विज्ञापन अभियानों के लिए गैर-तुच्छ प्रदर्शन मीट्रिक

विज्ञापन चैनलों की श्रृंखलाओं का विश्लेषण करते समय, कुछ सरल, लेकिन उपयोगी विचारों पर ध्यान नहीं दिया जाता है। गणित से परिचित विश्लेषक तुरंत मशीन लर्निंग में खुद को विसर्जित करना चाहते हैं, जबकि गणित से दूर रहने वाले विश्लेषकों को वास्तव में यह समझ में नहीं आता है कि मानक Google Analytics रिपोर्ट से अलगाव में कहाँ और कैसे देखें।

एक ही समय में, इस तरह के एक बहुत ही सामान्य बात के रूप में एक अवधि के लिए गति श्रृंखलाओं के वितरण के रूप में आप बहुत स्पष्ट बातें बता सकते हैं, और न केवल अपने विज्ञापन की प्रभावशीलता के बारे में।

इस लेख में मैं दिखाऊंगा कि इस वितरण के लिए कैसे:

1. उन लोगों के बीच अंतर करने के लिए जो विज्ञापन चैनलों के माध्यम से जाते हैं उन उपयोगकर्ताओं को जो विज्ञापन का जवाब देते हैं;
2. इस समूह पर अपने विज्ञापन अभियान के प्रभाव की प्रभावशीलता का आकलन करें;
3. मूल्यांकन करने के लिए कि लोग आपके उत्पाद पर कैसे प्रतिक्रिया करेंगे यदि आप इसके बारे में सब कुछ जानते हैं जो आप उन्हें बताना चाहते थे;
4. रूपांतरण दर के संदर्भ में विज्ञापन प्रदर्शित करने की इष्टतम आवृत्ति का अनुमान लगाएं।

उपयोगकर्ता सगाई समूह

मान लीजिए कि आपके पास उन सभी चैनल श्रृंखलाओं का डेटा है, जो उपयोगकर्ता एक महीने में पास हुए हैं। शुरू करने के लिए, हम उन्हें दो समूहों में विभाजित करेंगे:

1. रूपांतरण में समाप्त होने वाले जंजीर।
2. जंजीरों ने रूपांतरण को समाप्त नहीं किया।

एक निश्चित लंबाई की जंजीरों की संख्या वाली तालिका बनाएँ:

चेन की लंबाई	1	2	3	4	...
रूपांतरणों की संख्या	200	400	600	1000	...
बिना रूपांतरण के वार्तालापों की संख्या	400000	300000	30000	7000	...

उसके बाद, आप उनकी लंबाई पर परिवर्तित और गैर-परिवर्तित श्रृंखलाओं के लघुगणक की साजिश कर सकते हैं और उन्हें एक साथ देख सकते हैं। उदाहरण के लिए, यहाँ हमने एक निश्चित समय के लिए अपने बी 2 सी ग्राहकों में से एक के लिए ऐसा शेड्यूल बनाया:


चित्र 1। श्रृंखला की लंबाई पर चेन की संख्या की निर्भरता

ग्राफ़ का प्रत्येक बिंदु उपयोगकर्ताओं के एक निश्चित समूह को परिभाषित करता है, जो विचाराधीन अवधि के दौरान, या तो रूपांतरण (ग्रीन लाइन) पूरा कर चुके हैं या किसी दिए गए लंबाई की एक श्रृंखला को पूरा करते समय (ब्लू लाइन) पूरा नहीं करते हैं। दोनों रेखांकन नीचे जाते हैं क्योंकि इसकी लंबाई के साथ जंजीरों की संख्या तेजी से घट जाती है। छोटी श्रृंखलाओं के लिए (2 से 7-8 तक), रूपांतरण स्तर (लाइनों के बीच की दूरी) धीरे-धीरे बढ़ता है।

इस ग्राफ को देखकर कुछ बेहद दिलचस्प बाते बताई जा सकती हैं:


अंजीर। २। विभिन्न प्रकार के व्यवहार को उजागर करने वाले सुपरिंपल क्षेत्रों के साथ उनकी लंबाई पर जंजीरों की संख्या की निर्भरता।

हमारे पास 4 अलग उपयोगकर्ता समूह हैं:

