大数据不一定很复杂

[arzina221]

提示：如果您有多个包含相同文字的广告，您可以在目标网址中添加一个变体，并在网址末尾添加井号标签 (#)。例如 。这样您就可以通过搜索“variation123”来识别每个独特的广告。在大多数情况下，它不会改变 URL 的行为。

5. 收集必要的数据
我让广告投放，直到每个广告至少获得 100 次点击。我们花了 6 周时间。对于这些类型的测试，最好立即轮播广告。虽然我也这么想，但测试结束后发现设置不正确。这也可以从下表中看出。有些广告的展示次数和点击次数比其他广告多得多。

无题2

在表中，您可以看到描述 2 的每个尝试变体的平均点击率，按最高点击率排序。变体“-”是原来的。

6. 分析结果
尽管不同版本的 CTR 值之间肯定存在差异，但问题是这些差异是否确实有意义，而不仅仅是基于偶然。为此，我使用与上面相同的方法。


从上面您可以看到，98% 的确定变体 2 比原始版本更好。最低为 95%，所以我们的测试通过了。这很好，因为这种变体每 1000 次展示平均获得的点击次数多了 23 次 (2.3%)。

7. 使用结果
测试表明，“从 €XX 现在 €YY = ZZ% 折扣”规则在我们的测试中表现最佳（每 1000 次展示增加 23 次点击）。我还能用这些信息做什么？一个合乎逻辑的步骤是将获胜行与次佳行“6000 个客户来印度尼西亚电报数据 到您之前！”结合起来。我还可以将这两条规则与商店的其他 USP、Cialdini 影响原则（例如折扣有效期）结合起来，或者在广告中包含产品品牌。

此外，看看人们在点击后是否真的购买可能会很有趣。广告和购买行为（而不是点击行为）之间是否存在关系。

虽然大数据有时听起来很复杂，但很多情况并非如此。您可以使用简单的工具和可用资源开始。如果您希望我在即将发布的有关该主题的博客中包含大数据的某些部分，请留下您的问题或评论。

为了撰写我们的博客，我使用了大数据领域专家的知识。我还要感谢 eXQuo的 Cor Molenaar、 Algorithmica的 Tim Salimans 和 毕马威的 Sander Klous 的投入，以及 Mark Roza 的摄影工作和采访问题。