Facebook广告投放数据分析
现如今，Facebook无疑是许多商家进行投放广告最青睐的原生广告平台之一。用户可以根据一 系列属性建立，包括性别，年龄，地点和兴趣，同时广告商可以创建Facebook广告，然后为该广告或广告组创建“受众”，从而广告商可以针对特定受众，适当地定制内容。然而广告投放商想要实现更加精准的投放，需要利用数据分析判断广告效果是否达到预期，以及利用广告数据找到目标受众，不断优化广告。
现从广告投放商的角度，对广告数据进行分析，找到精准的受众群体，从而不断对广告进行优化。
数据字段解释
| 字段 | 字段解释 |
| ad_id | 每个广告的唯一标识 |
| xyz_campaign_id: | xyz 公司的每次广告活动的唯一标识 |
| fb_campaign_id | facebook 用来跟踪每次广告活动的唯一标识 |
| age | 广告展示对象的年龄 |
| gender | 广告展示对象的性别 |
| interest | facebook 用户的兴趣标签，也就是 facebook 用户的个人主页所显示的兴趣标签 |
| Impressions | 广告曝光次数 |
| Clicks | 广告点击次数 |
| Spent | xyz 公司为每次广告展示向 facebook 支付的费用 |
| Total conversion | 用户看到广告之后向 xyz 公司咨询产品的次数 |
| Approved conversion | 用户看到广告之后购买产品的次数 |
分析思路
从业务角度看，我们希望这些数据可以用来改善业务绩效。但是在不了解公司的营销策略与活动目标的情况下，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：
成本费与浏览量、点击量、购买量的关系如何？三支广告组各自的成效如何？三个广告组受众在三个维度下的ROAS与浏览量对比如何？
数据导入
import pandas as pd
import numpy as np
guang_gao_data=pd.read_csv(r'E:\practice_xm\guanggao_toufang\Facebook 广告投放数据.csv')数据预处理
#数据统计
guang_gao_data.describe()
#重复值与空值的总数
guang_gao_data.duplicated().sum()
guang_gao_data.isnull().sum()此数据无重复值和空值。Clicks列最小值为0，但Total_Conversion列最小值大于0。查看Clicks列为0的数据。
guang_gao_data[guang_gao_data['Clicks']==0]数据共207条，spent列也为0。当作异常数据并删除。
basic_data=guang_gao_data.drop(index=guang_gao_data[(guang_gao_data['Clicks']==0].index)查看数据类型，无其它异常发现，导出数据
basic_data.info()
basic_data.to_csv(r'E:\practice_xm\guanggao_toufang\basic_data.csv')数据分析
由于数据量并不多，直接使用tableau进行数据分析
第一个问题：ROAS与浏览量、点击量、购买量的关系如何？
可以看出广告成本费与获得的浏览量和点击量之间有很强的相关性，广告成本费越高，浏览量和点击量越多；而广告成本费和购买量没有太强的相关性。
所以当加大广告的成本投入时可以提升浏览量和点击量。
第二个问题：三支广告组各自的成效如何？
由上图可以看出，1178组广告的投放成本最高且远超另外两组，也因此带来了大量的浏览量、点击量、咨询量和购买量。但是它的转换率是三组中最低的，且ROAS也是最小的。
916组广告的投资成本是最低的只有149.71，但是它的转换率和ROAS也是三组最高的。
936组广告的点击率高于916组，但是咨询转换率和购买转换率却低于916组，ROAS虽然不如916组但也是1178组的2倍多。
第三个问题：三个广告组受众在三个维度下的ROAS与浏览量对比如何？
1178广告组受众在三维度上浏览量与ROAS对比分析
1178广告组在性别维度上男性的浏览量不如女性，但是ROSA占比大于女性。其中女性45-49年龄段的浏览量占比虽然最大但ROAS却是最低的。30-34年龄段的总浏览量浏览量多，ROAS占比也大。 
在兴趣标签的拆分下，可以看出45-49年龄段在各兴趣标签的浏览量虽多，但只有男性45-49年龄段的36号和105号标签的ROAS占比明显；男性30-34年龄段在102和103的ROAS占比大，但浏览量占比极小。104号的男性40-44年龄段的ROAS占比最大，浏览量极小。
建议：
45-49年龄段的各个兴趣标签虽多总浏览量占比极大，但是ROAS占比极小，只有男性45-49年龄段的36号、105号标签的浏览量占比极低，但ROAS占比很大，建议减少45-49年龄段的其他兴趣标签，加大对男性45-49年龄段的36号、105号标签的受众群体投放。
30-34年龄段的投放量最大，ROAS占比也最大，但是只有男性在101、102、112号标签的浏览量占比极低而ROAS占比极高。建议减少这个年龄段的其他投放，加大男性101、102、112号标签这三类受众群体的投放。
916广告组受众在三维度上浏览量与ROAS对比分析
916广告组受众在性别维度上女性的浏览量不如男性，但是ROAS却是男性的2倍多，其中女性40-44年龄段的浏览量占比极低但ROAS却是最高的。 女性30-34年龄段的占比最大但ROAS是最低的。
在兴趣标签的拆分下，可以看出15号标签的女性40-44年龄段的浏览量极低但ROAS最大。16号标签的女性30-34年龄段浏览量虽然多，但是ROAS最低，相反在32号的浏览量极低，但ROAS却仅比女性40-44年龄段低。
这组的广告投放有很大的偶然性，15号标签的女性40-44年龄段的ROAS几乎占据了整个ROAS的一半多。
建议：
兴趣标签15号女性40-44年龄段、27号女性35-39年龄段、32号女性30-34年龄段、21号男性45-49年龄段、29号男性35-39年龄段的浏览量占比极低但是ROAS占比却很高。建议加大对这几类受众群体的投放成本增加其浏览量。
兴趣标签16号女性30-34年龄段、16号男性45-49年龄段的浏览量虽然高但是ROAS却极低，建议减少对这两类受众群体的投放成本。
936广告组受众在三维度上浏览量与ROAS对比分析
936广告组在性别维度上男性的浏览量不如女性，但是ROAS却是女性的2倍多。其中女性45-49年龄段的浏览量占比虽然是最大的但是ROAS占比是最小的。男性35-39、40-44的浏览量占比虽低但ROAS占比却高。
在兴趣标签的拆分下，可以看出女性45-49年龄段的10、16、29号兴趣标签的浏览量占比大，但是ROAS占比极低。19号女性45-49年龄段、31号女性35-39年龄段的浏览量占比极低，但是ROAS占比极高。
建议：
女性45-49年龄段的16号、10号、26号、29号兴趣标签的浏览量占比虽大但ROAS占比极低，建议减少这类群体的投放成本。
女性45-49年龄段的19号兴趣标签、女性31号35-39年龄段以及男性35-39年龄段的22、24号兴趣标签的浏览量占比极低，但ROAS占比高。建议加大这几类受众群体的投放成本。
总结
1.了解了三支广告组的投放成效及KPI表现情况。
2.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
3.广告组916组的成功具有很大的偶然性，在不考虑优化转化率，仅以对合适的受众群体加大投放成本，增加浏览量的情况下，可以加大对浏览量占比低但ROAS占比高的受众的投放成本，减小浏览量占比大但ROAS占比小的受众的投放成本。
结尾
道随时移，广告投放需要不断进行调整优化，在实际业务场景中应该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，有一套清晰的数据指标体系，这样才能在特定问题中深入数据，从而做出适当的决策。