この章の解析モデルを中心に展開しますトラフィックのデータ化された操作展開され、主に次のものが含まれます。トラフィック変動検出、チャネル特性クラスタリング、広告統合コミュニケーションモデル、トラフィック予測モデル。

広告トラフィック構造には、いくつかの種類のトラフィックがあります比較的安定しており、より良い結果:

これらのトラフィックは、企業の広告予算によって影響を受けますが、通常は限ります広告予算は十分です企業は、これらのトラフィック チャネルのコスト サポートを積極的に取り消すことはできません。

広告チャネルのこれらのカテゴリは、広告トラフィックを介して行う可能性があります変動モデルが監視されます、モデルはできます比較的安定しているデータ、または一定の時間規則性を持つデータの検出と分析を行います。ここでは、比較的伝統的な方法を紹介します時系列に基づく異常検出方法。

時系列に基づく異常検出方法は、他の異常検出方法の最も顕著な特徴であるデータ間には明確な時間順序がありますを選択すると、各データには時間ディメンションがあり、時間順に並べられます。

時系列分析と同様に、インストルメンテーション アプリケーションの全体的なプロセスが必要です時間周期データを検定、差分してフィッティングし、違いは、予測結果データに私がある点です上下限の信頼区間を定義できます。真の値が信頼区間を超える場合は、データの変動が異常であることを意味します。

ステップは、メソッドを実装します。

• ステップ1:データの読み取りと前処理は、主に文字列を時刻形式に変換します。

• ステップ2:データの安定性、ホワイトノイズ検査、前処理。

• ステップ3:時間ARIMAまたはARMA時系列データにフィットし、最適なPDQまたはQPパラメータ値と対応する値を見つけるfit(トレーニング時) 最適なモデル結果オブジェクト。

• ステップ4:最適なモデル結果オブジェクトに基づいて forecast メソッドを適用して予測を行い (predict メソッドではなく)、および次のキー パラメータを設定します。

• steps：整数型は,予測する時系列点以外のデータ数,たとえばstep=6を設定する効果は,predict法でpredict(start='2019-07-28',end='2019-08-02')を設定する期間と同じである.

• alpha：浮動小数点型は、特定の信頼区間範囲を設定し、信頼区間値を(1-α)に設定し、例えば、アルファ=0.05を設定すると、95%信頼区間の範囲値が計算されます。

たとえばforecast(steps=6,alpha=0.05)を用いた場合である返される結果は次のとおりです。

(array([ 183.03624893, 124.61319468, 134.67763687, 143.22815918, 111.08688519, 113.70161409]), 
 array([ 40.80850407, 43.94083939, 46.60465652, 50.11657005, 50.13881589, 50.13929372]), 
 array([[ 103.0530507 , 263.01944716], [ 38.49073202, 210.73565733], [ 43.33418858, 226.02108516], [ 45.00148685, 241.45483152], [ 12.81661182, 209.35715855], [ 15.43040419, 211.97282398]]))

結果には、次の 3 つの配列が含まれます。

• 最初の配列は予測値は、predict メソッドを使用した場合と同じ結果になります。

• 2 番目の配列は予測値の標準偏差。

• 3 番目の配列は予測値です信頼区間の上限と下限は 2 次元配列です。

3 番目の配列に基づいて指定できます通常の変動範囲の上限と下限を定義しますは、その範囲外の場合、と見なされます異常な変動。

このモデルは、広告トラフィックに適用できる異常な変動検出に加えて適用できますトラフィック運用におけるウェブサイトの主要コンテンツの検出、たとえば、フロント ページ、ヘルプ センター、ショッピング カート プロセス ページなど、これらのページは、通常、トラフィック ソース構造、ユーザー アクセス特性などの特性から比較的安定していますトラフィックのボラティリティ検出。

企業が多数の広告メディアを配信する場合、このような多数のメディアのマルチフィーチャ分析を初めて行う必要があります。 この時点で、ペアを検討することができます広告チャネルの特性をクラスター化しますそして、より顕著なグループのいくつかのカテゴリから深く掘り下げてください。

