रूपांतरण बढ़ाने के लिए यातायात स्रोतों का विश्लेषण

यह आलेख चर्चा करेगा कि Google Analytics या Yandex Metrica टूल का उपयोग करके, उदाहरण के लिए, ट्रैफ़िक स्रोतों का ठीक से विश्लेषण कैसे किया जाए। कम या शून्य रूपांतरण वाले स्रोतों को अक्षम करके, आप समग्र रूपांतरण को बढ़ा सकते हैं, ऑर्डर की लागत को कम कर सकते हैं और ऑनलाइन विज्ञापन की लाभप्रदता में सुधार कर सकते हैं।

इस लेख का उद्देश्य निम्न गुणवत्ता वाले यातायात स्रोतों को अवरुद्ध करने पर सूचित निर्णय लेने के तरीके के बारे में नीचे वर्णित तरीकों पर प्रतिक्रिया और टिप्पणियां प्राप्त करना है।

इसलिए, मान लीजिए कि हमने अपने छोटे व्यवसाय की बिक्री को व्यवस्थित करने का निर्णय लिया, उदाहरण के लिए, किताबें, इंटरनेट पर। हमने एक शानदार उपयोगकर्ता-अनुकूल साइट बनाई है, जिस पर जाकर कुछ भी खरीदना मुश्किल नहीं है। Google समीक्षाओं के बाद, हमने अपने स्टोर के लिए सस्ते ट्रैफ़िक के स्रोत के रूप में कई विज्ञापन नेटवर्क में से एक को चुना। एक नियम के रूप में, सभी विज्ञापन नेटवर्क का अपना ट्रैफ़िक नहीं होता है, लेकिन विभिन्न स्रोतों से इसे खरीदते हैं। विभिन्न स्रोतों से यातायात की गुणवत्ता अत्यंत विविध हो सकती है। कुछ स्रोतों में, सबसे अधिक अभिमानी धोखा हो सकता है, जिसमें से आपको किसी भी रूपांतरण के लिए इंतजार नहीं करना पड़ेगा। अन्य स्रोतों से यादृच्छिक क्लिक आते हैं, लक्षित क्लिक नहीं। तीसरे स्रोतों में, दर्शकों को बीज और बिट्स में दिलचस्पी है, न कि पुस्तकों में। चौथे स्रोतों पर, इसके विपरीत, पुस्तक प्रेमी एकाग्र होते हैं, जिनके लिए हमारा संसाधन एक ईश्वरवादी होगा, और रूपांतरण उनकी अपेक्षाओं से अधिक होगा।

आमतौर पर, सभी विकसित विज्ञापन नेटवर्क यूटीएम-मार्कअप के माध्यम से अपने स्रोतों तक पहुंच प्रदान करते हैं और उन स्रोतों को अवरुद्ध करना संभव बनाते हैं जिन्हें हम पसंद नहीं करते हैं। हम केवल उन निम्न-गुणवत्ता वाले स्रोतों को सही ढंग से प्राप्त करना सीख सकते हैं, जिन्हें बंद किए बिना हम धन को फेंक देंगे, या यहां तक ​​कि दिवालिया हो जाएंगे। इसके अलावा, स्रोतों का सक्षम अनुकूलन हमें विज्ञापन लागतों को कम करने की अनुमति देगा, हम माल की कीमत कम करने और बाजार में काफी अधिक प्रतिस्पर्धी बनने में सक्षम होंगे।

मैं इस बात पर जोर देना चाहूंगा कि इस लेख के स्रोतों का अर्थ चैनल नहीं है, जैसे कि Google ऐडवर्ड्स, यांडेक्स डायरेक्ट या टीज़र विज्ञापन, लेकिन चैनल के भीतर ही स्रोत (साइट)। उदाहरण के लिए, हमने कुछ प्रकार के विज्ञापन नेटवर्क को चुना जिसमें से हम ट्रैफ़िक खरीदते हैं। यह नेटवर्क हमें सैकड़ों स्वतंत्र स्रोतों से यातायात की आपूर्ति करता है, और कार्य यह समझना है कि कौन से स्रोत हमारी परियोजना के लिए उपयुक्त नहीं हैं। बेशक, आप इस तरह से एक दूसरे के साथ चैनलों की तुलना कर सकते हैं, लेकिन आमतौर पर उनमें से बहुत सारे नहीं हैं और आप उनसे मैन्युअल रूप से निपट सकते हैं।