1. लंबाई 1 और 2 की चेन (पीला)। रूपांतरणों की संख्या बढ़ रही है, लेकिन यह वृद्धि स्वयं और रूपांतरण दर (रूपांतरण दर) के मूल्य मुख्य प्रवृत्ति के अनुरूप नहीं हैं। ये ऐसे उपयोगकर्ता हैं जो केवल उत्पाद से परिचित हैं।
2. 3 से 9 तक लंबाई की चेन (हरा)। मुख्य प्रवृत्ति तब होती है जब रूपांतरणों की संख्या कम हो जाती है। रेखांकन अभिसरण कर रहे हैं, जो कहता है कि जंजीरों का अनुपात रूपांतरण के साथ जंजीरों के अनुपात को बढ़ाने की दिशा में बदल रहा है। यानी रूपांतरण दर बढ़ रही है। यह उन उपयोगकर्ताओं के लिए उपयुक्त है जो विशेष रूप से विज्ञापनों पर क्लिक करते हैं।
3. 9 से 15 (नीला) से चेन। रूपांतरणों की संख्या कम हो गई है, और रूपांतरण स्तर अपरिवर्तित बना हुआ है। रेखांकन समानांतर में चलते हैं, जो कहता है कि रूपांतरण स्तर अपरिवर्तित है। उपयोगकर्ताओं को इस बात का अंदाजा है कि संगठन उनकी जरूरतों को कैसे पूरा कर सकता है, और अतिरिक्त विज्ञापन खरीदारी की संभावना को नहीं बढ़ाते हैं।
4. 15 से अधिक (गुलाबी)। बिना रूपांतरण के 10 से कम रूपांतरण और रूपांतरण। कुछ कहने के लिए बहुत कम डेटा।

इन 4 समूहों को हाइलाइट करने से उन लोगों के संस्करणों को समझने में मदद मिलती है जो संभावित रूप से विज्ञापन का जवाब देते हैं। यह अधिकांश भाग समूह (2) के लिए है।

समूह रूपांतरण विश्लेषण

शुरू करने के लिए, उन सभी चीजों को बाहर फेंक दें जिनकी आवश्यकता नहीं है। 15 से अधिक की लंबाई (इस डेटा के भीतर) हमारे लिए बहुत जानकारीपूर्ण नहीं हैं। इस लंबाई की बहुत कम श्रृंखलाएं किसी भी निष्कर्ष की अनुमति नहीं देती हैं। चलो रूपांतरण स्तर बनाम श्रृंखला लंबाई का एक ग्राफ बनाते हैं:


चित्र 3। रूपांतरण दर बनाम चेन लंबाई

यह ग्राफ लगभग Igmoid oh के साथ है। इस तरह की निर्भरताएं लॉजिस्टिक रिग्रेशन द्वारा वर्णित हैं। लॉजिस्टिक रिग्रेशन का उपयोग करके प्राप्त निर्भरता का वर्णन अतिरिक्त उपयोगी निष्कर्ष निकालने में मदद करता है, हालांकि, दो तथ्य लॉजिस्टिक रिग्रेशन का उपयोग करते हुए एक अच्छे सन्निकटन में हस्तक्षेप करते हैं:

• निचली पूंछ बहुत कम है, प्रतिगमन छोटी श्रृंखला लंबाई के लिए रूपांतरण की संभावना को बहुत कम कर देगा।
• जैसे ही जंजीरों की संख्या बढ़ती है, ग्राफ एक सिग्मॉइड की तरह 1 नहीं, बल्कि 0.5 हो जाता है।

इन दोनों मुद्दों को काफी सरलता से हल किया गया है।

निचली पूंछ में इस तरह की अपर्याप्तता (लॉग रिग्रेशन के लिए) कम संभावना क्यों है?

यह स्पष्ट रूप से स्पष्ट है कि यदि कोई व्यक्ति आपके संसाधन के लिंक को कम से कम तीन बार क्लिक करता है, तो संभवतः यह संयोग से नहीं होता है। और एक समय की संभावना बहुत संभावना है। इस प्रकार, प्रश्न का हल बस और मौलिक रूप से हल किया गया है - ये सभी लोग मौका (सबसे अधिक संभावना) द्वारा साइट पर थे, और उन्हें आपके उत्पादों या आपकी सेवाओं की आवश्यकता नहीं थी। लेकिन यहां वे आपकी साइट पर हैं, और यह संभावना है कि वे परिवर्तित हो जाएंगे।

इसलिए, हम अब इस समूह पर विचार नहीं करेंगे। लॉजिस्टिक प्रतिगमन को अनुमानित करने के लिए, हम केवल उपयोगकर्ता समूहों (2) और (3) पर विचार करेंगे।

इस तथ्य से कैसे छुटकारा पाएं कि संभावना 1 तक नहीं होती है, अगर लॉजिस्टिक रजिस्ट्रेशंस में यह 1 हो जाए?

