广告投放数据分析报告（广告投放 数据分析）

中国广告行业现状及前景分析报告

广告行业总体向好，主要品类投放额保持稳定

国家市场监管总局最新数据显示，2019年度广告业总体向好，广告经营单位及广告从业人员结构经过调整，逐渐进入良性发展轨道。2019年，中国广告市场总体规模达到8674.28亿元，较2018年增长了8.54%。原因如下：一方面，AI、大数据、智能投放等创新技术的普及应用，不仅创生了一批独角兽营销平台，而且大幅拉低了广告投放门槛，拓宽了广告市场空间。另一方面，2019年主要品类的广告投放额总体保持稳定。

网民规模增长，互联网广告成为广告市场发展主导力量

目前，中国闹氏嫌网民增长进入了一个相对平稳的阶段，互联网在易转化人群和发达地区居民中的普及率已经达到较高水平，下一阶段中国互联网的普及将转向三四线城市及农村地区的居民。目前，随着移动互联网的繁荣发展，移动终端设备价格更低廉、接入互联网更方便等特性，为部分落后地区和难转化人群中的互联网推广工作提供了契机。

根据中国互联网络信息中心(CNNIC)发布的第44次《中国互联网络发展状况统计报告》，截至2019年6月，我国网民规模达8.54亿，普及率达61.2%，较2018年底提升1.6个百分点。

根据《中国互联网广告发展报告》数据显示，2010-2019年我国互联网广告市场呈现出逐年上升的发展趋势，增速呈现下降趋势。2019年我国互联液手网广告总收入约4367亿元人民币，相较上年核耐增长18.22%，增幅较2018年略有放缓，但仍保持增长的态势。

总体来看，随着社交环境趋于成熟及新社交工具的应用，线上线下融合趋于紧密，社交新品牌和基于个性化内容等的小微经济逐渐繁荣，涌现出一批颇为可观的小微品牌，成为广告主阵容的新增量。这不但弥补了大中企业预算缩减带来的广告增量减速，也为互联网广告的持续增长提供了可能。互联网营销冲击传统媒体的同时，也促进了广告市场的创新和产业升级。

——以上数据来源于前瞻产业研究院《中国互联网广告行业市场前瞻与投资战略规划分析报告》。

怎样做广告投放的数据分析？

您好很高兴为您服务，

第一步：根据已知数据及决策思路设计决策分析数据模型。

1、决策变量设置

根据已知数据，这里决策变量是各个广告媒体广告投放的数量，这里记为X1、X2、X3、X4、X5、X6。

2、目标函数设置

这里需要分析的目标是媒体的影响力，媒体影响力=媒体广告量*单位影响力，因此目标函数是MAX90X1+60X2+50X3+25X4+20X5+8X6。

3、约束条件坦磨设置

（1）要求广告触达人数为60万人，因此需要满足如下限制条件：

15000X1+8000X2+15000X3+8000X4+50000X5+3000X6》60

（2）电视广告数量要大于6个，因此要满足X1+X26。

（3）黄金电视广告数大于2，因此要满足X12。

（4）让拆斗电视广告预算要小于5万，因此要满足3000X1+1500X2》50000

（5）各媒体可提供广告数量要大于公司需求的广告数，因此要满足X1《10，X2《10，X3《14，X4《8，X5《25，御神X6《20，并且各个广告数都是不为0的非负整数。

