如何分析渠道效果的边际效应——选自《电商流量数据化运营》

6.3.1 渠道效果边际变化规律概述

营销渠道效果的一个基本规律是,当营销投入变化时,其产生的营销效果也是变化的,且变化可能不是线性的,而是呈现特定的边际效应。例如:当广告费用持续增加时,转化率在缓慢下降;当流量规模增加时,单位流量的成本却在上升。找到不同渠道的边际效应规律,有利于增加对渠道的认知并能更好的控制营销资源的投入并使企业回报最大化。

6.3.2 分析渠道回报效率的边际递减效应

随着营销渠道广告费用的增加,其回报效率可能出现边际递减效应,回报效率可以是转化率、ROI等转化效率类的指标。例如,当广告费用在10万量级时,每1000块钱能带来10个订单;当广告费用增加到100万量级时,每1000块钱可能只能带来的8个订单。

回报效率边际递减效应几乎存在所有的营销渠道,主要原因在于原来低广告费用下的“精准人群”会随着广告费用的增加变得更加“宽泛”,由于投放人群质量的降低而导致转化效果的下降。

不同渠道有不同的递减特征。图6-8列出了3种常见的递减曲线,其中①为线性递减模式,回报效率会随着费用的增加而线性降低;其中②和③都为指数级递减模式,回报效率会随着费用规模的增加而呈现不同的降低效率。

图6-8流量渠道

下面以附件“第6章”-“6-3”数据为例,分析Google Ads投放费用与订单转化率的关系。

第一步 通过散点图观察投放费用与转化的关系

如图6-9,选择B列投放费用和C列订单转化率两列(图中①);依次点击顶部菜单“插入”(图中②)-图形(图中③)-散点图(图中④);弹出图中⑤的散点图结果。

图6-9 散点图分析投放费用与订单转化率关系

散点图横轴是投放费用,纵轴是订单转化率。通过散点图结果可以看到,当投放费用规模增加时,订单转化率在下降。下降趋势与图6-8中的曲线②更吻合。

第二步 分析不同费用区间内的转化率

该步骤通过数据透视表结合分组功能,量化每个投放费用区间下的转化率变化情况。如图6-10,先选择从A列到F列所有数据(图中①),点击顶部菜单栏“插入”(图中②)-“数据透视表”(图中③)。为了与后续案例区分,将透视表重命名为6-3_PivotTable1。

图6-10 新建透视表分析投放费用与转化率关系

数据透视表设置如图6-11,分别将投放费用拖入“行”(图中①),将UV和订单量拖入“列”(图中②和③);将UV和订单量的汇总计算方式从“计数”改为“求和”,以UV为例:点击“计数项:UV”(图中④),在弹出的菜单中点击“值字段设置”(图中⑤),在弹窗中点击“求和”(图中⑥)。

图6-11 设置透视表投放费用与转化率关系

接下来对行标签“投放费用”分组。在图6-12数据透视表中点击“行标签”中的任意数据(图中①);点击鼠标右键,并在弹窗中选择“创建组”(图中②);在弹出的“组合”窗口中,设置“步长”为5000;点击确定后得到分组结果(图中④)。

图6-12 创建透视表分组投放费用与转化率关系

由于订单转化率是一个比例值,因此不能直接通过原始的订单转化率求均值,而是要基于不同分组的UV和订单量的汇总值重新计算。过程如图6-13,点击透视表中顶部菜单“分析”(图中①)-“字段、项目和集”(图中②)-“计算字段”(图中③),在弹出的“插入计算字段”中,在名称中输入“订单转化率_new”(图中④),在“公式”中输入“=订单量/UV”(图中⑤),得到新的计算字段(图中⑥)。