विज्ञापन कंपनियां क्या देती हैं? वे ग्राहक को कंपनी, उसकी सेवाओं और सुविधाओं से पूरी तरह परिचित होने में सक्षम बनाते हैं। यदि कोई व्यक्ति पहले से ही कंपनी के बारे में सब कुछ सीख चुका है, तो क्या इसका मतलब यह है कि वह कुछ खरीदेगा? नहीं। सबसे अधिक संभावना विज्ञापन सेवा के लिए दसियों और सैकड़ों विकल्प हैं। एक व्यक्ति जो पहले से ही आपकी विशेष सेवा के बारे में सब कुछ जानता है, संभवतः कई अन्य सेवाओं के साथ काफी निकटता से परिचित है। और अब उसके पास कुछ संभावना के साथ चुनने के लिए पर्याप्त जानकारी है एक निश्चित कंपनी जिसमें वह कुछ ऑर्डर करेगा। और यह संभावना 1 से कम है। एक निश्चित राशि से विज्ञापनों पर पास की संख्या बढ़ाना अर्थहीन हो जाता है। इसलिए, ग्राफ़ को 1 पर ले जाने के लिए, आपको बस रूपांतरण स्तरों के सभी मूल्यों को प्रायिकता मान से विभाजित करने की आवश्यकता है, जिस पर ग्राफ़ विज्ञापन पर पास की संख्या को बढ़ाता है।

संगठन की प्रभावशीलता और इसकी विपणन रणनीति का अभिन्न मूल्यांकन

आइए दूसरी तरफ से ऊपर देखें। पर्याप्त रूप से लंबी श्रृंखलाओं के लिए, विज्ञापन पर अतिरिक्त उपयोगकर्ता की संख्या अब कोई भूमिका नहीं निभाती है। कुछ और मायने रखता है। हम इसे कंपनी की सुविधा की डिग्री कहते हैं। वह संगठन के लिए स्थिर है।

फिर समग्र रूपांतरण संभाव्यता को दो संभावनाओं के उत्पाद में विभाजित किया गया है:

$$

$$P_ {conv} (l) = P_ {मार्केटिंग} (l) * P_ {फर्म},$$

जहाँ $$$पी_ {फर्म}$- संगठन की प्रभावशीलता का एक एकीकृत मूल्यांकन, अर्थात्। एक संगठन में कुछ खरीदने की संभावना जिसके बारे में आप पहले से ही सब कुछ जानते हैं जो आप कर सकते हैं और जानबूझकर इस संगठन और विकल्पों के बीच चयन कर सकते हैं (विज्ञापन चैनलों के माध्यम से अतिरिक्त पास खरीदने के निर्णय को प्रभावित नहीं करेंगे)। $$$P_ {मार्केटिंग} (l)$- एक विपणन रणनीति की प्रभावशीलता का एक एकीकृत मूल्यांकन, अर्थात्। संगठन में कुछ खरीदने की संभावना, बशर्ते कि केवल विपणन प्रभाव, और यदि कोई व्यक्ति सब कुछ जानता है जो संभव है, तो वह निश्चित रूप से इस संगठन में खरीदेगा, और एक विकल्प पर विचार नहीं करेगा। और, ज़ाहिर है, यह संभावना श्रृंखला की लंबाई पर निर्भर करती है। $$$ल$।

यदि हम फिर से चित्र 3 पर लौटते हैं, तो हम देखेंगे कि प्रभाव क्षेत्र $$$P_ {मार्केटिंग} (l)$केवल (2) उपयोगकर्ता समूह तक विस्तारित होता है। समूह के लिए (3) - $$$P_ {मार्केटिंग} (l) = 1$, जिसका अर्थ है खरीद की संभावना $$$पी_ {फर्म}$। हमारे मामले में, औसतन $$$P_ {फर्म} = 0.55$जो बहुत अच्छा है। यह आंकड़ा कहता है कि सभी कार्ड हाथ में होने के कारण, एक व्यक्ति 55% मामलों में इस संगठन को सभी संभावित विकल्पों में से चुनता है।

खैर, यह जोड़ना बाकी है कि अब हमारे पास इसके लिए युक्तिकरण है $$$P_ {मार्केटिंग} (l)$, जो 1 को जाता है। एक साधारण एक-कारक लॉजिस्टिक रिग्रेशन को अब इस पर लागू किया जा सकता है। हम सिग्मॉइड द्वारा डेटा को विभाजित करके 1 द्वारा सामान्यीकृत डेटा को अनुमानित करके ऐसा करेंगे $$$पी_ {फर्म}$।


