Für kleine Kunden (sowie für Kunden mit komplexer Mehrkanalanalyse) überwache ich den reinen CPC (Klicks, Klickrate, Cost-per-Click, Bounce).
Aufgabe : zu verstehen, welche rk effizienter arbeitet und auf dieser Grundlage die Raten zu bearbeiten.
Dazu verwende ich in der Analyse Cost Per Useful Click (CUC). Diese Metrik berücksichtigt die Kosten pro Klick und die Absprungrate.
Formel : Kosten / Klicks * ((100-BounseRate) / 100)
Ich werde in einfacher Sprache erklären:
Wir haben 200 Klicks für 2000₽, eine Absprungrate von 20%. Also wirklich nützliche Klicks haben wir 80pcs gekauft,
2000₽ / 80 = 25₽
Diese Metrik hilft auch bei der Analyse von Statistiken in kleinen Stichproben, bei denen Sie sich nicht für Conversions entscheiden können.
Bei der Eingabe sollten wir bereits einen fertigen DataFrame mit Statistiken aus dem Werbesystem haben.
Geben Sie eine neue Spalte in die Statistik ein.
Python führt mathematische Operationen nicht auf die gleiche Weise wie in der Mathematik aus. Daher führen wir jede Aktion in einer separaten Zeile aus:
#f['CUC'] = f['Cost']/f['Clicks']*((100-f['BounceRate'])/100) f['CUC'] = 100-f['BounceRate'] f['CUC'] = f['CUC']/100 f['CUC'] = f['Clicks']*f['CUC'] f['CUC'] = f['Cost']/f['CUC']
Wir bekommen folgendes:
Wenn wir uns diesen Indikator ansehen, können wir in wenigen Sekunden Schwächen erkennen.