2020年暑期6-8月暑期的集中投放時間投放平臺投放的Top素材投放文案的側(cè)重點(diǎn)相似處美團(tuán)外賣集中在7月份力推的“超級外賣節(jié)”以及夜宵大促活動投放各平臺的占比較為平均；長尾化程度較高投放的素材內(nèi)容更多體現(xiàn)商家/店鋪的賣點(diǎn)。更多關(guān)注菜品本身，同時注重餐飲商家品牌的展現(xiàn)更加強(qiáng)調(diào)如何促進(jìn)老用戶的活躍性，增加復(fù)購率。關(guān)鍵詞種草上，更加強(qiáng)調(diào)“網(wǎng)紅店”。兩者投放的素材均以圖片廣告為主，其占比超過9成。兩者在近期的獲客基本都在通過明星的影響力和粉絲效應(yīng)而帶動自身的熱度。兩款A(yù)pp同時會在其官方微信、微博平臺通過跨界營銷的方式持續(xù)提升自身的品牌曝光度。餓了么反觀《餓了么》在8月則聯(lián)合潮牌、綜藝、游戲廠商等舉辦了一系列“出圈”活動頭部化特點(diǎn)，其在巨量引擎且占比遠(yuǎn)超其余平臺；以頭條系媒體為主聚焦在C端并通過折扣與優(yōu)惠信息來吸引消費(fèi)者。更加注重平臺本身Logo的露出和打折優(yōu)惠信息。《餓了么》更加注重新用戶的獲取，如“首單”、“新用戶專享”頻繁出現(xiàn)。關(guān)鍵詞種草上，主打情懷牌，強(qiáng)調(diào)“家”、“童年”等人生重要記憶點(diǎn)。內(nèi)容來自熱云數(shù)據(jù)分析文章02數(shù)字廣告推廣——創(chuàng)作吸引人的廣告內(nèi)容目的

優(yōu)質(zhì)廣告內(nèi)容激發(fā)受眾興趣并深入人心。在設(shè)計廣告內(nèi)容時，要簡潔明了、富有創(chuàng)意，并與目標(biāo)受眾的價值觀和需求相契合。那些深入人心的廣告印象士力架：林黛玉守門員央視出品的公益類精品廣告：關(guān)愛老人系列、回家系列、環(huán)保公益、童年公益系列、社會主義核心價值觀系列……嘗試故事性元素、情感共鳴的方式02數(shù)字廣告推廣——定向投放廣告并檢測和優(yōu)化廣告效果目的

將廣告精準(zhǔn)地傳達(dá)給潛在用戶，提高廣告投放效果；根據(jù)數(shù)據(jù)分析結(jié)果，及時調(diào)整廣告投放策略，優(yōu)化廣告內(nèi)容和投放方式，提高廣告效果和回報率。一般過程利用廣告平臺提供的定向投放功能，根據(jù)用戶的興趣愛好、行為特征等信息進(jìn)行精準(zhǔn)定位。舉例

巨量引擎（面向B端客戶）、巨量千川（面向電商商家）數(shù)據(jù)分析工具和廣告平臺提供的數(shù)據(jù)報告，實時監(jiān)測廣告的展示量、點(diǎn)擊量、轉(zhuǎn)化率等指標(biāo)。舉例

千瓜數(shù)據(jù)、飛瓜數(shù)據(jù)、熱云數(shù)據(jù)ADI02數(shù)字廣告推廣——實時互動和反饋并定期評估目的

及時回復(fù)用戶的評論和問題，積極參與用戶互動，可以增加用戶對品牌的認(rèn)可度和信任感。企業(yè)通過互動和反饋了解用戶的需求和反饋，從而針對性地優(yōu)化廣告內(nèi)容和推廣策略，促進(jìn)用戶參與和品牌互動。

定期對廣告推廣效果進(jìn)行評估和分析，了解廣告的優(yōu)勢和不足。根據(jù)評估結(jié)果，及時調(diào)整廣告策略和推廣方案，優(yōu)化廣告投放效果，提高廣告的相關(guān)性和轉(zhuǎn)化率，持續(xù)評估和調(diào)整有助于提高廣告推廣的效果和回報率。