ほぼすべてのビジネスで配信されますSEMチャネルたとえば、アカウント内のキーワードには数千のロングテールワードが標準であり、大企業の100万以上のキーワードは「家庭的」ですキーワードのボリュームの効果を分析します難しい点です。

にクラスタリング メソッドたとえば、まずクラスタリング メソッドを使用できますすべてのキーワードのプロパティ、アクション、および効果をグループに分割します。 ここで:

• プロパティ:アカウント構造、品質など

• 操作:予算、価格、ブラックリスト、地域、マッチメイキング方法、期間、プレゼンテーション方法、マッチメイキングのアイデア、プラットフォームなど

• 効果:SEMランキング、クリック価格などのSEM指標、アウトサイト広告の露出、クリック数、インサイトトラフィック数、コンバージョン指標

次に、分割されたグループに基づいて、異なるグループ間の有意な特徴を分析しますさらに分析および最適化できる方向を見つします。 たとえば、次の場所があります。

• キーワードのカテゴリは、ランクが低く、品質が低く、トラフィックが少ない、コンバージョンが少ないなど、必要になる場合がありますキーワード配信戦略を再計画します。

• キーワードのカテゴリは、ランク付けされ、高品質ですが、トラフィックが少ない場合がありますプレゼンテーションとアイデアの魅力の最適化に重点を置き、ユーザーの注意とクリックを取得します。

• キーワードのカテゴリは、良いランク、高品質、高トラフィックを持っていますが、コンバージョンが貧弱であり、これらのキーワードは、コンバージョンプロセスとステップレイヤーを分割するために、ランディングページから分析を開始する必要があります。チャーンとコンバージョンのキー ノードを見つします。

広告の統合コミュニケーション指すすべての企業の広告とコミュニケーション活動は、コミュニケーション効果を最大化するために、特定の方法の組み合わせを通じて、統一された戦略によって導かれます。

広告統合コミュニケーションの概念は、非常に早い段階で登場し、この概念に似た別の概念ですマーケティングコミュニケーションの統合。 しかし、統合マーケティングコミュニケーションは、企業経営のほぼすべての側面をカバーし、あまりにも広いので、ここでは、広告の統合コミュニケーションの内容のみを扱います。

広告は統合され、広がります出現は、主に2つの背景に基づいている:

• 現在の広告メディアとユーザーが情報にアクセスするチャネルは非常に多いため、すべてのユーザー に完全にリーチできる広告チャネルはありませんメディアの断片化は非常に深刻です。企業は、できるだけ多くのユーザーにリーチするには、より多くの広告メディアを一緒に配信する必要があります。

• マーケティング会社(特に4A社)は、すべての広告チャネルが企業の広告コミュニケーションに同じ役割と貢献をしているのではありません。異なるチャネルの貢献に基づいて、特定の組み合わせ戦略とアプローチを組み合わせる必要があります。

広告メディアを選択する方法と、さまざまな広告メディアのコミュニケーション戦略を整理する方法広告統合コミュニケーションの懸念事項です。 実際、この問題はデータ化の時代以前から研究され始めていたが、データサンプルや技術などの問題に限定され、サンプリング調査のみで実施できるため、結果の参照は少ない。

現在、合格データを定量化します広告統合コミュニケーションモデル分析を行う方法、主に次の 3 つのデータ分析方法の組み合わせが含まれます。

1.広告ソースパス

広告のソース パスできますさまざまなパスで生成されるコンバージョンの数、コンバージョン値、平均所要時間、コンバージョン ステップなどを提供します。次の図のレポートは、Webtrek (他の Web サイト分析ツールでも同様のレポートを提供) から取得され、各広告メディア パスが表示されます変換の前提で形成されるパス。

たとえば、番号 10 で表されるユーザー広告メディア パスの場合、ユーザーは Facebook を通過し、Direct 経由でサイトにアクセスし、コンバージョンを完了する数は 21 回、値は 103.4 で、平均コンバージョン時間は 0.76 日、合計コンバージョン ステップは 2 (2 ステップ) です。

