广告分析:常用的广告效果评估指标大全(广告主 + 媒体)

star2017 7天前 ⋅ 31 阅读

今天分享一下广告投放后,常见的效果评估指标及逻辑。

关于广告投放,上次发表了《线上广告:营销触达的重要渠道》。文中我们详细分享了关于线上广告的基础知识,包括广告平台、CPC等广告结算方式等。相信各位对广告也有了基本认识。

今天,在上次分享的基础上,聚焦一下广告效果评估相关的指标。

01 概述

《线上广告基础》文章中有提到,广告行为的参与者包括了卖方(媒体和网盟等)、以及买方(广告主)等。

卖方和买方关注的广告指标是有所不同的。卖方更关注的是广告收益,而买方关注的,则是广告效果。

图片

02 广告效果相关指标

我们先看一下广告效果相关的指标,也是广告主(买方)关注的指标。下图是某广告投放平台的后台数据呈现:

图片

像花费、订单金额这些指标就不赘述了。

(1)投资回报率

首先,大家最关注的,莫过于ROI了。

ROI(Return On Investment),即广告主的投资回报率。计算ROI的普遍方法是:

ROI=[(收入-投入)/投入]*100%

该指标用来衡量投入产出比。广告主投了1块钱,能收入几块钱?主要就是通过ROI来衡量。是很重要很基础的广告效果衡量指标。

但在衡量收入时,会有归因、追单相关的逻辑,即判断这个订单是不是来源于这个渠道、这次投放。因为通常投放完后,用户从点击广告到最终成单还有很长的链路。这里就需要进行归因分析了。关于归因,可以查看文章《归因分析讲解》

(2)曝光量

也被称为展示量、展示数。用来衡量广告投放期间的总展示次数。

对于CPM广告,当然要重点关注曝光量了。因为CPM就是按照曝光展现进行收费结算。CPM相关详情查看《计算广告讲解》

(3)点击量及点击率

点击量,为投放期用户点击某个广告的总次数。

点击率,即CTR(Click Through Rate),为广告被点击的次数与广告曝光次数的比例,反映了广告的受关注程度,或用来衡量广告的吸引程度。

点击率= 点击量/曝光量*100%

对,如果是CPC广告,那么点击量则是重点的关注内容。广告消耗和点击量密切相关。



(4)到达量及到达率

到达量,即有多少用户点击广告后进入落地页;到达率,为到达量与点击量的比例:

到达率=到达量 / 点击量*100%

通常,点击了广告直接就会进入落地页,也就是点击量=到达量。那为啥还有到达率的概念呢?因为有时候用户点击后闪退,或者页面未完全加载就关闭了页面,都会导致发生了点击,但未到达落地页。

(5)转化量及转化率

转化量,有多少用户点击广告并进入落地页(活动页)后,继续发生咨询、注册、下载、加入购物车、下单等行为。

转化率,即CVR(Conversion Rate),为转化量与点击量的比例:

转化率=转化量 / 点击量 *100%

对于CPA广告,转化量则是直接影响广告消耗的指标了。啥是CPA、CPS?看看《在线广告》吧~

关于广告主关注的指标,主要分享以上的内容。上面的指标都是偏短期投放的效果衡量。关于长期的价值体现指标,后续单独行文分享。

03 广告收益相关指标

下面分享一下和广告收益相关的指标,也是媒体(卖方)关注的指标。

这里可以先看看微信公众号后台广告相关的指标呈现:

图片

其实对卖方而言,曝光量、曝光量、点击量、点击率等指标也是关注的,但是在此基础上,有几个特殊的、只有卖方关注的指标,这里着重谈一下,即填充率和eCPM。

(1)广告填充率

广告填充率是指在一段时间内广告展示数(或称广告曝光数)与广告展示机会数(或称广告请求数)的比率。公式为:

广告填充率 = 广告展示数 / 广告展示机会数 *100%

媒体的广告请求(供)和广告主的广告需求(求)并非总是对等。广告请求一般携带“时间、地域、用户标签 ( 标签类型则依各个平台而定 )、网络环境、广告位形式”等信息,而广告主可以依据自身需要决定是否参与竞价。

因此对媒体来说,并非每次广告请求都有广告主参与竞价,返回并展示相应广告物料。

(2)eCPM

Effective CPM,有效千次曝光收入。它是收入的核心指标。当我们衡量流量变现的效率时,会将收入和曝光这两个关键指标进行关联,计算eCPM。如果eCPM产生较大波动,则与广告主出价、竞争激烈程度、用户点击率均有关。

eCPM =(当日广告收益 / 总广告展示次数)*1000

对于广告主来说,eCPM 即满足营销需求需要付出的成本,在投放前,可以综合评估各渠道 / 广告形式等的 eCPM,制定性价比更高的广告投放策略。

对于媒体方来说,eCPM 则关系着最终广告业务的营收,如何把有限的流量卖的更贵,提升广告收入,需要花费不少功夫 ,提升 eCPM。

关于广告评估指标相关的内容,就先分享这些。欢迎继续关注!

稿:首席数据科学家 , 微信号:ChiefDataScientist


本文地址:https://www.6aiq.com/article/1634257084002
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出

更多内容请访问:IT源点

相关文章推荐

全部评论: 0

    我有话说: