![[众诚云网科技]](/uploads/allimg/20190305/c4b08346cbe8b0efae6b132139c2d72a.png)
新闻中心 
DSP广告投放 数据怎么分析?（dsp广告案例）
2023-11-21
浏览次数：次
返回列表先回答一下题主提到的DSP广告投放的框架体系和流程吧
为了更加明晰，直接上图 ┏ (゜ω゜)=☞
1、程序化广告的参与者图：
2、交易模式图览：
3、RTB竞价逻辑：
能弄清楚以上三点，题主对所负责的DSP平台RTB交易也就能了解地差不多啦。
接下来，回归数据怎么分析这一问题。
在实际的广告投放中，优化师是广告投放的核心执行人，负责广告策略的制定、广告投放活动设置、数据分析、优化调整等工作，需要对广告投放效果负责，合理分配预算。
数据分析和投放优化是一个长期的工作，广告投放人员需要根据数据表现进行投放时间、投放预算、定向条件、创意内容等优化调整工作。
投放数据分析
数据分析工作贯穿整个广告投放过程，作用在于：发现问题、分析问题并帮助解决问题。数据分析是为广告投放与优化服务的，而广告投放和优化是围绕KPI 要求进行的。因此，发现问题的标尺是KPI，发现问题之后，需要对数据进行深入分析，抽丝剥茧，定位问题产生的原因并解决问题的对策方案，指导广告的优化调整工作。
数据解读
数据解读是数据分析工作的第一步，围绕KPI 需求整理和解读数据，从中发现问题。解读前需要先了解数据的组成元素。数据主要是由时间、维度和指标三大元素组成的。
分析方法
在数据解读过程中有可能会发现各种各样的问题，需要通过分析数据，发现问题产生的原因。执行人员需要严谨的分析思路，有条理有理据地对维度和指标层层剖析，找出原因并分析解决方案。当然，有经验的执行人员或许可以直接揣摩里面的原因，但是仍然需要对可能产生的原因进行验证，同样需要严谨的分析思考能力。数据分析方法可以概括为：对比、细分、关联。
对比
数据分析时，如果只看单独的数据值是没意义的，感受不出它到底是正常还是异常。必须是将整体数据进行对比，查找差异，分析好与不好的地方并作出合理的优化调整。即使凭经验判断出是异常数据，也是基于当前数据与经验中的常规数据进行比较得出的。在维度和指标上，分为横比和纵比方法。横比是指同一维度级别，分析不同维度成员的各个指标的分布并进行比较；纵比是指同一维度成员的同一指标级别，对不同时间粒度的趋势走向进行比较。
· 分布：主要是分析广告投放数据在各个维度值是如何分布的。品牌程序化广告投放中经常要分析的维度有：地域分布、频次分布等。比如地域维度中消耗的分布情况如何，是否符合投放要求、哪个地区投放消耗最大、该地区对应的点击率或转化率等高还是低。
· 趋势：趋势是基于时间维度的数据走向。通过趋势可以看出广告投放中各个数据值的整体走向，分析投放量是否符合广告排期、投放效果是否达到KPI要求。同时，还要分析数据波动和变化幅度，发现异常点（异常是指异于平常数据，可能是好的数据发展，也可能是坏的数据发展）。
在时间维度上，还可以有同比和环比方法。简单来说，同比是本期与同期比，如2016 年12 年与2015 年12 月相比较；环比是本期与上期比，如2016 年12 月与2016 年11 月相比较。细分
在对比时，发现异常数据，就需要进一步挖掘异常产生的原因。比如，某天的效果数据比前一天差，是什么原因呢？就需要进一步细分不同维度查找原因，是哪个媒体的数据变差？是哪个小时的数据变差？是哪个人群的效果数据变差？又或者是不是因为调整了某个投放策略导致效果数据变差？同时，细分是为了更合理的比较，在不同细分类别进行比较得出来的数据更加客观公正。比如，A 媒体比B 媒体的转化效果好并不代表A 媒体比B 媒体好，细分可能发现A 媒体的某人群效果差导致拉低了整体转化效果水平，可以考虑通过过滤该人群进行优化调整，或者进一步分析该人群是由哪些细分维度导致转化效果差，通过层层细分进行维度关联，从而挖掘优化空间。
细分主要从以下角度进行：
· 人群特征细分：根据用户的需求、性别、年龄、行为、兴趣、消费水平或者用户旅程中的不同阶段等粒度将用户划分为不同人群，可以是单一粒度，也可以综合多个粒度。然后进一步分析不同细分人群的数据。比如细分为男性用户和女性用户、细分为新用户和老用户。
· 时间细分：针对不同时间维度和粒度进行细分。
· 媒体细分：针对广告渠道、媒体、广告位等进行数据细分。
· 创意细分：针对投放的多套创意和版本进行细分。
· 其它维度细分：如地区等。归因
归因（Attribution）是指通过数据观察发现规律或数据之间的因果关联，并在此基础上推断原因并验证。一般可以通过建立归因模型分析广告投放效果。归因模型可以从用户转化旅程中提取，并为不同触点（不同渠道或不同创意）分配不同权重。归因分为广告归因和站内归因，其中广告归因又可以分为渠道归因和创意归因。渠道归因是指在广告投放过程中的各个渠道对转化的贡献率，这些渠道包括广告交易平台AdX/SSP、SEM 关键词竞价或者其它推广方式，再进一步细分查看百度BES、阿里Tanx、腾讯AdX 等资源对转化的贡献率。创意归因是指在广告投放过程中的各个创意及版本对转化的贡献率。常见的归因模型有末次转化归因模型、平均分配归因模型、时间衰减归因模型、价值加权归因模型和自定义归因模型。
· 末次转化归因模型：把转化（点击、注册、下单等行为）功劳全部归于末次触点对应的渠道或创意，这是比较直接的归因模型，但忽略了其它节点的功劳。
· 平均分配归因模型：把转化功劳平均分配给每个触点（用户从看到广告到产生转化过程中的各个触点），这是比较简单的多渠道归因模型，但有可能会高估了中间节点的功劳。
· 时间衰减归因模型：根据用户转化旅程中的时间轴，将功劳倾向于划分给最接近转化的触点，也就是首次触点的功劳最小，中间的多个触点的功劳依次变大，末次触点的功劳最大，这种方式相对合理一点。
· 价值加权归因模型：对不同渠道的位置价值或不同创意的内容价值进行加权，将转化功劳根据权重进行划分。这种方式需要合理划分不同渠道及不同创意的价值。
· 自定义归因模型：自定义各个渠道或各个创意的权重，将转化功劳根据权重进行划分。希望有帮助~
【以上内容资料来源：白皮书《程序化广告生态实用手册》&《品牌程序化广告投放指南》，舜飞科技，高级副总裁，梁丽丽著】
想要白皮书的同学可以私信哦，以上。
