Untuk klien kecil (dan juga untuk klien dengan analisis multi-channel yang kompleks), saya memonitor BPK murni (klik, RKT, biaya per klik, rasio pentalan).
Tugas : untuk memahami rk mana yang bekerja lebih efisien dan, berdasarkan ini, edit tingkat.
Untuk melakukan ini, saya menggunakan Cost Per Useful Click (CUC) dalam analytics. Metrik ini memperhitungkan biaya per klik dan rasio pentalan.
Formula : Biaya / Klik * ((100-BounseRate) / 100)
Saya akan menjelaskan dalam bahasa sederhana:
Kami mendapat 200 klik untuk 2000₽, rasio pentalan 20%. Jadi klik yang sangat berguna kami beli 80pcs,
2000₽ / 80 = 25₽
Selain itu, metrik ini membantu menganalisis statistik dalam sampel kecil, tempat Anda tidak dapat memutuskan konversi.
Pada input, kita seharusnya sudah memiliki DataFrame yang sudah selesai dengan statistik dari sistem periklanan.
Masukkan kolom baru dalam statistik.
Python tidak melakukan operasi matematika dengan cara yang sama seperti dalam matematika, oleh karena itu, kami akan melakukan setiap tindakan pada baris terpisah:
#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']
Kami mendapatkan yang berikut ini:
Melihat indikator ini, kita dapat melihat kelemahan dalam beberapa detik.