兩者貫穿廣告投放始終。Part3數(shù)字廣告數(shù)據(jù)分析03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況本章數(shù)據(jù)為阿里云天池提供的公開的淘寶網(wǎng)廣告展示/點(diǎn)擊數(shù)據(jù)，共有4個數(shù)據(jù)列表（1）raw_sample數(shù)據(jù)集是從淘寶網(wǎng)站中隨機(jī)抽樣了114萬用戶8天內(nèi)的廣告展示/點(diǎn)擊日志03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（2）廣告基本信息ad_feature數(shù)據(jù)集文件涵蓋了raw_sample中全部廣告的基本信息PS：其中一個廣告ID對應(yīng)一個商品，一個商品屬于一個類目，一個商品屬于一個品牌03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（3）用戶基本信息表user_profile文件涵蓋了raw_sample中所有用戶的基本信息03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（4）用戶的行為日志behavior_log文件涵蓋了raw_sample中所有用戶22天內(nèi)的購物行為03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（1）數(shù)據(jù)缺失值和重復(fù)值查詢importpandasaspd#讀取數(shù)據(jù)df=pd.read_csv(r'raw_sample.csv')users=pd.read_csv(r'user_profile.csv')ad=pd.read_csv(r'ad_feature.csv')bl=pd.read_csv(r'behavior_log.csv')#數(shù)據(jù)預(yù)處理#查詢?nèi)笔е祄issing_values_df=df.isnull().sum()print("raw_sample缺失值：\n",missing_values_df)通過

pd.read_csv()函數(shù)導(dǎo)入了4個CSV文件，分別是raw_sample.csv、user_profile.csv、ad_feature.csv、behavior_log.csv通過.isnull().sum()可以統(tǒng)計每個數(shù)據(jù)集中的缺失值數(shù)量03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（1）數(shù)據(jù)缺失值和重復(fù)值查詢duplicate_rows_df=df[df.duplicated()]print("raw_sample重復(fù)行：\n",duplicate_rows_df)duplicate_rows_users=users[users.duplicated()]print("ad_feature重復(fù)行：\n",duplicate_rows_users)duplicate_rows_ad=ad[ad.duplicated()]print("ad_feature重復(fù)行：\n",duplicate_rows_ad)duplicates_count_bl=bl.duplicated().sum()print("behavior_log重復(fù)行：",duplicates_count_bl)通過.duplicated()可以檢測重復(fù)行，并使用.sum()計算重復(fù)行的總數(shù)03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理缺失值#使用眾數(shù)填充缺失值pvalue_level_mode=users['pvalue_level'].mode()[0]users['pvalue_level'].fillna(pvalue_level_mode,inplace=True)new_user_class_level_mode=users['new_user_class_level'].mode()[0]users['new_user_class_level'].fillna(new_user_class_level_mode,inplace=True)'pvalue_level'(消費(fèi)檔次：1低2中3高)與'new_user_class_level'(城市層次)字段的屬性值為分類屬性.mode()[0]統(tǒng)計數(shù)據(jù)列中的眾數(shù).fillna將缺失值替換成眾數(shù)inplace=True在原數(shù)據(jù)上進(jìn)行修改，而非生成一個新的數(shù)據(jù)副本'brand'(品牌ID)字段為id類數(shù)據(jù)，可填充其上下條數(shù)據(jù)的值#用前一個數(shù)據(jù)對'brand'缺失的數(shù)據(jù)進(jìn)行填充ad.fillna(method='pad',inplace=True)method='pad'表示使用前一個非缺失值來填充當(dāng)前的缺失值03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理缺失值03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理重復(fù)行#刪除重復(fù)行bl.drop_duplicates(inplace=True)#重新設(shè)置索引，從0開始bl.reset_index(drop=True,inplace=True)#刪除重復(fù)行bl.drop_duplicates(inplace=True)#重新設(shè)置索引，從0開始bl.reset_index(drop=True,inplace=True)drop_duplicates()識別和刪除重復(fù)行reset_index()用于重置索引drop=True表示丟棄原來的索引，用從0開始的連續(xù)整數(shù)索引替代查找缺失值與重復(fù)行填充缺失值再次查找缺失值刪除重復(fù)行重新設(shè)置索引數(shù)據(jù)導(dǎo)入總結(jié)03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率目的

