ऑनलाइन स्टोर के लिए मीडिया विज्ञापन की प्रभावशीलता का मॉडल

हम लोग और स्क्रीन एक विज्ञापन भागीदार के रूप में कई वर्षों से ऑनलाइन व्यवसायों के साथ काम कर रहे हैं। जब हमारे पास ऑनलाइन स्टोर की बिक्री के लिए प्रदर्शन विज्ञापन के योगदान का मूल्यांकन करने का विचार था, तो यह अवास्तविक और यहां तक ​​कि पागल लग रहा था। जैसे ही हमें एहसास हुआ कि मोज़ेक के सभी तत्व मिल सकते हैं और एक साथ रख सकते हैं, हमने इसे आज़माने का फैसला किया। पहली परिकल्पना की पुष्टि की जाने लगी, डेटा इनसाइट के साथ , हमने इस कहानी में परिसीमन किया और कुछ महीनों के श्रमसाध्य कार्य में इस तरह का एक अध्ययन बनाया गया, जो वास्तव में, एक लागू कामकाजी उपकरण है - 12 ई-कॉमर्स उत्पाद श्रेणियों में विज्ञापन की प्रभावशीलता का मूल्यांकन करने के लिए एक मॉडल। इस लेख में हम परिणामों और विश्लेषण के तरीकों के बारे में बात करेंगे।

अनुसंधान उद्देश्य और परिणाम

हमारे अध्ययन की प्रमुख परिकल्पना: विज्ञापन प्रदर्शित करना, एक ऑनलाइन स्टोर के ब्रांड को विकसित करना, पूरे बिक्री फ़नल में रूपांतरण को बढ़ाता है। पिछले चार वर्षों में बिक्री डेटा, विज्ञापन और बाहरी डेटा के विश्लेषण में परिकल्पना की पुष्टि की गई थी। नतीजतन, हमने 12 उत्पाद श्रेणियों में 60 ऑनलाइन स्टोर के लिए अर्थमितीय बिक्री मॉडल बनाए।

1. प्रदर्शन विज्ञापन का केवल अल्पकालिक योगदान 50-60% की औसत बाजार की गतिशीलता के साथ ऑनलाइन स्टोर की वृद्धि का 39% था।
   
   
2. प्रदर्शन विज्ञापन आपको बढ़ी हुई जानकारी के माध्यम से बिक्री का समर्थन करने की अनुमति देता है।
   
   
   
3. पूरे ई-कॉमर्स में सबसे बड़ा रिटर्न ऑनलाइन वीडियो विज्ञापन से आता है।
   
   
   
4. मीडिया दक्षता अत्यधिक श्रेणी पर निर्भर करती है: कपड़ों और ऑनलाइन हाइपरमार्केट की श्रेणियों में, टीवी ने इलेक्ट्रॉनिक्स और ऑटो उत्पादों में उच्च दक्षता दिखाई - ऑनलाइन वीडियो विज्ञापन।

हमने क्या विश्लेषण किया

अध्ययन के लिए डेटा संग्रह अध्ययन में भाग लेने वाली दोनों कंपनियों द्वारा किया गया था। निम्नलिखित डेटा लोग और स्क्रीन द्वारा एकत्र किए गए थे:

1. प्रदर्शन विज्ञापन से बाहर निकलें। हमने मेडिसस्कोप डेटाबेस से डाउनलोड का उपयोग किया है, जिसकी सभी विज्ञापन समूहों तक पहुंच है। हमने जनवरी 2016 से अवधि के लिए सभी मीडिया और विज्ञापन संपर्कों के लिए दिन में (टीवी, रेडियो, प्रेस में, इंटरनेट पर) और महीने के लिए (आउटडोर विज्ञापन के लिए) एक विस्तृत लक्ष्य दर्शकों (सभी 18+) के लिए विज्ञापन लागतों को उतार दिया। जून 2019 तक। इस स्तर पर काम की गति को अधिकतम करने के लिए, हमने Dentsu एजिस नेटवर्क रूस के आंतरिक विकास का उपयोग औद्योगिक डेटा के साथ काम करने के लिए किया, विशेष रूप से एटमाइज़र प्लेटफ़ॉर्म में।
2. पिछले 18 महीनों से रोजाना इसी तरह के डेटा से अनलोडिंग । हमने डेस्कटॉप / मोबाइल पर विज़िट के दिनों तक डायनामिक्स को देखा, स्रोत (चैनल) द्वारा डेस्कटॉप ट्रैफ़िक के दिनों द्वारा डायनेमिक्स, और एंड्रॉइड पर इंस्टॉलेशन की गतिशीलता।
3. 2016-2019 के लिए टीजीआई / मार्केटिंग इंडेक्स डेटाबेस से क्वार्टरों द्वारा ज्ञान / यात्राओं / खरीद की गतिशीलता। यह मेदियास्कोप के गैलिलियो औद्योगिक सॉफ्टवेयर से एक डाउनलोड है।
4. जनवरी 2016 के लिए Google रुझान खोज क्वेरी - रूस में जुलाई 2019।

डेटा जानकारी पक्ष पर, निम्न डेटा एकत्र किया गया था और प्रदान किया गया था:

1. जनवरी 2016 से अगस्त 2019 की अवधि के लिए महीने तक TOP-100 रैंकिंग से 72 ऑनलाइन स्टोर के लिए ऑर्डर की गतिशीलता।
2. जनवरी 2018 से अगस्त 2019 की अवधि के लिए li.ru काउंटर डेटा (साइट पर ट्रैफ़िक, अलग-अलग कुल, केवल रूस में और केवल मोबाइल) TOP-11 साइट्स के लिए।
3. 53 साइटों के लिए जून 2017 से सितंबर 2019 की अवधि के लिए mail.ru काउंटर डेटा।
4. 38 साइटों के लिए जून 2017 से सितंबर 2019 तक की अवधि के लिए रामब्लर काउंटर डेटा।
5. अक्टूबर 2017 से सितंबर 2019 तक 24 महीनों के लिए Yandex Wordstat खोज क्वेरी डेटा ।
6. 2018 तक TOP-100 ऑनलाइन स्टोर के औसत चेक का मूल्यांकन।

डेटा एल्गोरिदम

अध्ययन के लिए डेटा संग्रह कई चरणों में किया गया था। हम उस लेख के कार्य के दायरे से बाहर निकल जाएंगे जो डेटा के लिए हमारे सहयोगियों ने अध्ययन के लिए आवश्यक डेटा उत्पन्न करने के लिए आयोजित किया था, लेकिन हम आपको बताएंगे कि लोग और स्क्रीन के पक्ष में क्या काम किया गया था:

• हमारे लिए उपलब्ध औद्योगिक डेटाबेस में TOP-100 रेटिंग से सभी ऑनलाइन स्टोर की खोज करें और नाम मिलान शब्दकोश संकलित करें। इसके लिए, हमने Elasticsearch अर्थ सर्च इंजन का उपयोग किया।
• टेम्पलेट्स का गठन और उन पर डेटा अपलोड करना। इस स्तर पर, डेटा तालिकाओं की वास्तुकला को पूर्व-विचार करने के लिए सबसे महत्वपूर्ण बात थी।
• एक डेटा सेट (डेटासेट) में सभी स्रोतों से डेटा का संयोजन।
  ऐसा करने के लिए, हमने पायथन में अपलोड किए गए डेटा के प्रसंस्करण का उपयोग पंडों और sqlalchemy संकुल का उपयोग करके किया। यहाँ जीवन हैक्स का सेट काफी मानक है:
  जब सीएसवी से कच्चे डेटा को 1 मिलियन पंक्तियों से बड़ा किया जाता है, तो हमने सबसे पहले तालिका कॉलम नामों को फॉर्म की एक क्वेरी के साथ अपलोड किया है:
  
