Facebook广告投放数据分析
Facebook是国外许多商家青睐的广告平台之一，本文站在广告商家角度，对投放效果进行数据分析，帮助商家找到问题所在，提高广告投放效果
数据来源及字段解释
该项目中使用的数据来自匿名组织的社交媒体广告，包含11个变量中的1143个观察值。数据来源于Kaggle：https://www.kaggle.com/loveall/notebook
| 字段名 | 字段解释 |
|---|---|
| ad_id | 广告ID |
| xyz_campaign_id | XYZ公司广告活动ID |
| fb_campaign_id | Facebook跟踪每次广告活动的ID |
| age | 用户年龄 |
| gender | 用户性别 |
| interest | 用户兴趣所属类别的编号 |
| impressions | 广告展示量 |
| clicks | 广告点击量 |
| spent | 广告花费 |
| total conversion | 产品咨询次数 |
| approved conversion | 产品购买次数 |
提出问题
广告投放行业主要业务指标
效果指标：
CTR=(Clicks / Impr)*100
咨询转化率=Total_con / Clicks
付费转化率=Approved_con / Clicks
KPI指标：
CPM=(Spent / Impr) * 1000
CPC=Spent / Clicks
CPA=Spent / Approved_con
财务指标：
ROAS=Revenue / Spent
从业务角度来看，我们希望这些数据可以用来改善业务绩效。在不了解公司的营销策略或活动目标的情况下，我们不知道哪个关键绩效指标最重要。 所以我们将假定这是一个电子商务公司，专注于利润最大化。本次分析聚焦的问题：
- 三支广告组各自的效果如何？（浏览量，点击率，咨询转化率，付费转化率）
- 三支广告组各自CPM、CPC、CPA及ROAS指标表现如何？
- 用户点击量、转化量与广告花费是否成正相关？
- 从性别、兴趣、年龄三个方面来看，如何改善投放效果？
数据分析
- 数据预处理
- 删除重复数据选择ad_id作为每一条数据的唯一标识，删除重复数据，结果是未发现重复值。
- 观察数据共11列，1143行， 无缺失值。Clicks列为0，但Total_Conversion列大于0，可能是未统计到点击次数，我们将这类数据作为异常值删除。
- 由于此次数据集的转化量没有对应的收益，现在假设用户咨询一次收益5美元，用户付费一次收益100美元。
- 三支广告的广告效果如何？（浏览量，点击率，咨询转换率，付费转换率）
由上图可以看出，该公司进行了3个系列的广告投放，广告组ID分别为916、936和1178。916投放了35个广告，花费约149.71美元，促成了16次付费转化；936投放了288个广告，花费约2893.37美元，促成了118次付费转化；1178投放了613个广告，花费约55662.15美元，促成了869次付费转化。
各行业之间的点击率可能会有所不同，但2％是合理的基准。三支广告的平均点击率在基准水平，其中916和936的点击率高于基准水平，而1178的点击率较低；916的咨询转化率及付费转化率最高，而1178的付费转化率仅为5.21%。
-
三支广告组各自CPM、CPC、CPA及ROAS指标表现如何？
三支广告组中，916的ROAS最高，1178的CPA远远超过其他两支广告，同时ROAS仅有3.76，表现欠佳。 -
用户浏览量、点击量、转化量及ROAS与广告花费是否成正相关？
首先先看广告费用的多少与浏览量、点击量、付费次数，ROAS的关系，是不是广告花费约多，这些指标就越高。这里我们用散点图：
正如我们期望的那样，广告费用与获得的浏览量和点击量之间有很强的相关性，广告费用越高，浏览量和点击量越多；而广告费用和付费次数没有太强的相关性。
从广泛的数据概览中，我们可以看到，广告支出越多，获得的浏览量和点击量就越多，但这并没有为我们提供具体可行的方案。在下一阶段的分析中，我们将更详细地研究特定的广告组，并提供具体措施。 我们选择广告组1178，首先因为它的投放量最多，拥有最多数据，且广告花费最多，我们也希望能够获得更多转化。其次，广告组1178在ROAS分析中表现欠佳，我们将对它进行详细分析并且提供一些投放优化建议。
- 从性别、兴趣、年龄三个方面来看，目标受众是否定位准确以及找出投入产出最大的是哪一部分群体，如何改善投放效果？
首先，我们来看整体性别与点击量、广告费用、付费次数及ROAS之间的关系
从图中可以得知，对女性用户的广告花费远高于男性，但ROAS较低，整体上可以适当增加对男性用户的广告投放。
整体年龄段与点击量、ROAS之间的关系
45-49年龄段的点击量最高，但ROAS最低，可以适当减少在45-49年龄段的投放；且30-34年龄段人群ROAS最高，可以增加对该年龄段的投放。
兴趣标签与点击量、ROAS之间的关系。
ROAS排名前五的用户兴趣标签为104、101、102、31和112，可以优先考虑投放具有这些兴趣特征的用户。
前文已计算出点击量与广告费用呈正相关，而兴趣标签为29，16，10，27，28的点击量非常高但ROAS并不理想，意味着广告支出较多而收益较少，可以减少对具有这类兴趣标签用户的广告投放。
结合用户的性别属性，我们选取了三个兴趣标签进一步分析，提出优化建议，分别为点击量多且ROAS表现较好的兴趣标签101；ROAS较好，但广告费用相对较大的兴趣标签15；广告支出较多但ROAS没有达到理想效果的兴趣标签29。
从上面的结果来看，我们可以增加对兴趣标签为101的男性用户的广告预算，因为目前每1美元的支出能够带来30美元的收益。 但这也可能是点击量较少（17）的偶然现象，可以结合实际业务确定。
兴趣标签29的男女性用户点击量差别较小，但男性ROAS远高于女性，建议增加对该兴趣的男性用户的广告投放，减少对该兴趣女性用户的广告投放。
为避免幸存者效应，对于点击——咨询——付费过程中的流失客户需要进行流失原因分析。以下是根据用户兴趣标签，分析各阶段的转化率
总结：
- 了解了三支广告组的投放效果及KPI表现情况
- 广告费用与浏览量和点击量呈正相关，广告支出越多，浏览量和点击量越高
- 针对广告组1178，整体上可以增加对男性用户的广告投放和30-34年龄段人群的投放；可以优先考虑投放兴趣标签为104、101、102、31和112的用户，同时减少对兴趣标签为29，16，10，27，28用户的投放
广告投放需要不断进行调整优化，根据数据分析结果优化投放后，需要再次从数据反馈中进行调整，判断之前分析结果的准确性。实际业务中应结合业务部门的各项指标来分析，理解业务逻辑和业务模型，有一套清晰的目标，能够在特定问题中深入数据，从而做出适当的决策。