信息流受众画像数据分析,你能看懂算我输!

  • A+
所属分类:SEM技术

  做广告优化这么久了,也看过不少广告后台的受众画像,总体来说,对广告数据分析和效果优化的参考价值有限,不过聊胜于无。

  究其原因,在于很多广告后台的受众画像数据,只告诉了我们看了广告的这部分人群是什么样的,而缺失了发生转化的这部分用户的画像数据。原因主要有两点:

  一是在大部分广告投放过程中,前后端数据是割裂的,换句话说,媒体能知道你花钱买的广告给了谁看,但一般不知道哪些人发生了转化;而甲方通过自己的监测,可以知道转化的用户是哪一部分,如果监测做得够好,也能知道这部分的人群画像,但人群画像的判定标准与媒体方可能存在差异,统计口径不一致,数据无法人工打通。

  二是媒体不愿意公开这么多的数据,甚至受众画像本身都有一定的问题。

  如今信息流优化已经成为业内交流的热点,优化创意、定向等已是老生常谈,唯独
受众画像的数据分析少有人提及,尚有可挖的地方。今天借此机会,和大家分享一种受众数据分析的思路。

  需要强调的是,接下来的广告数据分析有一个最基本的前提:假设媒体提供的数据和甲方监测的数据都是真实准确的。下面小编会以一个真实的案例和数据(今日头条,家装类)向大家介绍,如何用朴素贝叶斯的算法,对今日头条的受众画像进行数据挖掘和分析,从而实现精准定向下的转化率预测。

  1、朴素贝叶斯的原理

  每次提到贝叶斯定理,我心中的崇敬之情都油然而生,倒不是因为这个定理多高深,而是因为它特别有用。这个定理解决了现实生活里经常遇到的问题:已知某条件概率,如何得到两个事件交换后的概率,也就是在已知P(A|B)的情况下如何求得P(B|A)。比如,我知道发生转化的用户中,女性的比例是36%,那么当一个女性用户看到我的广告时,她有多大的可能性发生转化。

  这里先解释什么是条件概率:

  

信息流受众画像数据分析,你能看懂算我输!

  P(A|B)表示事件B已经发生的前提下,事件A发生的概率,叫做事件B发生下事件A的条件概率。其基本求解公式为:

  

信息流受众画像数据分析,你能看懂算我输!

  贝叶斯定理之所以有用,是因为我们在生活中往往遇到这种问题:可以不费力气地直接得出P(A|B),P(B|A)则很难直接得出,但其实我们更关心P(B|A),这时候,贝叶斯定理就为我们提供了从P(A|B)获得P(B|A)的道路。

  下面省略证明过程,直接给出贝叶斯定理,相信对高中数学还有印象的朋友对这个公式应该不陌生:

  2、朴素贝叶斯的数据挖掘原理

  下面以一个简单的例子,介绍朴素贝叶斯的数据挖掘原理。虽然样本量不多,但足以说明原理和思路。

  这里是一份受众画像数据,总共20笔数据,即代表20个UV。填写表单这一字段值为1的合计9笔,即发生转化的用户数为9。

  

信息流受众画像数据分析,你能看懂算我输!

  然后,我们把除了 ID(只是编号,对于挖掘没有价值)、省级地域(因为都是广东,对于挖掘没有价值)外的其他字段,做一个占比分布,如图所示:

  

信息流受众画像数据分析,你能看懂算我输!

  假设,我想知道 定向 X=(地级市="佛山",性别="男",年龄="18-23岁",兴趣分类="房产")的转化率,即我想求:P(填写表单="1" |
X)。

  直接是计算不出来的,回到上文提到的朴素贝叶斯,专门解决的就是这种问题,我只需知道P(X | 填写表单="1"),就可以通过公式得到P(填写表单="1"
| X)。

  具体的直接套公式得:

  P(填写表单="1" | X) = P(X | 填写表单="1") * P(填写表单="1") / P(X)

  同理可得,

  P(填写表单="0" | X) = P(X | 填写表单="0") * P(填写表单="0") / P(X)