提高廣告投放效果；提升用戶體驗和品牌認(rèn)知度①廣告角度廣告角度將從廣告投放渠道、廣告投放時間、廣告投放價格三個方面分析計算整體廣告點(diǎn)擊率#查看整體廣告點(diǎn)擊率clk_per=df.clk.sum()/1000000*100print(clk_per)df.clk.sum()：對raw_sample里clk列的所有值進(jìn)行求和輸出結(jié)果：4.9493%03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率①廣告角度廣告投放渠道raw_sample文件中的‘pid’字段——“資源位”資源位通常是一種受歡迎的廣告展示位置，通常由平臺或網(wǎng)站的所有者或管理者提供，并且這些位置往往被認(rèn)為是有較高曝光度和流量的位置。種類位置路徑形式開屏頁APP打開前通常為滿屏海報或視頻彈屏頁APP內(nèi)彈出模態(tài)彈窗，可交互Banner頁首頁醒目位置通常為輪播圖Push手機(jī)消息頁面進(jìn)入后一般為長圖文內(nèi)容或H5頁03數(shù)字廣告數(shù)據(jù)分析廣告投放渠道#查看廣告投放渠道點(diǎn)擊率importmatplotlib.pyplotaspltimportseabornassnsfrommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)#設(shè)置字體sns.set_style("white")#設(shè)置Seaborn圖表樣式為簡潔白色背景plt.figure(figsize=(3,4),dpi=200)#創(chuàng)建圖表，寬3英寸高4英寸，分辨率200dpix=df['pid'].unique()#獲取所有不同的投放渠道IDy=df.groupby(by=['pid'])['clk'].sum()/1000000#將資源位分組分別求點(diǎn)擊率

sns.barplot(x,y,palette='Oranges_r')#設(shè)置橫縱坐標(biāo)標(biāo)簽plt.xlabel('投放渠道',fontproperties=font)#設(shè)置x軸標(biāo)簽為"投放渠道"plt.ylabel('點(diǎn)擊率',fontproperties=font)#設(shè)置y軸標(biāo)簽為"點(diǎn)擊率"plt.show()#顯示圖形首先使用Seaborn庫繪制了一個柱狀圖，用于顯示不同廣告資源位的點(diǎn)擊率。通過df['pid'].unique()獲取了所有廣告資源位的唯一標(biāo)識，然后利用

groupby()函數(shù)按照廣告資源位分組，計算每個資源位的點(diǎn)擊率（點(diǎn)擊次數(shù)除以總曝光次數(shù)），最后使用Seaborn的

barplot()函數(shù)將資源位和對應(yīng)的點(diǎn)擊率繪制成柱狀圖。最終，通過調(diào)用plt.show()函數(shù)顯示生成的圖形。03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析首先按照小時數(shù)對數(shù)據(jù)進(jìn)行分組，并計算每個小時的點(diǎn)擊次數(shù)。接著，使用