बार-बार स्रोतों के विश्लेषण के लिए एक खराब पुष्टि वाले दृष्टिकोण पर आना पड़ता है, जिसे "आंख से" कहा जाता है। इस पद्धति की एक किस्मों में, वे स्रोत जो 100 रूपांतरणों से कोई रूपांतरण नहीं देते हैं, उदाहरण के लिए, बस बंद कर दिए जाते हैं (यह संख्या मन में होने का नाटक कर रही है)। या, उदाहरण के लिए, विज़िट की यह संख्या 0.1% से नीचे रूपांतरण देती है (संख्या भी मन में होने का दिखावा करती है)। वास्तव में, ये सही दृष्टिकोण हैं, "दिमाग में होने का नाटक" को छोड़कर, जो विभिन्न त्रुटियों को जन्म दे सकता है। स्थिति विशेष रूप से गंभीर है जब आपको किए गए निर्णयों के लिए व्यक्तिगत जिम्मेदारी उठानी पड़ती है। इस मामले में, इन स्रोतों को अवरुद्ध करने का औचित्य साबित करने में सक्षम होना बहुत महत्वपूर्ण है, और वे नहीं थे। "ऐसा लग रहा था" यहाँ बहुत अनुचित होगा। यह आलेख वर्णन करेगा कि इन मानों को सही कैसे ठहराया जाए और पूरी तरह से अच्छे स्रोत को अक्षम करने के जोखिमों को कम से कम किया जाए।

शुरू करने के लिए, हमें अनुमेय त्रुटियों का निर्धारण करना चाहिए। आंकड़ों में, पहली तरह की त्रुटि और दूसरी तरह की त्रुटि मानी जाती है।

हमारे मामले में, पहली तरह की गलती तब होती है, जब संयोग से, हम एक बुरे स्रोत को डिस्कनेक्ट नहीं करते हैं। हमारे लिए, इस तरह की गलती महत्वपूर्ण नहीं है: उन्होंने आज इसे ब्लॉक नहीं किया है - हम इसे कल ब्लॉक करेंगे, जब यादृच्छिक परिस्थितियां सही दिशा में चलेंगी।

हमारे लिए अधिक महत्वपूर्ण दूसरी तरह की गलती है। हमारे मामले में, यही वह क्षण होता है जब संयोगवश, हम एक अच्छे स्रोत को अवरुद्ध कर देते हैं। यह महत्वपूर्ण है क्योंकि इसके बाद यातायात को रोकना बंद हो जाएगा, और इसे अब यह साबित करने का मौका नहीं मिलेगा कि यह वास्तव में अच्छा था।

ऐसी त्रुटि बी की संभावना आमतौर पर स्थिति के आधार पर 5% या 1% चुनी जाती है। यदि स्थिति गंभीर है, तो विज्ञापन का भुगतान नहीं होता है, गंभीर मात्रा में जाते हैं, तो आप अपने आप को 5% या 10% के एक अच्छे स्रोत को अवरुद्ध करने की संभावना के साथ बांट सकते हैं। यदि स्थिति स्थिर है, लेकिन आप सिर्फ स्रोतों का अनुकूलन करना चाहते हैं, तो अच्छे स्रोतों के नुकसान को कम करने के लिए 1% चुनना बेहतर है। 1% की अनुमेय त्रुटियों के स्तर को हमें 5% के स्तर की तुलना में आँकड़ों के लिए अधिक यातायात की आवश्यकता होगी।

मैं यह नोट करना चाहूंगा कि यदि हमने त्रुटि स्तर चुना है, उदाहरण के लिए, 5%, इसका मतलब यह बिल्कुल नहीं है कि हम 5% अच्छे स्रोतों को खो देंगे। इसका मतलब यह है कि सीमा रेखा (और असंभावित) स्थितियों में, हम उन अच्छे स्रोतों में से 5% से अधिक नहीं खोएंगे जिन्हें हम ब्लॉक करते हैं।

अगला चरण Ccr रूपांतरण के महत्वपूर्ण स्तर को निर्धारित करना है - नीचे रूपांतरण के साथ ट्रैफ़िक जिसे हम खरीदने के लिए तैयार नहीं हैं। इस मान से नीचे रूपांतरण वाले स्रोत अक्षम हो जाएंगे। लेकिन इस मान से ऊपर रूपांतरण वाले स्रोतों को किसी भी स्थिति में बंद नहीं किया जाना चाहिए (या बल्कि, ऐसे स्रोतों को बंद करने की संभावना अनुमेय बी से अधिक नहीं होनी चाहिए)। यदि हम स्रोत अनुकूलन में लगे हुए हैं, तो हम मौजूदा औसत रूपांतरण मूल्य का 30% Ccr चुन सकते हैं।

बुनियादी मूल्यों पर निर्णय लेने के बाद, हम विज्ञापन चला सकते हैं और Analytics या मीट्रिक में स्थिति का निरीक्षण कर सकते हैं। आंकड़ों को इकट्ठा करने के लिए, इसके लिए एक निश्चित बजट रखना आवश्यक है।

निम्न-गुणवत्ता वाले स्रोतों का पता लगाने का पहला तरीका विशेष रूप से पहले चरण में प्रभावी है - उन स्रोतों की पहचान करना, जिन्होंने एक भी रूपांतरण नहीं लाया है, लेकिन पहले से ही पर्याप्त संख्या में विज़िट एकत्र किए हैं। हम उन विज़िट की संख्या के थ्रेसहोल्ड मान की गणना करते हैं जिनके ऊपर स्रोत पहले से ही अवरुद्ध हो सकते हैं (यदि उन्होंने एक भी रूपांतरण नहीं लाया है)।

मान लीजिए कि एक निश्चित स्रोत के पास Ccr का महत्वपूर्ण रूपांतरण स्तर है। तब संभावना है कि यात्रा पर आदेश नहीं होगा 1-सीसीआर। और संभावना है कि एन यात्राओं के साथ एक भी आदेश नहीं होगा



हम इस संभाव्यता को त्रुटि B की संभाव्यता के स्वीकार्य स्तर के बराबर करते हैं, जिसे हमने बहुत शुरुआत में निर्धारित किया था। फिर, एनसीआर के एक महत्वपूर्ण मूल्य पर, हमें बस यह मान मिलता है।



एनसीआर को खोजने के लिए, हमें अभिव्यक्ति के दोनों हिस्सों का लघुगणक करने की आवश्यकता है और वास्तव में, एनसीआर को ढूंढें

(1)

गणना में प्राकृतिक लघुगणक के बजाय, आप द्विआधारी या दशमलव का उपयोग कर सकते हैं, अगर यह आसान है। इसलिए, Ncr की विज़िट की संख्या का महत्वपूर्ण मूल्य निर्धारित करने के बाद, हम उन सभी स्रोतों को सुरक्षित रूप से बंद कर सकते हैं, जो इस विज़िट की संख्या से अधिक हैं और उन्होंने एक भी रूपांतरण नहीं दिया है, और आप चिंता नहीं कर सकते हैं - एक अच्छे स्रोत को बंद करने का जोखिम हम से अधिक नहीं है। खुद से पूछा।

पहली तरह से कम गुणवत्ता वाले स्रोतों को बंद करने और लिफाफे को बेहतर बनाने की खुशी और यातायात की मात्रा को कम करने की कड़वाहट को महसूस करके, हम निम्न-गुणवत्ता वाले स्रोतों की खोज करने के लिए दूसरे, अधिक जटिल (कम्प्यूटेशनल) तरीके से आगे बढ़ सकते हैं।

