阿里广告平台，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：

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

2、用户维度

三、分析过程 1 数据清洗 1.1 数据概览

抽取用户ID、广告ID、时间、资源位、是否点击

抽取广告ID、广告商品类目ID、品牌ID

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

由图可知，品牌广告商品曝光次数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

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 = / = 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

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

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： 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？

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

统计整体大盘男女用户比例

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

c .大盘分年龄段统计用户数量

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： 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'

云衔科技是一家专注于企业数字化广告营销解决方案的服务商。公司凭借深厚的行业经验和专业技术能力，致力于为企业客户提供全方位、更高效的数字化广告营销与运营服务。