淘宝平台广告点击数据分析报告

本篇数据分析报告全文约3900字，阅读大约需要10分钟

数据源： Ad Display/Click Data on Taobao.com

这是一份淘宝平台的广告展示/点击数据，本次分析需要从这些数据中发现某些规律或者异常，进而给运营团队提出建议

评价一个广告效果的指标就是广告的点击人数，可以反映一个广告有多少人愿意点击查看广告的内容，只有广告被点击，后续转化为购买行为才会发生。

把广告的点击人数指标拆分数汪：

广告点击人数=广告展示数 x 点击率

而广告展示数又由广告商品的价格、类别影响；不同人群对不同类别商品有着不同的喜好，从而影响广告的点击率。

在广告展示数一定的条件下，点击率的高低就是决定一个广告能否被更多人看到的因素。

因此本次分析就针对 【点击率】 这一因素进行分析

从“广告”和“用户”两个角度进行分析：

原始的数据集中包括三类数据，具体数据对应属性如下：

为了方便分析，抽取其中的部分字段作为分析。

从raw_sample数据集中抽取：用户ID、广告ID、是否点击

从ad_feature数据集中抽取：广告ID、类目ID、广告商品价格

从user_profile数据集中抽取：用户ID、年龄层、性别、购物层次

将三张数据表，组合到一张表中

得到一张记录了用户-广告信息表

1、源数据中还有许多的缺失值，将性别和年龄层字段中为空值的记录删去

2、查看数据薯灶仔中的异常值，并将异常值删去

查看广告商品价格字段的属性值范围：

还是存在数据值过大的异常值

为了方便分析对价格字段进行切分，选取更贴近日常生活的价格在1000元以内的广告记录进行分析

切片之后仍保留了751570条记录

对于广告商品价格字段，每个广告的商品都有各自的价格，根据价格字段不便于进行统计。新增一个字段“price_class”代表价格的区间。

（0-价格在0-100元、1-100-200元、2-200-300元...）

将广告按价格分为100元以下、200元以下、300元以下等10类，并计算不同价格区间中广告的点击率情况。

从图中发现，所有价格区间商品的点击率都在5%左右，其中广告商辩祥品价格在100元以下的广告点击率最高，为5.92%；

看到价格较低的广告商品点击率更高，我们一般认为是对价格敏感的浅层用户（免费用户）在这方面的点击率更高，而拥有一定消费行为和消费意识的中层、深层用户（付费用户）则更在意购物时的体验以及商品的质量。

为了验证以上说法，我们先假设100元以内的广告商品主要的点击对象是浅层用户，再通过数据验证。

查看点击了100元以内的广告商品的用户的用户组成

从用户分布可以看出，在点击了100元以内广告商品的用户中，深度用户的比例更高，占比81.6%，而浅层用户的占比则相对少很多。这推翻了我们原来的假设。

由于广告的类别数量众多，大部分类别的广告只有1-2次的展示，数据样本太小，因此选取展示数量最多的7个类别进行分析。

可以看出类别6261广告的展示数、点击数、点击率均为最高，而类别4385广告的展示数虽然有10000+，但是点击数、点击率却是最低的。

计算没有被点击的类别4385广告的商品的平均价格

而点击了类别4385广告的商品的平均价格为：

两者平均价格都在200-300区间、差异不大。结合分析（1），价格区间在200-300的广告商品点击率平均是在5.29%，而类别4385则只有3.61%。

这说明：广告商品价格不是影响类别4385广告点击率的因素

先来看看类别4385被哪些用户看到了

可以看出，类别4385的广告，主要是被推荐给了男性用户，而男性用户对这类商品的兴趣大于女性。

并且女性对这类商品的广告兴趣不高，点击率只有2.75%，是造成类别4385广告点击率低的主要原因。

来看看不同年龄段、不同性别的用户点击率有什么差异

（年龄字段含义：0:10岁以下、1:10-20岁、2:20-30岁、3:30-40岁、4：40-50岁、5:50-60岁、6：60岁以上）

从统计的数据可以看出，类别4385广告的商品主要点击群体是30岁以上男性用户，尤其是60岁以上男性兴趣最高，而女性用户对这类广告商品兴趣低。

结合a、b的分析，受30岁以上男性欢迎、价格在200-300的商品，推测是西装、皮鞋类或者烟酒类又或者是家用电器类商品

男女比例约为：1：1.6

男女广告点击数的比例约为：1：1.7

因此，总体上女性的点击数要多于男性，但两者的点击率基本一致。

可以看出，大部分类别中，女性的广告点击数都要明显大于男性的点击人数。

只有类别4385、类别4505，这两个类别的广告，男性的点击人数要超过女性的点击人数。

男女之间的主要差异是由类型6261的广告造成的，女性的点击数大约是男性的4倍。

不同的用户群体之间用户价值与消费习惯具有一定的差异，对于不同用户群体的广告投放的策略也不同。通过分析不同用户群体对广告点击率有什么关系，来制定不同的投放策略。

这里的分析通过K-Means算法来对用户进行聚类，并基于RFM模型来对用户价值进行划分。

这里选取用户的购物层次、广告点击率、浏览广告的商品平均价格，这3个指标来作为判断用户价值的标准

这里将所有用户分成5类，来代表用户价值的高低。

注：三个特征在聚类时都进行了特征的标准化

因此，我们可以出：群体5对广告的接受程度最高，非常愿意点击广告。群体2更喜好高价格的商品，对购买高价商品抱有极大兴趣。

根据用户在购物深度、点击率、观看广告商品的平均价格3个维度的表现，将用户划分为5类客户。

（1）重要保持用户

（2）重要发展用户

（3）重要挽留用户

（4）一般用户

（5）低价值用户

根据聚类结果，对应上述五类客户类型，进行匹配，得到客户群体的价值排名：

根据结果，我们可以发现5类用户的分布如图所示：

把上述的分析过程中的小结正例出来，得到分析结论，并综合所有的结论提出建议：