  

  col_names = pd.read_csv(FILE_PATH,sep=';', nrows=0).columns 

  
  तब शब्दकोश के माध्यम से डेटा प्रकार जोड़े गए:
  
  

   types_dict = {'Cost RUB' : int } types_dict.update({col: str for col in col_names if col not in types_dict}) 

  
  और डेटा ही फ़ंक्शन को लोड करता है
  
  

   pd.read_csv(FILE_PATH, sep=';', usecols=col_names, dtype=types_dict, chunksize=chunksize) 

  
  रूपांतरण परिणाम PostgreSQL में अपलोड किए गए थे।
• ट्रैफ़िक डायनेमिक्स, खोज क्वेरी और लोगों और स्क्रीन एजेंसी के ग्राहकों के पूल के वास्तविक बिक्री के विश्लेषण के आधार पर ऑर्डर डायनेमिक्स का क्रॉस-सत्यापन। यहां हमने एक निश्चित साइट के भीतर अलग-अलग डेटा सेट पर df.corr () का उपयोग करके सहसंबंध मैट्रिक्स का निर्माण किया, फिर हमने आउटलेर्स के साथ "संदिग्ध" श्रृंखला का विस्तार से विश्लेषण किया। यह अध्ययन के प्रमुख चरणों में से एक है, जिस पर हमने अध्ययन किए गए संकेतकों की गतिशीलता की विश्वसनीयता की जांच की।
• मान्य डेटा पर अर्थमितीय मॉडल का निर्माण। यहां हमने मौसमी को निकालने के लिए खस्ता पैकेज ( np.fft.fft और np.fft.ifft फ़ंक्शंस ) से डायरेक्ट और उलटा फूरियर ट्रांसफॉर्म का उपयोग किया, विज्ञापन के योगदान का अनुमान लगाने के लिए स्केलेर पैकेज के ट्रेंड और लीनियर रिग्रेशन मॉडल ( रैखिक_मॉडल ) का अनुमान लगाने के लिए एक टुकड़ा- सुस्पष्ट सन्निकटन । इस कार्य के लिए मॉडलों का एक वर्ग चुनते समय, हम इस तथ्य से आगे बढ़े कि सिमुलेशन परिणाम को आसानी से व्याख्या किया जाना चाहिए और डेटा की गुणवत्ता को ध्यान में रखते हुए विज्ञापन की प्रभावशीलता का संख्यात्मक मूल्यांकन करना चाहिए। हमने डेटा को एक चर समय अंतराल के नमूने के प्रशिक्षण और परीक्षण में विभाजित करके मॉडलों की विश्वसनीयता की जांच की। यानी हमने तुलना की कि जनवरी 2016 से दिसंबर 2018 तक डेटा पर प्रशिक्षित मॉडल जनवरी से अगस्त 2019 तक परीक्षण समय अंतराल में कैसे व्यवहार करता है, फिर हमने मॉडल को जनवरी 2016 से जनवरी 2019 तक के समय अंतराल में प्रशिक्षित किया और यह देखा कि फरवरी से फरवरी तक डेटा के साथ मॉडल कैसे व्यवहार करता है अगस्त 2019. परीक्षण नमूने पर पूर्वानुमान के रूप में विभिन्न प्रशिक्षण नमूनों में विज्ञापन कारकों के योगदान की स्थिरता द्वारा मॉडलों की गुणवत्ता का अध्ययन किया गया था।
• अंतिम चरण निष्कर्षों के आधार पर एक प्रस्तुति तैयार करना था। यहां हमने गणितीय मॉडल के एक पुल को व्यावहारिक व्यावसायिक निष्कर्षों पर रखा और एक बार फिर परिणामों के सामान्य ज्ञान के दृष्टिकोण से मॉडलों का परीक्षण किया।