मान लीजिए कि कुछ स्रोत एनसीआर के महत्वपूर्ण मूल्य को पार कर गए, आदेश लाए, लेकिन उनका रूपांतरण हमें कम लगता है। हम उन्हें पहले तरीके से ब्लॉक नहीं कर सकते हैं, लेकिन शायद उनका सही रूपांतरण (जिसे हम नहीं जानते हैं) अभी भी उस महत्वपूर्ण से कम है जिसे हमने खुद के लिए स्थापित किया है। आइए ऐसे स्रोतों को स्वीकार्य जोखिम बी के साथ खोजने की कोशिश करें।

हम केवल स्रोतों को ब्लॉक नहीं कर सकते क्योंकि उनका रूपांतरण Ccr से कम है, क्योंकि ऐसा रूपांतरण गलती से Ccr के ऊपर रूपांतरण वाले स्रोतों द्वारा दिखाया जा सकता है। इसे खत्म करने के लिए, हमें उन स्रोतों को ब्लॉक करना होगा जिनका रूपांतरण Ccr से थोड़ा कम है और कुछ सीमा मूल्य Cx से कम होना चाहिए। Cx के मान को बदलकर, हम यह सुनिश्चित कर सकते हैं कि उन स्रोतों को अवरुद्ध करने की संभावना जिनके रूपांतरण Ccr से अधिक हैं, हमारे द्वारा निर्दिष्ट बी से अधिक नहीं हैं। आइए हम इस सीमा मान Cx की गणना करने का प्रयास करें।

एक निश्चित रूपांतरण के साथ एक निश्चित नमूने के लिए आदेशों की संख्या (और हमारे पास बस ये शर्तें हैं) द्विपद वितरण के अधीन होंगी



जैसा कि ज्ञात है, महत्वपूर्ण n (यात्राओं की संख्या) के साथ, द्विपद वितरण गणितीय अपेक्षा के साथ सामान्य हो जाता है m = n * p और फैलाव D = s ^ 2 = n * p * q (p, हमारे मामले में यह रूपांतरण है, और q = 1- पी)।

मान लें कि Ccr के रूपांतरण के लिए एक निश्चित स्रोत का महत्वपूर्ण मूल्य है। तब इस तथ्य की संभावना K कि n विज़िट्स के साथ वह Cx का रूपांतरण दिखाएगा या उससे कम होगा:



सामान्य वितरण की तालिकाओं से या अजगर में संख्यात्मक पैकेज का उपयोग करके, हम इसी क्वांटाइल K को खोजते हैं - सामान्य फ़ंक्शन के ऐसे मूल्य जिनके लिए संभाव्यताएं संभावित त्रुटियों के अनुरूप हैं:

>>>from scipy.stats import norm >>> norm.ppf(0.05) -1.6448536269514729 >>> norm.ppf(0.01) -2.3263478740408408 

तब हमें मिलता है:



जहां:

(2)

इस प्रकार, यदि समान संख्या में विज़िट के साथ स्रोत का वर्तमान रूपांतरण सीमा Cx से कम है, तो स्रोत को अवरुद्ध किया जाना चाहिए।
यदि n छोटा है, तो Cx ऋणात्मक हो सकता है। इसका मतलब है कि यह संख्या का दौरा स्रोतों का आकलन करने के लिए पर्याप्त नहीं है। यह सूत्र से देखा जा सकता है कि विज़िट की संख्या में वृद्धि के साथ, n x नीचे से Ccr की ओर जाएगा, जो तार्किक रूप से अपेक्षित है।

प्रत्येक स्रोत के लिए अपने स्रोत Cx की मैन्युअल रूप से गणना करना बहुत मुश्किल है, इसलिए मैं एक साधारण अजगर लिपि का स्रोत कोड देता हूं जो एनालिटिक्स से csv अपलोड की प्रक्रिया करता है और आगे के विश्लेषण के लिए सीमा Cx के साथ एक स्तंभ जोड़ता है और अवरुद्ध करने के लिए स्रोतों की खोज करता है:

 #!/usr/bin/env python # -*- coding: utf-8 -*- import csv import math from scipy.stats import norm #  , ,    file_in = 'in.csv' #       file_out = 'out.csv' #    !!  % ,       Ccr = 1.0 #  -     (      ) B = 0.05 # ,      (  - 1) column_source = 1 # ,      column_n = 2 # ,       column_c = 4 K = norm.ppf(B) Ccr = float(Ccr) / 100 #          ,   0, : column_source -=1 column_n -=1 column_c -=1 out_data = [] with open(file_in, 'rb') as csvfile: reader = csv.reader(csvfile, delimiter=',') for i, row in enumerate(reader): # ,       if not i: out_data.append([row[column_source], row[column_n], row[column_c], 'Cx, %']) continue n = row[column_n] n = n.replace(' ', '') n = int(n) C = row[column_c] #    -      , #   ,      C.replace('%', '') C.replace(',', '.') Cx = Ccr + K * math.sqrt(Ccr * (1 - Ccr) / n) Cx = round(Cx * 100, 3) out_data.append([row[column_source], str(n), C, str(Cx)]) with open(file_out, 'wb') as csvfile: writer = csv.writer(csvfile, delimiter=',', quoting=csv.QUOTE_MINIMAL) for row in out_data: writer.writerow(row) 

निम्नलिखित सरल उदाहरण स्रोत विश्लेषण पर विचार करें। मान लीजिए कि निम्नलिखित डेटा के साथ हमारे 8 स्रोत हैं:

स्रोत	दौरा	आदेश	रूपांतरण,%
1	844	3	0.355
2	751	47	6.258
3	520	1	0.192
4	397	40	10,076
5	315	0	0
6	301	0	0
7	162	8	4938
8	12	0	0

शायद उदाहरण कुछ हद तक कृत्रिम दिखता है, क्योंकि यहां और "आंख से" आप देख सकते हैं कि कहां अवरुद्ध होने की आवश्यकता है। यह इसलिए है, क्योंकि, सबसे पहले, उनमें से कुछ यहां हैं, और दूसरी बात, उनके गुणों का उच्चारण किया जाता है। व्यवहार में, बहुत सारे सीमावर्ती मामले हैं जब सबसे अनुभवी "आंख" जरूरी गलत निर्णय लेगा।

तो, इस प्रणाली का कुल रूपांतरण = m = सभी आदेशों का योग / सभी यात्राओं का योग = 2.998%

0.3 * m = 1% के रूप में एक महत्वपूर्ण मूल्य चुनें

सूत्र (1) का उपयोग करके, हम थ्रेशोल्ड मान की गणना करते हैं जिसके द्वारा शून्य रूपांतरण वाले स्रोतों को अलग किया जा सकता है।

एनसीआर = एलएन (0.05) / एलएन (1-0.01) = 298

अब हम उन स्रोतों की तलाश कर रहे हैं जिनका रूपांतरण 0 है और यात्राओं की संख्या 298 से अधिक है। हमारे पास इनमें से 2 स्रोत हैं: 5 और 6. हम उन्हें पहले संकेत द्वारा अवरुद्ध करते हैं।

हम इस आधार पर स्रोत 8 को बंद नहीं कर सकते, क्योंकि, इस तथ्य के बावजूद कि 0 का रूपांतरण है, बहुत कम आगंतुक थे, और हम यह सुनिश्चित नहीं कर सकते कि इसका वास्तविक रूपांतरण वास्तव में महत्वपूर्ण से नीचे है। शायद, वास्तव में, इसका रूपांतरण स्रोत 7 की तुलना में भी अधिक है, इस तथ्य के बावजूद कि यह बहुत अच्छे परिणाम दिखाता है।

अब दूसरी सुविधा पर चलते हैं।

हम सूत्र द्वारा पहले स्रोत के लिए रूपांतरण के सीमा मूल्य की गणना करते हैं (2):
Cx = 0.01 + (-1.64) * sqrt (0.01 * (1-0.01) / 844) = 0.00438 = 0.438%

