案例：Facebook廣告投放數據分析（轉發）
Facebook是國外許多商家青睞的廣告平台之一，本文站在廣告商家角度，對投放效果進行數據分析，幫助商家找到問題所在，提高廣告投放效果
數據來源及字段解釋
該項目中使用的數據來自匿名組織的社交媒體廣告，包含11個變量中的1143個觀察值。數據來源於Kaggle：
提出問題
廣告投放行業主要業務指標
效果指標：
CTR=(Clicks / Impr)*100
諮詢轉化率=Total_con / Clicks
付費轉化率=Approved_con / Clicks
KPI指標：
CPM=(Spent / Impr) * 1000
CPC=Spent / Clicks
CPA=Spent / Approved_con
財務指標：
ROAS=Revenue / Spent
從業務角度來看，我們希望這些數據可以用來改善業務績效。在不了解公司的行銷策略或活動目標的情況下，我們不知道哪個關鍵績效指標最重要。所以我們將假定這是一個電子商務公司，專注於利潤最大化。本次分析聚焦的問題：
- 三支廣告組各自的效果如何？ （瀏覽量，點擊率，諮詢轉化率，付費轉化率）
- 三支廣告組各自CPM、CPC、CPA及ROAS指標表現如何？
- 用戶點擊量、轉化量與廣告花費是否成正相關？
- 從性別、興趣、年齡三個方面來看，如何改善投放效果？
數據分析
- 數據預處理
- 刪除重複數據選擇ad_id作為每一條數據的唯一標識，刪除重複數據，結果是未發現重複值。
- 觀察數據共11列，1143行， 無缺失值。 Clicks列為0，但Total_Conversion列大於0，可能是未統計到點擊次數，我們將這類數據作為異常值刪除。
- 由於此次數據集的轉化量沒有對應的收益，現在假設用戶諮詢一次收益5美元，用戶付費一次收益100美元。
- 三支廣告的廣告效果如何？ （瀏覽量，點擊率，諮詢轉換率，付費轉換率）
由上圖可以看出，該公司進行了3個系列的廣告投放，廣告組ID分別為916、936和1178。916投放了35個廣告，花費約149.71美元，促成了16次付費轉化；936投放了288個廣告，花費約2893.37美元，促成了118次付費轉化；1178投放了613個廣告，花費約55662.15美元，促成了869次付費轉化。
各行業之間的點擊率可能會有所不同，但2％是合理的基準。三支廣告的平均點擊率在基準水平，其中916和936的點擊率高於基準水平，而1178的點擊率較低；916的諮詢轉化率及付費轉化率最高，而1178的付費轉化率僅為5.21%。
- 三支廣告組各自CPM、CPC、CPA及ROAS指標表現如何？
三支廣告組中，916的ROAS最高，1178的CPA遠遠超過其他兩支廣告，同時ROAS僅有3.76，表現欠佳。
- 用戶瀏覽量、點擊量、轉化量及ROAS與廣告花費是否成正相關？
首先先看廣告費用的多少與瀏覽量、點擊量、付費次數，ROAS的關係，是不是廣告花費約多，這些指標就越高。這裡我們用散點圖：
正如我們期望的那樣，廣告費用與獲得的瀏覽量和點擊量之間有很強的相關性，廣告費用越高，瀏覽量和點擊量越多；而廣告費用和付費次數沒有太強的相關性。
從廣泛的數據概覽中，我們可以看到，廣告支出越多，獲得的瀏覽量和點擊量就越多，但這並沒有為我們提供具體可行的方案。在下一階段的分析中，我們將更詳細地研究特定的廣告組，並提供具體措施。我們選擇廣告組1178，首先因為它的投放量最多，擁有最多數據，且廣告花費最多，我們也希望能夠獲得更多轉化。其次，廣告組1178在ROAS分析中表現欠佳，我們將對它進行詳細分析並且提供一些投放優化建議。
- 從性別、興趣、年齡三個方面來看，目標受眾是否定位準確以及找出投入產出最大的是哪一部分群體，如何改善投放效果？
首先，我們來看整體性別與點擊量、廣告費用、付費次數及ROAS之間的關係
從圖中可以得知，對女性用戶的廣告花費遠高於男性，但ROAS較低，整體上可以適當增加對男性用戶的廣告投放。
整體年齡段與點擊量、ROAS之間的關係
45-49年齡段的點擊量最高，但ROAS最低，可以適當減少在45-49年齡段的投放；且30-34年齡段人群ROAS最高，可以增加對該年齡段的投放。
興趣標籤與點擊量、ROAS之間的關係。
ROAS排名前五的用戶興趣標籤為104、101、102、31和112，可以優先考慮投放具有這些興趣特徵的用戶。
前文已計算出點擊量與廣告費用呈正相關，而興趣標籤為29，16，10，27，28的點擊量非常高但ROAS並不理想，意味著廣告支出較多而收益較少，可以減少對具有這類興趣標籤用戶的廣告投放。
結合用戶的性別屬性，我們選取了三個興趣標籤進一步分析，提出優化建議，分別為點擊量多且ROAS表現較好的興趣標籤101；ROAS較好，但廣告費用相對較大的興趣標籤15；廣告支出較多但ROAS沒有達到理想效果的興趣標籤29。
從上面的結果來看，我們可以增加對興趣標籤為101的男性用戶的廣告預算，因為目前每1美元的支出能夠帶來30美元的收益。但這也可能是點擊量較少（17）的偶然現象，可以結合實際業務確定。
興趣標籤29的男女性用戶點擊量差別較小，但男性ROAS遠高於女性，建議增加對該興趣的男性用戶的廣告投放，減少對該興趣女性用戶的廣告投放。
為避免倖存者效應，對於點擊——諮詢——付費過程中的流失客戶需要進行流失原因分析。以下是根據用戶興趣標籤，分析各階段的轉化率
總結：
- 了解了三支廣告組的投放效果及KPI表現情況
- 廣告費用與瀏覽量和點擊量呈正相關，廣告支出越多，瀏覽量和點擊量越高
- 針對廣告組1178，整體上可以增加對男性用戶的廣告投放和30-34年齡段人群的投放；可以優先考慮投放興趣標籤為104、101、102、31和112的用戶，同時減少對興趣標籤為29，16，10，27，28用戶的投放
廣告投放需要不斷進行調整優化，根據數據分析結果優化投放後，需要再次從數據反饋中進行調整，判斷之前分析結果的準確性。實際業務中應結合業務部門的各項指標來分析，理解業務邏輯和業務模型，有一套清晰的目標，能夠在特定問題中深入數據，從而做出適當的決策。