ई-कॉमर्स के विश्लेषण की बारीकियां और प्रक्रिया में आने वाली कठिनाइयों

1. डेटा संग्रह के चरण में, संसाधन में खोज रुचि के सही मूल्यांकन के साथ कठिनाइयां उत्पन्न हुईं। Google रुझानों में खोज क्वेरी को समूहीकृत करने और यैंडेक्स वर्डस्टेट में नकारात्मक कीवर्ड का उपयोग करने का कोई तरीका नहीं है। प्रत्येक ऑनलाइन स्टोर के सिमेंटिक कोर का अध्ययन करना और केंद्रीय अनुरोध अपलोड करना महत्वपूर्ण था। उदाहरण के लिए, M.Video को रूसी में लिखने की आवश्यकता है - यह इस साइट के लिए केंद्रीय अनुरोध है।
   
   उन दुकानों के लिए जो ऑनलाइन और ऑफलाइन दोनों तरह से सामान बेचते हैं, डेटा इनसाइट के सहयोगियों ने यैंडेक्स वर्डस्टेट डेटा में निम्नलिखित दृष्टिकोण लिया:
   सुनिश्चित करें कि कोई अप्रासंगिक प्रश्न नहीं हैं (मुख्य बात मांग की मात्रा का अनुमान लगाना नहीं है, लेकिन गतिशीलता में परिवर्तन को ट्रैक करना है)। हम खोज शब्दों को फ़िल्टर करने के लिए पर्याप्त कठिन हैं। जहां अनुचित अनुरोध लेने के लिए ब्रांड नाम से जोखिम था, हमने प्रमुख संयोजनों पर आंकड़े लिए। उदाहरण के लिए, "ओजोन" के बजाय "ओजोन स्टोर" - इस दृष्टिकोण के साथ, रिटेलर की खोज लोकप्रियता को कम करके आंका जाता है, लेकिन मांग की गतिशीलता को अधिक मज़बूती से मापा जाता है और "शोर" से साफ हो जाता है। खोज आँकड़ों के संबंध में, एक पद्धतिगत समस्या है जिसका स्पष्ट रूप से एक विश्वसनीय समाधान नहीं है - कई खुदरा विक्रेताओं के लिए, ये आँकड़े एसईओ टूल द्वारा विकृत होते हैं जो व्यवहार के कारकों के माध्यम से खोज परिणामों को अनुकूलित करते हैं, लेकिन वास्तविक मांग पर आँकड़ों को विकृत करते हैं।
2. विभिन्न स्रोतों से डेटा के संयोजन के चरण में, डेटा को एक ही ग्रैन्युलैरिटी में लाना आवश्यक हो गया: टीवी विज्ञापन पर डेटा और इसी प्रकार से ट्रैफ़िक दैनिक था, खोज क्वेरी के लिए डेटा साप्ताहिक था, और ऑर्डर और मीटर डेटा पर डेटा मासिक था। परिणामस्वरूप, हमने दिनांक फ़ील्ड के साथ एक अलग डेटाबेस बनाया जो आपको आवश्यक स्तर पर डेटा एकत्र करने की अनुमति देता है, और बिक्री डेटा के सभी विवरणों के साथ आगे के काम के लिए एक कैश्ड मासिक एकत्रीकरण डेटाबेस।
3. डेटा के क्रॉस-सत्यापन चरण में, हमने अपने स्वयं के डेटा के साथ बिक्री की गतिशीलता में ध्यान देने योग्य विसंगतियां पाईं। इसके लिए डेटा इनसाइट के सहयोगियों के साथ स्थिति की चर्चा आवश्यक थी। नतीजतन, उन महीनों की सटीक समझ के लिए धन्यवाद, जिसमें सबसे बड़ी त्रुटियां होती हैं, विश्लेषकों ने दो त्रुटियों की पहचान की है जो मासिक बिक्री की गतिशीलता का आकलन करने के लिए एल्गोरिथम की गहराई में हैं।
4. मॉडल विकास के चरण में, कई कठिनाइयां पैदा हुईं। विज्ञापन के प्रभाव का सही आकलन करने के लिए, बाहरी कारकों को अलग करना आवश्यक था। किसी भी बिक्री की गतिशीलता (और ई-कॉमर्स कोई अपवाद नहीं है) न केवल विज्ञापन के साथ, बल्कि कई अन्य कारकों के साथ जुड़ा हुआ है: साइट पर यूएक्स / यूआई परिवर्तन, कीमतें, वर्गीकरण, प्रतिस्पर्धा, मुद्रा में उतार-चढ़ाव आदि।
   इस समस्या को हल करने के लिए, हमने जनवरी 2016 से अगस्त 2019 तक लंबी अवधि के लिए डेटा के प्रतिगमन विश्लेषण पर आधारित एक दृष्टिकोण का उपयोग किया। इस दृष्टिकोण के भाग के रूप में, हमने इस अवधि में विज्ञापनों के लिए जिम्मेदार ठहराए जाने वाले आदेशों की गतिशीलता में परिवर्तन (वृद्धि) का विश्लेषण किया।