2.目標コンバージョンアトリビューション

目標コンバージョン アトリビューションできます異なるアトリビューション モードで、コンバージョンに関与するすべての広告メディアが目標に貢献する状況を解決します。異なるアトリビューションモデルの下で、異なるチャネルの貢献。 多くの Web サイト分析ツールは、さまざまなオプション アトリビューション モデルを提供できます。

Webtrek が提供しますマルチアトリビューション モデル、モデルはできます位置による統合アトリビューションは、重みの割り当ては、通常、最初の入力チャネルと最後の入力チャネルの注文に大きく寄与し、他のチャネルは弱い貢献をします。

図の既定の最初と最後のチャネル ウェイトは、それぞれ 30% と 40% で、他のチャネルは平均 10% です。

アトリビューションの価値測定では、できます複数のメトリックを使用することを選択します。たとえば、コンバージョン数、コンバージョン値などです。 具体的に定義されたコンバージョン目標に基づいています。

通常、e コマース コンバージョンでは、注文クラスへの貢献度は注文ボリュームによって測定され、非 e コマース コンバージョンでは目標完了数 (読み取り、送信、リード数など) によって測定されます。

3.広告チャネルへの関連アクセス

アソシエーション分析だけでなく、バスケットの分析を行うに使用することができますユーザー アクセス動作、検索動作など、さまざまなパターンの分析に拡張します。関連分析を広告チャネルに適用するパターンの探索は、ユーザーの広告ソース パスをさらに深化させる方法です。

広告ソース パスの調査では、各ユーザー コンバージョン パスと含まれる広告チャネルが既にわかっていますが、この分析方法です解決されていない2つの問題がまだある:

• パスはトリガー ポイントに変換され、変換なしではパスが存在し、露出に焦点を当てた情報が無くなる可能性があります方法は、パス情報を生成しますトラフィックの貢献であっても、Web サイトへの貢献の意味を測定することは不可能です。

• ほとんどの場合、コンバージョン パスは両方ですロングテール効果が発生しますつまり、ほとんどの変換は数百または数千の変換パスに集中し、すべてのパスからチャネルの組み合わせに関する有効なルールを抽出することは不可能です。

になりますアフィリエイト分析は、広告チャネルのアフィリエイトアクセスに適用されます。偶然にも、上記の2つの問題を解決します。 下のスクリーンショットは、Webtrek のチャネル関連アクセス レポートです。

レポートでは、特定の広告媒体間の相互関係を見つけることができます。この関連付けはコンバージョンとは関係がなく、ユーザーの訪問行動とパターンにのみ関連します。たとえば、序数 1 は、ユーザーが Facebook から Daily Banner 経由でアクセスする Web サイトの数が 21、サポートが 0.76、リフトが 1.03 であることを意味します。 この数は、関連する解析結果のインスタンス数に対応します。

まとめると、要約します次の 3 つの方法で、広告統合コミュニケーション モデルのより良い解釈を実現する方法:

• ユーザー広告のソース パス私たちを助けることができるコンバージョンを含むユーザー訪問ソースのすべてのシーケンスと、コンバージョンのステップと時間を把握し、これは、変換プロセス、時間、およびパターンを理解する上で重要です。 各コンバージョンのパスはフルパスですが、読者は、そのパスを、すでに前処理された関連分析のソースデータとして使用し、関連付け分析を直接行い、コンバージョンを持つユーザーの広告ソースパターンを見つけることができます。

• 目標コンバージョン アトリビューション私たちを助けることができる企業の特性に応じて定義されたアトリビューション モデルコンバージョンに参加する広告チャネルへの効果的な貢献したがって、価値評価と支払い入力を支援し、特に変換の「初期段階」でドフローとアクセシビリティのチャネルで特に重要です。

• 広告チャネルへの関連アクセス私たちを助けることができるすべてのユーザーの頻繁なアクセス パターンを理解し、特に、コンバージョンと非コンバージョンの両方を含むプロセス全体でユーザー関連のアクセス パターンの問題を解決するメディアの組み合わせの小規模な組み合わせに特に効果的です。