Seaborn的條形圖函數(shù)barplot()繪制每個小時的點(diǎn)擊次數(shù)的柱狀圖，并將結(jié)果按照小時數(shù)進(jìn)行排序。廣告投放時間——一天時間段分析frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)df['hour']=pd.to_datetime(df['time_stamp'],unit='s').dt.hourdf['hour']=df['hour'].astype('int')#將小時數(shù)轉(zhuǎn)換為整數(shù)類型sns.set_style("white")plt.figure(figsize=(6,5),dpi=200)x=sorted(df['hour'].unique())#對小時數(shù)進(jìn)行排序y=df.groupby(by=['hour'])['clk'].sum()/1000000sns.barplot(x=[i+1foriinrange(len(x))],y=y,palette='GnBu')plt.xlabel('時間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析廣告投放時間——一周時間段分析frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)df['weekday']=pd.to_datetime(df['time_stamp'],unit='s').dt.weekdaydf['weekday']=df['weekday'].astype('int')#將周幾轉(zhuǎn)換為整數(shù)類型sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=sorted(df['weekday'].unique())#對周幾進(jìn)行排序y=df.groupby(by=['weekday'])['clk'].sum()/4000000sns.barplot(x=[i+1foriinrange(len(x))],y=y,palette='BuPu')plt.xlabel('一周時間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()從一天時間擴(kuò)展至一周時間，查看一周內(nèi)的廣告點(diǎn)擊率情況03數(shù)字廣告數(shù)據(jù)分析廣告投放價格-不同價格區(qū)間的廣告點(diǎn)擊率importnumpyasnpbins=[-float('inf'),200,400,600,800,1000,float('inf')]#定義價格區(qū)間的邊界，包含負(fù)無窮和正無窮作為邊界labels=['[0,200)元','[200,400)元','[400,600)元','[600,800)元','[800,1000)元','[1000,+∞)元']#定義標(biāo)簽#使用numpy的digitize函數(shù)將價格分類，并將結(jié)果放入新的'price_class'列中ad['price_class']=np.digitize(ad['price'],bins=bins,right=False)#將標(biāo)簽映射到新的列中ad['price_class']=ad['price_class'].map({i:labelfori,labelinenumerate(labels,1)})#連接ad_feature和raw_sample兩表，并計算不同價格區(qū)間中廣告的點(diǎn)擊率情況df_ad=df.merge(right=ad,on='adgroup_id',how='left')frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)PS：對廣告投放價格進(jìn)行分組，并分別計算不同價格區(qū)間的廣告點(diǎn)擊率情況03數(shù)字廣告數(shù)據(jù)分析廣告投放價格-不同價格區(qū)間的廣告點(diǎn)擊率#計算每個價格分類的廣告點(diǎn)擊率情況price_class_counts=df_ad['price_class'].value_counts()sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=df_ad['price_class'].unique()y=df_ad.groupby(by=['price_class'])['clk'].sum()/price_class_counts#計算每個價格分類中的點(diǎn)擊率plt.ylim(0,0.08)#設(shè)置Y軸范圍lineplot=sns.lineplot(x=y.index,y=y.values,marker='o')#繪制折線圖#在每個數(shù)據(jù)點(diǎn)上顯示數(shù)值fori,valinenumerate(y.values):lineplot.annotate(f'{val:.3f}',(y.index[i],val),textcoords="offsetpoints",xytext=(0,5),ha='center')plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析廣告投放價格-不同價格區(qū)間的廣告點(diǎn)擊率占比#計算每個價格分類點(diǎn)擊率在總體點(diǎn)擊率的占比情況sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=df_ad['price_class'].unique()y=df_ad.groupby(by=['price_class'])['clk'].sum()/1000000#繪制餅圖plt.pie(y,labels=x,colors=sns.color_palette('Blues_r'))plt.xlabel('價格區(qū)間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率目的

提高廣告投放效果；提升用戶體驗和品牌認(rèn)知度②用戶角度從用戶的角度分析廣告點(diǎn)擊率，總結(jié)有點(diǎn)擊行為的用戶特征，有助于篩選出廣告投放的目標(biāo)人群。本部分將從用戶性別、消費(fèi)檔次、購物深度、是否為大學(xué)生、年齡層次

5個方面展開03數(shù)字廣告數(shù)據(jù)分析用戶性別#連接user_profile和raw_sample兩表，篩選出有點(diǎn)擊廣告行為的用戶#數(shù)據(jù)預(yù)處理df.set_index(["user"],inplace=True)users['user']=users.useriduser_ac=pd.merge(df,users,right_on='user',left_index=True,how='outer')#合并user_ac.clk.replace(0,np.nan,inplace=True)#clk=0的替換為nan值user_ac.dropna(inplace=True)#刪除缺失值所在的行user_ac.clk.replace(0,np.nan,inplace=True)#確保'clk'列中不含有0值#用戶性別畫圖plt.figure(figsize=(4,4),dpi=200)x=user_ac['final_gender_code'].astype(int).unique()#轉(zhuǎn)換為整數(shù)類型y=user_ac.groupby(by=['final_gender_code']).size()sns.barplot(x,y,palette='Oranges_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()連接兩張數(shù)據(jù)表user_profile和raw_sample，篩選出有點(diǎn)擊廣告行為的用戶，查看其性別分布情況。首先將raw_sample數(shù)據(jù)表以用戶作為索引，與user_profile數(shù)據(jù)表按照用戶ID進(jìn)行合并，保留了兩表中共有的用戶信息，并且剔除了clk列為0的行，最后通過繪制柱狀圖展示了不同性別用戶的數(shù)量。03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析消費(fèi)檔次#消費(fèi)檔次畫圖plt.figure(figsize=(3,3),dpi=200)x=user_ac['pvalue_level'].astype(int).unique()y=user_ac.groupby(by=['pvalue_level']).size()sns.barplot(x,y,palette='Accent_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()

分析潛在用戶的購買能力，需要分析不同消費(fèi)檔次人群的廣告點(diǎn)擊情況。03數(shù)字廣告數(shù)據(jù)分析購物深度#購物深度plt.figure(figsize=(3,3),dpi=200)x=user_ac['shopping_level'].astype(int).unique()y=user_ac.groupby(by=['shopping_level']).size()sns.barplot(x,y,palette='GnBu')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)#設(shè)置縱坐標(biāo)范圍和刻度間隔plt.ylim(5000,160000)plt.yticks(range(5000,160000,50000))plt.show()