चित्र 4। लॉजिस्टिक प्रतिगमन के लिए लगाए गए वक्र के साथ चेन की लंबाई पर रूपांतरण की निर्भरता।

चार्ट पर $$$ल$- श्रृंखला की लंबाई, पी _मीटर - $$$P_ {मार्केटिंग} (l)$। प्रतिपादक के लिए घातांक लॉग-ऑड अनुपात = 0.53 है। यदि किसी फर्म के पास "सचेत रूपांतरण" का 100% मौका था () $$$P_ {फर्म} = 1$), इसका मोटे तौर पर मतलब यह होगा कि एक-एक करके श्रृंखला में वृद्धि के साथ, रूपांतरण के बिना और बिना श्रृंखला की संख्या का अनुपात [ऍक्स्प (0.53) = 1.699] से बदल जाएगा।

यह संकेतक संपूर्ण रूप से विपणन रणनीति की प्रभावशीलता की डिग्री को मापता है। जिस तेजी से संभावनाएं पहुंचती हैं $$$पी_ {फर्म}$रणनीति जितनी प्रभावी होगी। स्वाभाविक रूप से, आपको यह सुनिश्चित करने की आवश्यकता है कि $$$पी_ {फर्म}$अपने व्यवसाय के लिए संतोषजनक मूल्यों को लिया, अन्यथा एक प्रभावी विपणन रणनीति एक संभावित ग्राहक को आपसे कुछ न खरीदने के लिए मजबूर करेगी।

चैनल पर विज्ञापन की इष्टतम आवृत्ति का अनुमान

उस आंकड़े पर विचार करें (3), जो उपयोगकर्ता द्वारा वर्तमान में यात्रा किए गए चैनलों की संख्या पर रूपांतरण की संभावना पर निर्भर करता है। ग्राफ पर प्रत्येक बिंदु लक्ष्य दर्शकों के एक निश्चित सशर्त खंड से मेल खाता है। उदाहरण के लिए, जो लोग 10 चैनलों से गुजरे हैं, वे उन लोगों से कुछ अलग हैं जो केवल 2 से गुजरे हैं, क्योंकि जो लोग दो चैनलों से गुजरे हैं, उनमें से अधिकांश 10 तक नहीं पहुंचेंगे।

इसके अलावा, उन लोगों के लिए जो 10 चैनलों से गुजरे हैं, मार्केटिंग प्रोग्राम सबसे ज्यादा काम नहीं करते हैं। वे पहले ही सभी संभावित विज्ञापनों को देख चुके हैं। जो लोग केवल दो चैनलों से गुजरे हैं, उनके लिए विज्ञापन काम कर सकता है। इस प्रकार, संपूर्ण मार्केटिंग रणनीति को विशेष रूप से समूह (2) पर केंद्रित किया जाना चाहिए। जो लोग दो से अधिक चैनल पास कर चुके हैं, लेकिन अभी तक पास नहीं हुए हैं, उदाहरण के लिए, 10।

डेटा के हमारे अध्ययन से पता चला है कि समूह (2) के लिए रूपांतरण का स्तर और एक निश्चित अवधि के लिए विज्ञापन क्लिक की कुल संख्या के बीच एक महत्वपूर्ण नकारात्मक सहसंबंध है। यानी मध्य एशिया के अधिक लोग, सिद्धांत रूप में, एक निश्चित विज्ञापन चैनल के माध्यम से चले गए, कम संभावना है कि इस चैनल के समूह (2) के एक सदस्य को परिवर्तित किया जाएगा।


अंजीर। 5. सहसंबंध और विभिन्न श्रृंखला लंबाई के बीच संबंध। सहसंबंध रूपांतरण के स्तर और विज्ञापन चैनलों पर कुल क्लिकों के बीच पियर्सन का सहसंबंध गुणांक है।

यह इस तथ्य के कारण हो सकता है कि रूपांतरणों में वृद्धि छापों में वृद्धि के साथ जुड़ी हुई है। विज्ञापन प्लेटफार्मों के बुद्धिमान एल्गोरिदम लक्षित दर्शकों के सबसे प्रभावी हिस्से के विज्ञापन दिखाने की कोशिश करते हैं, लेकिन यह हिस्सा सीमित है। इस प्रकार, छापों की संख्या में वृद्धि के साथ, एल्गोरिदम को लक्षित दर्शकों के कम प्रभावी हिस्से को विज्ञापन दिखाना शुरू करने के लिए मजबूर किया जाता है। सीए के इस हिस्से को परिवर्तित करने की संभावना कम है।