यह समझना महत्वपूर्ण है कि अगर किसी बिंदु पर एक विज्ञापन शुरू हुआ, लेकिन मॉडल के अनुसार बिक्री का अपेक्षित मूल्य, वास्तविक एक से अधिक नहीं था, तो मॉडल दिखाएगा कि यह विज्ञापन इस अवधि के दौरान काम नहीं किया था। बेशक, इस तरह का बिक्री व्यवहार कई कारकों का एक सुपरपोजिशन हो सकता है (उदाहरण के लिए, विज्ञापन अभियान शुरू होने पर, या ग्राहकों की आमद से साइट "गिर गई") उसी समय प्रतियोगियों की कीमत बढ़ जाती है / लॉन्च हो जाती है।

चूंकि हम बड़ी संख्या में ब्रांडों पर लंबी अवधि में औसत प्रभाव डालते हैं, ऐसे यादृच्छिक संयोगों के प्रभाव को एक बड़े नमूने पर समतल किया जाना चाहिए, हालांकि यह व्यक्तिगत ब्रांडों के लिए कम या कम करके आंका जा सकता है। परिणामस्वरूप, इसने हमें ई-कॉमर्स श्रेणी के लिए सामान्य नियम और पैटर्न निर्धारित करने की अनुमति दी। इसी समय, व्यक्तिगत ब्रांडों के भीतर विज्ञापन के प्रभाव के विस्तृत विश्लेषण के लिए, निश्चित रूप से, प्रभाव कारकों के पूरे सेट का अध्ययन करना अभी भी आवश्यक है।

निष्कर्ष

इस अध्ययन के एक हिस्से के रूप में, हमने विषम स्रोतों से डेटा के आधार पर सबसे विश्वसनीय परिणाम प्राप्त करने का लक्ष्य निर्धारित किया है। स्वयं के द्वारा, ये डेटा सटीक मान नहीं हैं, लेकिन केवल थर्ड-पार्टी मॉनिटरिंग (विज्ञापन आउटपुट की निगरानी, ​​ट्रैफ़िक डायनामिक्स, खोज रुचि और अंत में, ऑर्डर) द्वारा इन मूल्यों का आकलन है।

प्रत्येक लिंक में डेटा की गुणवत्ता की सीमाएं होती हैं, और यह एक समस्या है जो विश्लेषकों और शोधकर्ताओं का हर दिन एक पैमाने या दूसरे पर सामना करती है। हमें उम्मीद है कि इस लेख के ढांचे के भीतर हम यह दिखाने में सक्षम थे कि कौन से तरीके विश्लेषणात्मक अध्ययन के निष्कर्ष की विश्वसनीयता सुनिश्चित कर सकते हैं, जबकि परिणामों की व्याख्यात्मक शक्ति का संरक्षण कर सकते हैं।