為了深入了解潛在用戶的購買意圖和行為模式，需要分析不同購物深度用戶的廣告點(diǎn)擊情況。03數(shù)字廣告數(shù)據(jù)分析是否是大學(xué)生#是否為大學(xué)生畫圖plt.figure(figsize=(4,4),dpi=200)x=user_ac['occupation'].astype(int).unique()y=user_ac.groupby(by=['occupation']).size()sns.barplot(x,y,palette='Oranges_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()

大學(xué)生群體具有獨(dú)特的消費(fèi)習(xí)慣和生活方式，其購買力和在線活躍度也較高。通過深入了解是否是大學(xué)生，廣告主能夠精準(zhǔn)定位目標(biāo)市場，調(diào)整廣告內(nèi)容和營銷策略以更好地滿足他們的需求和引起他們的興趣。03數(shù)字廣告數(shù)據(jù)分析年齡層次#年齡層次plt.figure(figsize=(4,4),dpi=200)frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=10)plt.figure(figsize=(4,4),dpi=200)x=user_ac['age_level'].astype(int).unique()y=user_ac.groupby(by=['age_level']).size()sns.barplot(x,y,palette='Blues_r')#設(shè)置橫坐標(biāo)標(biāo)簽plt.xticks(ticks=[0,1,2,3,4,5,6],labels=['60歲以上','51-60歲','41-50歲','31-40歲','26-30歲','18-25歲','18歲以下'],fontproperties=font,rotation=30)plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()PS：點(diǎn)擊用戶的年齡層次分布情況可以幫助廣告主更精確地理解目標(biāo)受眾特征，并針對不同年齡段的用戶設(shè)計和優(yōu)化廣告內(nèi)容，以增強(qiáng)用戶的關(guān)注度和互動性。03數(shù)字廣告數(shù)據(jù)分析圖示如下：02數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（2）廣告轉(zhuǎn)化率前面分析是基于廣告點(diǎn)擊率為指標(biāo)對比廣告效果（CPC相關(guān)），接下來將按用戶點(diǎn)擊后的行為作為指標(biāo)來進(jìn)行廣告效果對比分析，用戶點(diǎn)擊后的行為主要包括加入加購轉(zhuǎn)化率，收藏轉(zhuǎn)化率和購買轉(zhuǎn)化率（CPA相關(guān)）。03數(shù)字廣告數(shù)據(jù)分析（2）廣告轉(zhuǎn)化率frompyechartsimportFunnel#分析轉(zhuǎn)化率#統(tǒng)計每種btag值的數(shù)量btag_counts=bl['btag'].value_counts()print(btag_counts)#創(chuàng)建包含數(shù)據(jù)和列名的datadata=[['pv',3530621,3530621/3530621], ['fav',51711,51711/3530621], ['cart',88026,88026/3530621],['buy',49641,49641/3530621]]columns=['btag','count','percentage']btag=pd.DataFrame(data,columns=columns)使用Python中的Pyecharts庫來創(chuàng)建一個漏斗圖，用于分析轉(zhuǎn)化率。首先，通過統(tǒng)計behavior_log數(shù)據(jù)集中不同'btag'值的數(shù)量，將數(shù)據(jù)存儲在DataFrame中，計算每個'btag'值對應(yīng)的轉(zhuǎn)化率百分比03數(shù)字廣告數(shù)據(jù)分析（2）廣告轉(zhuǎn)化率#打印DataFrame的摘要信息print(())#提取列并計算百分比attrs=btag['btag'].tolist()attr_value=(np.array(btag['percentage'])*100).tolist()print(attrs)print(attr_value)#畫漏斗圖frompyechartsimportoptionsasoptsfrompyecharts.chartsimportFunnel#提取數(shù)據(jù)attrs=btag['btag'].tolist()attr_value=(np.array(btag['percentage'])*100).tolist()03數(shù)字廣告數(shù)據(jù)分析#繪制漏斗圖funnel_chart=(Funnel().add(series_name="",data_pair=list(zip(attrs,attr_value)), gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter="{a}<br/>:{c}%"),).set_global_opts(title_opts=opts.TitleOpts(title="漏斗圖示例")))#保存漏斗圖funnel_chart.render("funnel_chart.html")03數(shù)字廣告數(shù)據(jù)分析圖示如下：Part4數(shù)字廣告效果分析04數(shù)字廣告效果分析數(shù)字廣告指標(biāo)分析能夠幫助識別出對于評估廣告效果較為重要的指標(biāo)，以及如何運(yùn)用這些指標(biāo)分析廣告效果。數(shù)字廣告效果分析將綜合這些關(guān)鍵指標(biāo)，從廣告投放的整體層面分析多個指標(biāo)對廣告實際效果和業(yè)務(wù)成果的影響，為優(yōu)化廣告投放策略提供更深入的見解和指導(dǎo)。通過各類廣告渠道90天內(nèi)日均UV、平均注冊率、平均搜索量、訪問深度、平均停留時間、訂單轉(zhuǎn)化率、投放時間、素材類型、廣告類型、合作方式、廣告尺寸和廣告賣點(diǎn)等特征將渠道分類，找出每類渠道的重點(diǎn)特征，為業(yè)務(wù)討論和數(shù)據(jù)分析提供支持。04數(shù)據(jù)清洗與預(yù)處理數(shù)據(jù)勘探導(dǎo)入分析所需要的numpy、Pandas、matplotlib和sklearn庫，通過head()與info()方法獲取數(shù)據(jù)結(jié)構(gòu)和簡要摘要，隨后，使用isnull().any(axis=0)方法檢查每一列是否存在缺失值，使用duplicated()方法查找數(shù)據(jù)集中的重復(fù)行。倘若有缺失值，調(diào)用