图6-13 新建订单转化率计算字段

为了更直观的分析结果,可以将表中的投放费用和订单转化率_new单独通过条形图呈现,如图6-14,总体转化率递减规律大体以投放费用10104为界呈现出一定的波动;当投放费用超过10104时,总体订单转化率呈现下降趋势。例如,当投放费用为10104.4946-15104.4946时,转化率在2.05%;当投放费用为25104.4946-30104.4946时,转化率在0.93%;整体下降趋势比较明显。

图6-14 投放费用与订单转化率_new的关系

对投放费用>10104的数据递减规律进一步研究。如图6-15,将透视表的投放费用区间以及订单转化率_new单独复制出来,并选择10104.4946以上的区间(图中①),点击顶部菜单栏“插入”-“图形”(图中②)-“二维柱形图”中的第一个(图中③),得到普通柱形图(图中④)。

图6-15 基于递减数据新建图形

接下来添加趋势线,如图6-16,点击柱形图任意图形(图中①),鼠标右键弹出的菜单中选择“添加趋势线”(图中②),在右侧趋势线选项中,选择“指数”(图中③),勾选 “显示公式”和“显示R平方值”(图中④),

图6-16 添加趋势线

上述操作完成后,在图形中新增一条趋势线,并显示公式和R平方值:y = 0.0309e-0.298x,R² = 0.9742。R² 高达0.9742说明了这个公式对于当前数据的拟合程度非常高(最高为1),通过y = 0.0309e-0.298x可以推导出转化率随着投放规模增加产生的指数递减趋势;在Excel中,该公式表示为:y =0.0309*exp(-0.298*x),其中x的取值为1/2/3…,对应到本案例为从10104.4946开始的每个区间。例如,当x=2时,对应的区间为15104.4946-20104.4946,对应的预测转化率为y = 0.0309*exp(-0.298*2)= 1.70%,实际转化率为1.76%。

6.3.3 分析渠道单位成本的边际递增效应

随着营销渠道流量规模越大,其每个流量的单位成本可能出现边际递增效应,单位流量成本可以是每次点击成本、每会话成本、每UV成本、每订单成本等指标。例如,当流量规模在1万量级时,每次点击成本可能是1元;当流量规模增加到10万量级时,每次点击成本可能增加到1.2元。

渠道单位流量成本的边际递增效应主要存在于带有竞价机制的流量渠道中,包括硬广告中的DSP、RTB、程序化投放广告,SEM、信息流渠道等。在其他渠道上则可能体现不同的特性,例如:

  • EDM和短信营销中,随着人群发送规模的扩大(对应的是总费用的增加),单位发送的成本是边际降低的;
  • 带有大众传播性质的媒体,采买方式往往是CPD,例如互联网门户广告、导航类广告等,其可能呈现出单位成本不变、单位成本增加或降低等不同趋势。

竞价类渠道的需要广告主围绕精准投放人群展开“争夺”,虽然除了境外外,还会有账户质量、相关性、匹配度等因素的考量,但出价仍然是竞价排名的核心影响因素之一。以SEM中的关键字投放为例,当营销费用较少时,可以通过拓展长尾词、通用词等挖掘流量洼地,此时的点击成本可以非常低;但当这些词的成长形成瓶颈时,企业必须与更多的竞争对手通过竞价的方式获得广告展示机会,这就导致流量规模越往上走,需要面对的竞争环境越激烈,因此单位流量成本就越高。

单位流量成本随流量规模的递增可能呈现图6-17的关系,图中①和②为指数级增长;图中③表示线性增长模式,成本增长率保持稳定。

图6-17 流量规模与单位成本的关系

下面以附件“第6章”-“6-3”数据为例,分析Google Ads流量规模(UV)与每UV成本的关系。本案例的操作方法与6.3.2完全相同,因此不再重复介绍中间过程,主要以关键性结果讲解为主。