上記の3つの方法は、以前のアンケート方法に対してさらに定量的に改善されていますが、それでもです注意すべき点がいくつかあります。

• 上記の方法の実装は、現在ですクッキーに基づいて、そして、我々は知っているクッキーの安定性は、時間、ユーザー操作、およびその他の要因によって変化します。これにより、データが直接変更されます。

• ユーザー アプリケーション プラットフォームの多様化と、マルチデバイス、マルチブラウザー、およびマルチアプリケーション同一ユーザの識別が困難になって、ユーザーが効果的な認識方法を持っていない場合、データは非常に分散し、相関効果はありません。

• トラフィックのチート問題は、統合分析を行う前に、広告の分野で比較的頻繁に発生します異常検出とデータ排除も不可欠です。

• データ収集の制限により、ユーザーが企業が配信する広告をクリックし、企業の Web サイトまたはアプリに到達すると、企業は広告の露出情報を取得できないためですクリックまたはクリック以外のカテゴリのチャネルを評価できません。一般的なチャネルは、CPM などのディスプレイ広告です。

広告トラフィックの予測ほぼすべてのマーケティング部門が広告を計画する際に必要なステップです。 広告トラフィック予測モデルを使用できます既存のトラフィックや広告費用のレベルなどの要因に基づいて、特定の条件下でどのくらいのトラフィックが発生するかを予測します。

電子商取引会社では、このトラフィックは、多くの場合です販売目標に基づいて生成されます通常、ビジネスは販売タスクを決定し、次に販売タスクに基づいて必要なトラフィック サポートを逆にします。

トラフィック予測には、シナリオごとに異なるアプローチがあります。

• もしそうなら制御可能な変数がないか、変数が見つからない、直接トラフィック、参照トラフィック、自然なソーシャルメディアのトラフィックなど、使用を検討することができます時系列分析方法。

• もしそうなら経費管理メディア,例えば、SEM、ハードワイド、ナビゲーション広告等を用いることができる回帰クラス モデルトラフィック予測を行います。

トラフィック予測アプリは、売上予測など、他の数値予測と同様の方法で使用されますが、存在します特定の特殊性:

• 広告費用の継続性:一般に、広告費の支出は継続し、ただし、場合によっては、料金の到着が間に合わないなどの要因により、広告が配信されない場合があります。 これらは通常、コミュニケーションメカニズムとメディア自体の要因によって引き起こされます。

• サーバー同時実行の応答性:企業が大規模なプロモーションを行うと、トラフィックは数倍または数十倍に増加する傾向がありますエンタープライズ サーバーは、一時的な高トラフィック同時実行をサポートできません。これは、トラフィック、販売、メンバーシップなど、会社全体のデータ作業に影響を与えます。 データへの影響は、主にトラフィックデータの減少、売上データの減少などです。

• 広告媒体の相互作用:広告媒体の配信は、多くの場合、生成されますクロス影響効果、つまり、一部のメディアが広告を掲載していない場合でも、他のメディアやアクティビティの影響を受けるデータの変更が発生します。 たとえば、広告を掲載すると、通常、SEM ブランド キーワード、ブランド ゾーン、ナビゲーション サイト、直接入力チャネルのトラフィックが増加します。

• チートトラフィック:不正行為のトラフィックは、ここで再び言及, 理由不正行為は、多くの場合、制御不能であり、必ずしも検出できない要因です。また、不正行為のトラフィックのサイズは、広告の種類によって異なります。 通常、クリックカテゴリ(トラフィックベースの広告チャネル、ハードワイドなど)は、SEM、ナビゲーション、ソーシャルメディアなど、より深刻な不正行為です。

• 広告の掲載結果の継続性:ときにアドウェア広告の掲載が停止した後も、広告の掲載結果はしばらく続く可能性があります。この現象は、特に電子メール、ソーシャル メディアなど、時間の長い広告では一般的です。

• 補充:補充とは、広告媒体が、インプレッション数の不足やクリック数の不足など、独自の要因により、期待される約束された広告配信基準を満たせなかったことを意味します広告の掲載場所を増やしたり、広告の長さを延ばしたりして、約束の効果を補います。