广告渠道互动的概念及其实际应用

广告宣传报告（RC）的实用性极大地简化了人们的生活 ...成本优化。 在提高这种意义的水平的过程中，我们考虑了我们所谓的“渠道互动”（渠道互动），找到了一种使获利最大化的非常有效的方法。


原文：caricatura.ru

首先，让我们用两句话重复数字营销的基础知识。 您可能知道， 营销渠道是一组按某些类别分类的流量来源。 使用最广泛的渠道： 自然搜索， 直接电子邮件等。 用户访问广告系列中的多个渠道时，会创建一个链 。 由于用户不是在流水线上，因此每个人都可以以不同的顺序接触不同的渠道。 好吧，还是根本不要碰，但这不会打扰我们。 为了衡量链中各种结构对转化率的影响，我们决定使用一种指标，称为渠道互动。

我们的实验表明，当用户在整个链中仅与一个营销渠道互动时， 转化率 （CR）下降3-5倍。 我们还学习了如何通过消除最不有用的营销渠道来提高CR。 现在，我们将讨论所有这一切。

渠道互动的实质

由于大多数ROK链只包含一个渠道，因此Google Analytics（分析）中可用的归因模型通常会得出非常一致的结果。 我们称这种仅包含一个通道的链为简单 。 并且您可以安全地使用一个“ 最后触摸 ”，它会说一个特定的频道与其他频道相比是否有效。 但是，我想表达更多的表情，现在我们将告诉您如何。

假设用户在进行购买之前触摸了两个不同的营销渠道，我们将其称为渠道A和B。与用户仅点击渠道A或B 相比 ，此链的转化率将有所不同。 我们的研究表明在链长相同的情况下，大量的渠道与用户互动，转化的可能性更高。 （船长打招呼很明显）
为了没有根据，我们将展示一些从哈萨克斯坦共和国真实数据中提取的图表。 数据参数：

• 链长：4
• 使用的通道数：5

图 1（a）链中唯一渠道的数量与此类链的数量	图 1（b）链转化率与链中唯一渠道的数量。

第一张图显示了在链中发现的独特营销渠道的数量。 第二张图显示了转换率如何取决于每个链中唯一通道的数量。 随着链中独特营销渠道的数量增加，转化率也随之增加。

这些图显示，尽管具有4个唯一通道的链非常少见，但它们转换的频率是简单链的3倍。 因此，仔细研究用户在转换之前设法触摸的频道数量会严重影响转换率。

如何计算互动程度？

在图1（b）中，我们对图形的形状感兴趣。 它的增长快于线性增长。 这告诉我们，渠道一起具有重要的相互作用，以提高整体转化率。 转化对链中唯一通道数的依赖关系图的形状还有什么？

图2。 转换依赖于链中唯一渠道数量的假想选择。

绿线 -渠道之间的互动是有限的，没有必要去争取人们通过所有这些渠道。 只是几个。
蓝线 -渠道之间的互动意义重大。 通过渠道的人越多，转化的可能性就越大。
红线 -没有互动。 所有通道均可单独查看。
黄线 -渠道互相伤害。 用户通过的频道越多，转换的可能性就越小。

可以计算两种类型的系数。 一个会告诉我们图形的形状，另一个会告诉我们交互的一些绝对值。

可以有 $$$N$相同长度的链 $$$M$。 从这些链条中， $$$C$独特的转化渠道。 平均CR取决于唯一通道数 $$$f（c）$在哪里 $$$c \ le C$， $$$c \ in \ mathbb {N}$。 然后，以下指标将说明图表的形式：

$$

$$H_s = \ frac {1} {C | f（C）|} \ sum_ {i = 1} ^ {C}（f（c_i）-f（1））$$

如果 $$$0.5 <H_s <1$-如果互动受限 $$$0 <H_s <0.5$-互动很重要。 如果 $$$H_s <0$-渠道互相伤害。 如果 $$$H_s> 1$-依赖性不是单调的。 实际上，这是一个启发很大的AUC ROC指标。

交互作用的绝对值可以计算如下：

$$

$$H_a = \ sum_ {i = 1} ^ {C}（f（c_i）-f（1））$$

实际上，这是图形下方（或上方）减小为零的面积的最简单近似值。 任何知道如何集成的人都可以自己计算。

剩下的只是告诉您如何以这种方式比较特定的渠道。 如果我们从考虑中删除了除包含我们需要的两个通道的链以外的所有链，我们可以通过简单的减法来评估它们如何相互影响，因为我们只有两个通道（C = 2）。

因此：

$$

$$H_a = f（C）-f（1）$$

通过所有通道对（实际上可能少于一半），我们可以为我们的示例建立一个相互依赖的表（在这种情况下，采用长度为3的链和前四个通道）：

频道名称	0	1个	2	3
0	0	0.064	-0.036	0.082
1个		0	-0.032	-0.0017
2			0	-0.028
3				0

该表的对角线上有0，因为这是通道与其自身的相互作用，并且该表相对于对角线是对称的。 可以看出，在转换方面，零通道对第一个和第三个通道具有良好的效果，但是在其余的交互作用中仍然存在问题。 对于实践，这通常就足够了。

如何计算哈萨克斯坦共和国的互动量？

例如，在这里我们确信，渠道之间的互动一切都很好，并且它们彼此之间具有积极作用。 但是我们仍然不知道这种影响有多强。 渠道之间可能存在互动，但互动很少。

让我们尝试与前面的情况相同，看一下图。 但是这次是1（a）。 从这一“直线”的斜率，可以判断出链的数量如何随独特元素数量的增加而减少。 使它更接近于普通线性回归是合乎逻辑的。 在这种情况下，回归的斜率将为-522。 即 对于长度为4的链，其中有2个唯一通道而不是1的链的数量比完全由一个通道组成的链的数量少522。

如果我们假设有1600个链带一个通道，并且当从一个具有唯一通道的链移动到具有两个0.05到0.1的链时转换发生正向偏移，那么例如，将斜率从-500减少到-200，我们将获得30次转换对于具有两个唯一渠道的链，以相同的转换率 但是有一个有充分根据的假设，即如果这个斜率减小，那么转换率也会增加，而不仅仅是相同转换率的人数会增加。

为您的广告系列选择正确的渠道

好吧，这是。 每个人都经常问的主要问题是：“我们应该使用哪种营销渠道来实现最有效的组合？” 有一个公认的经验法则：您最初使用的渠道越多越好。 然后，在进行测试之后，您可以从理论上确定要从广告系列中删除哪些内容。 实际上，这里的主要问题一直是一个标准，该标准允许从哈萨克斯坦共和国撤消一个或另一个渠道。 突然，您删除了一些，但是他会做得更糟，尽管他似乎没有直接带来什么？ 我们进行了一项实验来解决这一难题。

RK优化

最简单：仅通过消除交互最少的渠道，我们就将医院的平均CR从1.58％提高到2.1％ 。 该实验是在所有渠道的营销费用都相同的条件下进行的。

但是，不要急于立即运行。 参与度低的渠道通常是诸如Facebook之类的流行平台。 消除它可能导致客户流失。 这是由于这些大型平台并不总是具有很多转换，而是总有很多印象。 因此，我们决定使用展示次数而非点击次数来规范化数据，以确定整体效果。 这也是在每个通道成本相同的条件下完成的。

在比较具有不同成本的渠道时，我们将转化率除以渠道成本，以评估其真实效果。 当我们从这些广告系列中排除了两个最无效的渠道时，平均转化率从1.58％下降到1.54％。 但是，成本降低了28.9％，导致CPC降低了28％！

因此，CR的降低并不一定意味着您在浪费广告费用。 总体效果取决于所选变量，用于计算该产品的ROI。

使用渠道互动指标时应考虑什么？

1. 不要通过插入不必要的链接来创建通道交互的外观。 这可能使有效评估实际交互变得困难。
   
2. 如果该渠道不与其他渠道互动并且本身并不十分有效，请摆脱它。
   
3. 执行A / B测试，找出用户为什么选择特定的交互。
   
4. 您可以发现，甚至在进行实际转化之前，您的广告系列都朝着正确的方向发展。 随着渠道互动次数的增加，您已经知道您的广告系列步入正轨。
   
5. 即使明显是最好的，也不要仅使用一种分析工具。 多种方法总是可以改善结果。
   

互动的其他证据（书呆子部分）

经验丰富的分析师将尝试向您证明，渠道交互的概念只是棘手的数据操作。 例如，我们可以假设存在一个非常有效的渠道，它也喜欢集成到一行中的所有链中。 因此，特定链中的唯一渠道越多，拥有此MEGA渠道的可能性就越大，从而增加转化率。 由此和图1（b）中日益增加的依赖性。
但是没有

证书1

为了反驳以上内容，我们展示了来自同一数据集的两个图表。 第一个数字显示了如果您为其选择所有简单链条，则每个通道接收的触摸次数。 第二张图显示了为每个特定通道选择所有简单链后如何进行转换。

图 3（a）特定频道的简单链数	图 3（b）特定渠道的简单链转化率

从图中可以看出，最受欢迎的渠道并不是最有效的渠道，任何统一链的有效性都不会超过17.5％。 我们将揭示此事实的后果：

从图可以看出。 如图3（a）所示，频道1最受欢迎。 因此，如果我们有一个链，但不确定其中包含哪些通道，则可以确定通道1最有可能出现在（非简单）链中的某个位置。

如果频道1的CR更好，我们可以将复杂链的CR的增加归因于该频道，但不能。 链长4的通道1在图2中的平均CR为0.075。 3（b），但不是0.3，如图。 1（b），其中链中有4个唯一渠道。
因此，特定频道的转换率或其“受欢迎程度”不能解释在非简单链中发现的较高转换率。 由此可见，通道的相互作用确实存在。

证书2

我们使用可用的数据创建了一个简单的数学模型，该模型可让我们重新计算转化的可能性，而无需考虑渠道的相互作用。 在“无互动”模拟中，我们的总转化率为0.3％，而不是1.58％。

我们还针对其他两个数据集启动了此仿真。

图 4（a）数据集1.实验（蓝色）与模型（绿色）	图 4（b）数据集2。实验（蓝色）与模型（绿色）

这两个数据集的图形清楚地表明，通道中缺乏交互作用会大大降低CR。 这是交互作用很重要的另一个证据。

如果有人感兴趣，我们将在另一篇文章中编写模型本身，但是它非常简单，您自己可以弄清楚如何制作它。

PS：我们在Runet的多个站点上发表文章。 订阅我们在VK ， FB或Telegram频道上的页面，以查找有关我们所有出版物和其他Maxilect新闻的信息。