यह माना जा सकता है कि चैनल पर विज्ञापन के छापों की आवृत्ति का कुछ इष्टतम विकल्प है, जो लक्षित दर्शकों के केवल सबसे प्रभावी हिस्से को प्रभावित करेगा। वर्तमान आवृत्ति की पसंद की पर्याप्तता का अनुमान अवधि और रूपांतरण के स्तर के लिए कुल संक्रमणों के बीच सहसंबंध की गणना करके लगाया जा सकता है। यदि यह सहसंबंध नकारात्मक है, तो आपको इंप्रेशन की आवृत्ति कम करने की आवश्यकता है। यदि यह लगभग 0 के बराबर है, तो आकार इष्टतम है। यदि यह सकारात्मक है, तो दर्शकों का आकार बढ़ाया जा सकता है।

हमारे मामले में, इंप्रेशन की आवृत्ति में बदलाव, जिसके कारण रूपांतरणों की संख्या में 25% की कमी आई, जिसके परिणामस्वरूप समूह (2) की औसत रूपांतरण दर 3.5% से 4% तक बढ़ गई।

निष्कर्ष और सीमाएँ

मुख्य सुझाए गए मीट्रिक:

1. समूह का आकार (2)। यह आपको अनुमान लगाने की अनुमति देता है कि रिपोर्टिंग अवधि में कितने लोगों ने विज्ञापनों पर सक्रिय रूप से प्रतिक्रिया दी।
   
2. एक व्यक्ति के रूपांतरण की संभावना जो आम तौर पर संयोग से हुई और उसे संगठन से किसी भी चीज की आवश्यकता नहीं है। यह "एक-चरण" श्रृंखलाओं की रूपांतरण दर से अनुमानित है। यहां समीक्षा किए गए आंकड़ों के मामले में, यह 0.06% है।
   
3. रूपांतरण की संभावना को दो श्रृंखला लंबाई से विभाजित करना $$$पी_ {फर्म}$और $$$P_ {मार्केटिंग}$अनुमान लगाया जा सकता है:
   
   • संगठनात्मक प्रभावशीलता का अभिन्न मूल्यांकन। यानी उत्पाद को खरीदने की संभावना, बशर्ते कि विज्ञापन के एक अतिरिक्त दृश्य के साथ, उत्पाद और कंपनी के बारे में व्यक्ति की राय बिल्कुल नहीं बदलती। हमारे मामले में, यह 55% है।
     
   • लॉजिस्टिक रिग्रेशन के संकेतक द्वारा एक विपणन रणनीति की प्रभावशीलता का एक एकीकृत मूल्यांकन, जो श्रृंखला की लंबाई पर रूपांतरण के स्तर की मौजूदा निर्भरता का अनुमान लगा सकता है। एक-एक करके श्रृंखला में प्रत्येक वृद्धि के साथ, रूपांतरण की संभावना बढ़ जाती है, और अगर यह किसी बिंदु पर 100% तक पहुंच जाएगा $$$P_ {फर्म} = 1$। लॉजिस्टिक रिग्रेशन इंडेक्स इस वृद्धि की गंभीरता को इंगित करता है।
     
4. अवधि के लिए विज्ञापन चैनल पर रूपांतरण स्तर और समूह क्लिकों की कुल संख्या (2) के बीच सहसंबंध हमें चैनल पर छापों की इष्टतम आवृत्ति का अनुमान लगाने की अनुमति देता है।

उपरोक्त सभी व्याख्या में कई सीमाएँ हैं। और मुख्य सीमा विचार के अंतिम समय में हम पर थोपती है। जाहिर है, पर्याप्त रूप से लंबी श्रृंखला अभी भी भविष्य में कहीं न कहीं रूपांतरण के साथ समाप्त हो सकती है (जो हमें अभी तक नहीं मिली है), और श्रृंखला रूपांतरण के कुछ "वास्तविक" स्तर थोड़े अधिक हो सकते हैं। यह मानना ​​उचित है कि Pfirm को कुछ कम करके आंका गया है और यह आकलन नीचे से संगठन की प्रभावशीलता का एक अभिन्न मूल्यांकन है। इन कठिनाइयों से बचने के लिए, हम एक समय अंतराल पर विचार कर सकते हैं जिसमें ये सभी परिमित समय प्रभाव गायब हो जाएंगे। उदाहरण के लिए, एक पूरे वर्ष।

PS मैक्सिलैक्ट समाचारों के बारे में जानने के लिए और सभी प्रकाशनों के बारे में जानने के लिए सबसे पहले, वीके , एफबी या टेलीग्राम-चैनल में हमारे पृष्ठों की सदस्यता लें।