第一步 通过散点图观察UV与每UV成本的关系

通过对UV和每UV成本创建散点图,得到如图6-18结果。观察发现,当UV规模增加时,每UV成本也在增加,且二者的线性关系较为明显。

图6-18 UV和每UV成本关系

第二步 分析不同UV规模区间内的每UV成本

本步骤中,由于要基于数据透视表中的UV划分区间,同时还要基于UV重新计算每UV成本,因此将UV单独复制一列命名为UV_new,然后再新建透视表并重命名为“6-3_PivotTable2”。

在图6-19中,将UV拖入“行”(图中①),作为后续划分区间的字段;将UV_new拖入值并设置为求和汇总计算方式(图中②);插入新的计算字段计“每UV成本_new”,公式:=投放费用/UV_new(图中③)。这里不能使用=投放费用/UV,因为UV已经作为划分区间的字段使用,得到的是一个分组字符串,而非原始的UV求和。对UV分组设置步长为:3000。得到结果如图中④。

图6-19 UV和UV成本透视表设置

将新计算得到的UV规模分组与每UV成本_new进行柱形图展示。如图6-20,展示了随着UV规模的提升,每UV成本在逐渐提升。通过Excel的数据趋势线提供的拟合功能,得到了y = 0.0774x + 0.8966以及R² = 0.9867,其中x为不同UV区间(横轴表示),y为每UV成本(纵轴表示),R² 高达0.9867说明了拟合程度非常高。

图6-20 分析UV区间与每UV成本关系

每UV成本与UV规模区间呈现高度相关线性关系,可以得到如下结论:当UV以3000区间递增时,每增加1个区间(即3000UV),每UV成本增加0.0774元(方程的系数项)。基于该规律可得到不同递增规模下对应的每UV成本值。

6.3.5 知识拓展:基于数据分组后的规律发掘

在图6-18中,基于散点图得到的UV与每UV成本的关系,虽然也呈现较为明显的线性相关关系。但如果基于原始数据做分析,会发现二者的相关性并不是非常显著。例如,可以使用Excel中的数据统计模块,对UV和每UV成本计算相关性,得到二者的相关性的得分为0.54,仅从数据来看并不属于显著的线性相关。

当将数据做分组后再做分析,会发现分组结果呈现了更加显著的线性关系,主要原因在于:

一是在分组时可以指定不同的分组规则。分组决定了数据集合的范围和边界。本小节的案例基于整数步长分组,在后续业务解释和应用时更加直观方便。除次以外,还有等频法、分位数法、均值标准差法、模型法等。读者可选择对后续使用最有利的方式实现分组。

二是基于分组数据会重新计算组内趋势。通过分组后对数据的汇总计算,更能突出数据整体趋势,同时利于过滤噪音。常见的汇总方式:一类是集中性趋势,指标包括求和、计数、平均值、中位数;一类是离散化趋势,指标包括方差、最大值、最小值等。其中集中性趋势的使用场景更多。

因此,当原始数据没有显著规律时,可以考虑先分组汇总计算再进行分析,就比较容易找到数据规律。有关流量渠道的分组分析,会在6.7中介绍更多内容。


====================【好书推荐,我为自己代言】====================

《电商流量数据化运营》出版了!

  • 10余年业务经验总结:将我在甲方和乙方,跨企业和跨行业的经验总结起来,供大家快速提升,少走弯路。
  • 流量运营教科书:内容围绕流量数据化运营的全流程展开,涵盖渠道策略与计划管理、媒体投放与执行管理、渠道投放效果评估与分析、流量运营监控与效果复盘等各个环节。
  • 有用、实用:不讲数据分析理论,不讲数据分析工具使用,所有方法均可在工作中直接使用,而且围绕流量数据化运营的常见问题展开。
  • 易用、易读:不要求会Python,会用Excel就行,无晦涩难懂的理论和复杂的推导过程。
  • 以场景应用为核心:以业务场景为切入点,内容上围绕业务问题、数据支持方案、实用工具实操的思路,用数据解决每个具体业务问题。
如果你对本书感兴趣,请点击这里查看更多信息!当然,你也可以先加我微信了解一下。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注