广告投放数据分析怎么做(3个方面做好数据分析)

广告投放数据分析怎么做(3个方面做好数据分析)

  互联网时代,信息流广告越来越多。而信息流广告的投放以大数据测算为依托,同样的数据,不同的解读方式,在进行投放指导时会产生不同的效果。

  那么,如何正确解读数据就成为至关重要的事情。

  在进行时,我们往往会面对这样五种乱象。

  1、数据造假

  最常见也最简单的数据乱象是数据造假。

  当广告效果不佳时,为了应付广告主,让广告主满意,继续进行广告投放,投放方会对数据进行人为干预,从展现量到点击量等都进行一番美化,从而促使广告主继续进行广告投放。

  而随着数据造假的情况越来越常态,更多的广告主开始对广告投放进行监测。

  那么,当我们没有对广告投放进行监测的时候,我们要如何识别数据造假呢?

  首先,我们可以了解,分析一下自己行业的行情,与同行业的数据进行对比。假如数据非常好,就需要询问投放方,支持数据这么好的理由是什么?是创意非常好,还是定向特别准?更加得到的回复,考虑是否需要继续进行投放。

  然后,在了解投放背景的条件下,通过各个指标之间的耦合关系,对数据进行分析。

  在数据分析中,各个数据并非独立,而是相互影响的。比如,落地页影响着用户转化,转化率高,我们会认为落地页设计的好。但是,如果转化率非常好,进入落地页的用户却几乎不在落地页停留,这显然就是数据有问题了。点开落地页就立即实现转化的现象在信息流广告中几乎不会出现。

  最后,我们还可以参考其他的分析方法识别数据。比如:日常的数据高峰期都在上班下班的时间段,某天在凌晨两三点的时候却突然出现了高峰,这个时候我们就要对这个异常数据进行分析,了解它出现的原因。很多数据分布都是有规律的,如果出现异常数据,我们就要给予重视。

  2、指标定义不一

  所谓指标,就是说明总体数量特征的概念。

  很多公司都有自己的KPI投放指标,比如:通过展现量,点击量,转化率等作为指标,衡量信息流广告的投放效果。

  而指标的制定需要在一定的前提条件下才能够确定。通常是对时间,地点,范围等进行汇总后,计算出来的。

  比如,电商通常有一个日活跃度和月活跃度的指标,虽然名字一样,但标准有所不同。宽松的电商的定义是只要用户点击进入即可,严一点的定义是,点击进入后产生购买了才算,更严的则需要用户确认收货后才算活跃用户。因为标准不同,所以也就无法进行比较。只有指标的定义相同时,才能够进行比较和讨论。

  3、隐藏关键信息

  在别人想要说服你接受某个指标时,往往会出现隐藏关键信息的情况。

  比如:某个公司管理层以标杆管理的方式为广告投放定了一个KPI指标,说某某公司的ROI能够做到1:10,我们做到一样,甚至我们还比他好,所以我们也要做到。

  但是,我们完全不知道同行达到这个结果的原因是什么?是进行了大规模促销,还是选择了新的投放媒体?什么都不知道,怎么追赶超越?

  不知道投放背景,只看见投放结果,就盲目跟进,会给优化师带来巨大的工作困难。

  同时,在数据报告中,影响指标的因素也是多样的。比如,这个数据的增长是自然增长还是因为做了什么活动?是价格原因还是品牌因素造成的?不同的因素,评估的标准也有所不同。

  比如:在618期间,有个商家说自己的业绩非常好,一天的销售额高达六七百万,这个时候,我们肯定会觉得他的这个业绩非常好。

  但他可能没有告诉你,后续的退货率高达25%。退货率可以说是一个关键指标,卖出去很重要,但最重要的是用户接受并支付。忽略关键背景,只告诉你销售额,这样的数据是没有实际意义的。

  所以,在我们看见某个指标非常好或非常差时,不要急着下定论,搞清楚关键背景信息,才能够正确解读信息,做出正确决定。

  4、乱搞因果关系

  昨天给大家分享的文章中,吸尘器以地毯作为关键词,结果投放效果不好,这就是因为因果关系不成立。

  我们在进行数据解读时,往往只看到数据与数据的表面的联系,而没有探究事物之间的本质联系,以至于将因果关系和相关关系混淆,做出错误的投放决定。

  所以,我们在进行广告投放时,单纯地认定影响购买行为的是某个因素是错误的,我们要了解影响目标客户的各个相关因素,找到最根本的因素,针对性的做出创意设计,才能够使广告信息更精准的投放给用户。

  5、以局部论整体

  我们已经说过了,影响数据的因素非常多,但在进行数据分析时,往往看见一个或几个变量后,就认为造成数据变化的原因在这一个或几个方面,这样的做法得出的结果通常是片面的。

  对于投放效果的评估,我们要从多个因素进行考虑。

  从对产品产生兴趣,到对产品进行信息搜集,再到对产品品牌进行比较,最后产生购买,中间我们需要经过很多步骤,也会看到很多的产品广告信息,并受到这些信息的影响,但我们并没有为这些信息买单。那么,这些信息就没有存在的价值了吗?

