Pour les petits clients (ainsi que pour les clients avec une analyse multicanal complexe), je surveille le CPC pur (clics, CTR, coût par clic, rebond).
Tâche : comprendre quel rk fonctionne plus efficacement et, sur cette base, modifier les taux.
Pour ce faire, j'utilise le coût par clic utile (CUC) dans l'analyse. Cette métrique prend en compte le coût par clic et le taux de rebond.
Formule : coût / clics * ((100-BounseRate) / 100)
Je vais vous expliquer dans un langage simple:
Nous avons obtenu 200 clics pour 2000₽, soit un taux de rebond de 20%. Clics si utiles que nous avons acheté 80 pièces,
2000₽ / 80 = 25₽
En outre, cette statistique permet d'analyser les statistiques dans de petits échantillons, où vous ne pouvez pas décider des conversions.
À l'entrée, nous devrions déjà avoir un DataFrame fini avec des statistiques du système de publicité.
Saisissez une nouvelle colonne dans les statistiques.
Python n'effectue pas d'opérations mathématiques de la même manière qu'en mathématiques, par conséquent, nous effectuerons chaque action sur une ligne distincte:
#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']
Nous obtenons ce qui suit:
En regardant cet indicateur, nous pouvons voir des faiblesses en quelques secondes.