Para clientes pequenos (e também para clientes com complexa análise multicanal), monitorei o CPC puro (cliques, CTR, custo por clique, rejeição).
Tarefa : entender qual rk funciona com mais eficiência e, com base nisso, editar taxas.
Para fazer isso, eu uso o Custo por clique útil (CUC) na análise. Essa métrica leva em consideração o custo por clique e a taxa de rejeição.
Fórmula : Custo / Cliques * ((100-BounseRate) / 100)
Vou explicar em linguagem simples:
Recebemos 200 cliques em 2000₽, uma taxa de rejeição de 20%. Cliques realmente úteis que compramos 80pcs,
2000₽ / 80 = 25₽
Além disso, essa métrica ajuda a analisar estatísticas em pequenas amostras, nas quais você não pode decidir sobre conversões.
Na entrada, já devemos ter um DataFrame finalizado com estatísticas do sistema de publicidade.
Digite uma nova coluna nas estatísticas.
O Python não executa operações matemáticas da mesma maneira que na matemática; portanto, executaremos cada ação em uma linha separada:
#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']
Temos o seguinte:
Olhando para este indicador, podemos ver pontos fracos em alguns segundos.