dropna()方法刪除包含至少一個缺失值的行，確保數(shù)據(jù)集中的每一行都是完整的。然后，使用drop()方法刪除名為'Unnamed:0'的無用索引列。04數(shù)據(jù)清洗與預(yù)處理相關(guān)性分析由于數(shù)值型變量較多，可能會有一些特征是高度相關(guān)的。通過相關(guān)性分析，可以識別出這些高度相關(guān)的冗余特征。常用的數(shù)據(jù)相關(guān)性分析可視化工具則是熱力圖。熱力圖通過顏色深淺直觀呈現(xiàn)數(shù)據(jù)間的相關(guān)性強(qiáng)度，相較于純數(shù)字表格，其色塊矩陣能快速定位高相關(guān)或弱相關(guān)變量組合，尤其適合呈現(xiàn)多維數(shù)據(jù)的全局關(guān)聯(lián)模式。此外，漸變色階強(qiáng)化了對比度，便于識別極端值或異常區(qū)域，而視覺連續(xù)性設(shè)計則凸顯了數(shù)據(jù)分布趨勢，幫助觀察者無需逐行解析即可把握核心規(guī)律。.04數(shù)據(jù)清洗與預(yù)處理相關(guān)性分析色塊的顏色越深，表示數(shù)據(jù)間的相關(guān)性越強(qiáng)。這說明數(shù)值型變量相關(guān)性很高，平均停留時間與訪問深度相關(guān)性較大，考慮二者表達(dá)的含義相近，故刪除平均停留時間列，完成數(shù)據(jù)再處理.04數(shù)據(jù)清洗與預(yù)處理處理分類變量數(shù)據(jù)中存在“素材類型”“廣告類型”等分類變量，其取值為離散值（如“jpg”“橫幅廣告”等），且不同變量的取值范圍不同。大多數(shù)機(jī)器學(xué)習(xí)算法（如K-means聚類）僅能處理數(shù)值型數(shù)據(jù)，無法直接識別分類數(shù)據(jù)的語義信息，因此需將分類變量轉(zhuǎn)換為數(shù)值形式，以便模型學(xué)習(xí)。步驟：1.查看取值情況通過遍歷分類變量（如“素材類型”“廣告類型”等），打印其所有唯一取值，明確每個變量的可能取值范圍。例如，“素材類型”可能包含“jpg”“swf”“gif”等取值。2.獨(dú)熱編碼（One1-HotEncoder）原理：將每個分類變量的不同取值轉(zhuǎn)換為獨(dú)立的二進(jìn)制啞變量（0或1）。作用：消除分類變量取值的順序影響（如“jpg”和“swf”無高低之分），將分類信息轉(zhuǎn)換為機(jī)器可識別的數(shù)值特征。3.數(shù)值型特征歸一化方法：采用離差標(biāo)準(zhǔn)化（MinMaxScaler