इस प्रकार, इस स्रोत का वर्तमान रूपांतरण सीमा से नीचे है, और हम 5% से अधिक की त्रुटि की संभावना के साथ कह सकते हैं कि इस स्रोत का रूपांतरण महत्वपूर्ण से कम है। इसलिए, यह स्रोत अवरुद्ध के अधीन है।

शेष 7 रूपांतरणों को मैन्युअल रूप से गिनने के लिए नहीं, मैं उपरोक्त स्क्रिप्ट का उपयोग करता हूं। हम in.csv फ़ाइल में स्रोत डेटा को सहेजते हैं। हम स्क्रिप्ट की शुरुआत में चर की सावधानीपूर्वक समीक्षा करते हैं और कॉन्फ़िगर करते हैं, calc.py चलाएं और out.csv में परिणाम देखें, जो हमें निम्नलिखित परिणाम दिखाएंगे:

स्रोत	दौरा	रूपांतरण,%	Cx,%
1	844	0.355	0.437
2	751	6.258	0.403
3	520	0.192	0.282
4	397	10,076	0.179
5	315	0	0.078
6	301	0	0.057
7	162	4938	-0286
8	12	0	-3724

वर्तमान और सीमा रूपांतरणों की तुलना करते हुए, हम देख सकते हैं कि स्रोत 3 भी अवरुद्ध के अधीन है।

यह भी ध्यान रखना दिलचस्प है कि स्रोत 5 और 6 फिर से अवरुद्ध हैं। यह समझ में आता है, क्योंकि विधि 2 में विरोधाभास विधि 1 नहीं है, लेकिन इसे मामले में तब बढ़ाता है जब स्रोत का वर्तमान रूपांतरण 0 नहीं होता है।

सूत्रों 7 और 8 का सीमा रूपांतरण शून्य से नीचे है। इसका मतलब यह है कि उन स्रोतों की संख्या के साथ जो वर्तमान में स्रोत हैं, उन्हें किसी भी संख्या में आदेशों के लिए अवरुद्ध नहीं किया जा सकता है (अच्छी तरह से, एक नकारात्मक को छोड़कर) उनकी विज़िट की संख्या त्रुटि की स्वीकार्य संभावना वाले किसी भी पूर्वानुमान को बनाने के लिए पर्याप्त नहीं है।

इस तरह, हम अवरुद्ध स्रोतों पर अपने फैसले के लिए एक गणितीय औचित्य ला सकते हैं। बेशक, यह ध्यान दिया जाना चाहिए कि किसी दिए गए से अधिक नहीं त्रुटि की संभावना वाले स्रोतों को सफलतापूर्वक ब्लॉक करने के लिए, विश्लेषण किए गए स्रोत से आगंतुकों की पर्याप्त उच्च संख्या आवश्यक है। उदाहरण के लिए, यदि Ccr को 0.38% पर सेट किया जाता है, तो एक लिफाफे की अनुपस्थिति के कारण इस स्रोत को डिस्कनेक्ट करने के लिए कम से कम 787 संक्रमण की आवश्यकता होगी। और, उदाहरण के लिए, एक ही मूल्यों पर सीमा रूपांतरण Cx = 0.119 के लिए, इस स्रोत से लगभग 1,500 विज़िट पहले से ही आवश्यक हैं। लेकिन यात्राओं का विश्लेषण एक दिन में नहीं किया जाता है, कभी-कभी एक महीने में भी, इसलिए हाल ही में लॉन्च किए गए विज्ञापन अभियान ऐसी कठिनाइयों की उम्मीद कर सकते हैं। इसके अलावा, संवेदनशीलता में काफी सुधार करने के तरीके हैं, लेकिन यह विषय शायद एक और लेख है।

मैं त्रुटियों और अशुद्धियों के संकेत के लिए आभारी रहूंगा। सफल विज्ञापन अभियान!