  当然不是。我们一开始想要买这个产品就是受到了其中一则广告的影响,也是在各种广告信息的共同影响下,最终才会产生购买行为的。也就是说,我们的购买决策并不止受到最后一个广告的影响,媒介与媒介之间是有交互关系的。

  做过电商投放的朋友应该会有这样的经验,一些ROI不高的广告,我们觉得没什么用,去掉可以省些广告费,结果发现原来ROI好的几个广告渠道突然就不好了。这是因为在用户转化过程中,不同的渠道广告分别扮演者不同的角色。

  有的广告是为了打造品牌知名度,有的品牌是为了强化用户的品牌认知度,有的是为了促进销售,不同的广告有不同的投放需求。

  片面的评价某个渠道的投放效果不好,是不符合消费者的行为规律的。

  所以,在进行数据评估时,需要从多方面进行思考,看着这个广告是否是触发用户产生购买行为的某个因素,如果经过分析后,发现确实无法带来任何帮助,再考虑是否取消投放,不要单纯以转化率作为评估标准,草率决定。

  结合以上几种情况,这里分析3个数据分析的建议,希望能够给各位朋友带来帮助。

  1、切勿预设立场

  在进行数据解读时,不预设立场是最基本的要求。

  当我们在进行数据解读时预设了立场,我们就有可能只统计自己想统计的,用来证明自己的观点,而无法进行更全面的数据分析。

  比如:当我们认为开红色小轿车的是女性时,我们看见红色小轿车时就会关注司机是不是女性。在看见司机是女性时,我们会不自觉地更加坚定自己的想法。

  但是,数据分析并不是用数据证明自己的既有观点,而是从数据中找到KPI突破的方向和关键点。

  所以,在进行数据分析时,一定要保持中立态度,保持严谨的行为习惯,客观地对数据进行评价分析,洞察工作中存在的问题。

  2、从营销角度看数据

  在进行数据分析时,我们要从营销角度看待数据分析的作用。

  在信息流广告的转化效果不好时,不要一味地从展现量,点击量上找问题,要学会识别当下这个广告行为有效的前提是什么。

  举个例子:一个皮鞋代工厂的老板,以销售为目的进行信息流广告投放,中间对信息流广告进行了数次优化,投入几万块钱,但最后的结果却非常惨淡。

  从投放来看,这个老板已经把能做的都做到了,但就是没什么长进。

  而从营销角度来看,我们就可以找到原因了。

  皮鞋行业属于一个产能整体过剩的行业,而这个老板所投放的信息流广告只是将产品铺到消费者面前,这种方法在生产力落后的时代,自然效果不错,但现在这个商家的竞争者已经将自己的产品提前铺到客户面前了,论先来后到也是买他们的。所以,这个时候,单纯的铺货是无法达到销售目的的,只有经过调研分析,找到新的品类分化方向,抢占市场,才能够实现大量的用户转化。

  3、保持对数据的敏感

  在数据既定的情况下,分析者对数据的解读能力是影响数据发挥作用的主要因素。

  所以,在进行数据分析时,分析者一定要对数据变化敏感,更要对数据变化背后的原因敏感。

  比如:我们经常会看见一些APP在初期对用户提供非常大的补贴,但有的APP越做越大,有的却逐渐销声匿迹。同样的做法,不同的结果,造成这种情况的原因是什么呢?

  如果只看推广初期的转化分析,并不会有什么收获,因为结果是一样的。但如果对用户初次使用后的行为进行深度挖掘,我们会发现,凡是做大的APP,他的用户都会自发转介绍,主动为APP引流;而做的差的机会没有这种情况,或者效果很差。

  所以,在进行数据分析时,我们要保持敏感的好奇心,多问几个为什么:

  为什么产生这种结果?落地页为什么这样设计?为什么和预期相差这么多?造成这种结果的原因是什么?……

  只有比别人更快、更准确的找到突破点,才能更合理的运用这些信息,对接下来的营销推广活动进行指导,促进更高效的市场渗透。

推荐阅读