  这里需要引出另外一个重要的公式,P(A,B)代表事件A与B同时发生的概率。

  当事件A与B的发生是各自独立时,P(A,B) = P(A|B) * P(B) =P(A)P(B)。

  因为,地级市、性别、年龄等这些字段(或定向)的发生可以理解为是各自独立的,所以P(X | 填写表单="1") = P(X ) *
P(填写表单="1") ,又P(X | 填写表单="1")= P(地级市="佛山",性别="男",年龄="18-23岁",兴趣分类="房产" |
填写表单="1")=P(地级市="佛山" | 填写表单="1") * P(性别="男" | 填写表单="1") * P(年龄="18-23岁" |
填写表单="1") * P(兴趣分类="房产" | 填写表单="1"),此时,看起来同样无法直接得到的P(X |
填写表单="1"),被拆分为看起来更简单的5个事件的概率的乘积。

  带入具体值,计算得:

  P(填写表单="1" | X) = P(X | 填写表单="1") * P(填写表单="1") / P(X)= (3/9 * 6/9 * 2/9 *
1/9)*0.45 / P(X) = 0.002469 /
P(X)...................................................①

  P(填写表单="0" | X) = P(X | 填写表单="0") * P(填写表单="0") / P(X)= (2/11 * 5/11 * 2/11
* 2/11)*0.55 / P(X) = 0.0015026 /
P(X)...................................................②

  接下来,遇到一个问题,P(X)是多少,不知道!不过不要紧,当定向 X的用户进来时,ta要么转化,要么不转化,所以

  P(填写表单="1" | X) + P(填写表单="0" | X)
=1...................................................③

  联立①②③,最终求出:

  P(填写表单="1" | X) = 62.2%

  P(填写表单="0" | X) = 37.8%

  所以,当定向为X时,朴素贝叶斯数据挖掘模型认为,该类用户的转化率在62.2%。

  3、朴素贝叶斯的数据挖掘的优势

  主流的数据挖掘算法,如神经网络、决策树等。多半依赖如表1所示的数据,每一个字段代表用户的不同维度,每一行代表一个独立用户的数据。但实际优化过程中,媒体方不可能提供如此详尽的受众画像数据,
但朴素贝叶斯不一样,对原始数据的要求略低,只需提供不同维度组合下的比例,而不必细化到每一个用户的情况。

  4、朴素贝叶斯的数据挖掘案例解读

  

信息流受众画像数据分析,你能看懂算我输!

  所有可能的输入字段对输出字段的重要性计算结果如下:

  

信息流受众画像数据分析,你能看懂算我输!

  一般经验来说,字段重要性小于0.1的字段可以不予纳入数据挖掘模型中。

  所以,目前根据有限的数据,”性别“这一字段,对于判断用户是否转化的帮助不大,故在接下来的数据挖掘模型中,输入字段包括:地级市、年龄、兴趣分类。

  开始做数据挖掘,具体原理这里不再赘述,直接给出结果。

  

信息流受众画像数据分析,你能看懂算我输!

  我们看到,数据挖掘显示,转化为1的最大概率是1.51%,此时的定向条件是”广州&(50岁以上)-母婴儿童“。而样本数据的整体转化率是37/13339
= 0.28%。

  下图是转化为1的概率分布,可以看到大于0.28%的数据约有25%,换句话说,基于朴素贝叶斯的用户数据挖掘,在324种定向组合中,找到了约四分之一的组合,可以使预估的转化率高于平均水平0.28%。随着数据量的增加,模型也会不断改进,对精准定向组合的转化率预测效能也会越来越好,将有限的广告费花在最有可能转化的用户上。

  

信息流受众画像数据分析,你能看懂算我输!

  下面考虑怎么将这一洞察,应用于广告投放,创造更高的ROI。比如制作针对性的创意、提高出价等等,这个方面各位都是老手了,就不在此赘述了。

  最后强调一句,受众画像的数据挖掘需要满足一定的条件,即要能区分转化和未转化的用户。

  • 我的小程序
  • 这是我的小程序扫一扫
  • weinxin
  • 我的熊掌号
  • 这是我的熊掌号扫一扫
  • weinxin
avatar

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: