コンバージョンを増やすためのトラフィックソースの分析

この記事では、たとえばGoogle AnalyticsまたはYandex Metricaツールを使用して、トラフィックソースを適切に分析する方法について説明します。 コンバージョン数がゼロまたはゼロのソースを無効にすることで、全体的なコンバージョンを大幅に増やし、注文のコストを削減し、オンライン広告の収益性を改善できます。

この記事の目的は、以下に説明する方法に関するフィードバックとコメントを得て、低品質のトラフィックソースのブロックに関する情報に基づいた決定を行う方法を説明することです。

それで、インターネットを介して、たとえば本を売る私たち自身の中小企業を組織することに決めたと仮定します。 私たちは、何も買わないことはまったく不可能である素晴らしいユーザーフレンドリーなサイトを作成しました。 Googleのレビューを受けて、多くの広告ネットワークの1つをストアの安価なトラフィックのソースとして選択しました。 原則として、すべての広告ネットワークには独自のトラフィックはありませんが、さまざまなソースから購入します。 さまざまなソースからのトラフィックの品質は非常に多様です。 いくつかのソースでは、最もmost慢なチートがあり、そこから変換を待つ必要はありません。 他のソースからは、ターゲットクリックではなく、ランダムクリックが発生します。 第三の情報源では、聴衆は本ではなく種とビットに興味を持っています。 反対に、4番目の情報源では、書籍愛好家が集中しており、そのために私たちのリソースは天の恵みとなり、回心はすべての期待を超えます。

通常、開発されたすべての広告ネットワークは、UTMマークアップを介してソースへのアクセスを提供し、好ましくないソースをブロックできるようにします。 私たちは、お金を捨てたり、破産したりすることを止めることなく、これらの低品質のソースを正しく見つけることを学ぶことができます。 さらに、ソースの適切な最適化により、広告費用を削減でき、商品の価格を下げ、市場での競争力を大幅に高めることができます。

この記事のソースは、Google AdWords、Yandex Direct、ティーザー広告などのチャネルではなく、チャネル自体のソース（サイト）を意味することを強調したいと思います。 たとえば、トラフィックを購入する広告ネットワークの種類を選択しました。 このネットワークは、数百の独立したソースからのトラフィックを提供します。タスクは、どのソースがプロジェクトに適していないかを理解することです。 もちろん、この方法でチャネルを相互に比較できますが、通常はチャネルの数はそれほど多くないため、手動で処理できます。

「目で」と呼ばれる、ソースの分析に対する不十分に実証されたアプローチに繰り返し出くわす必要がありました。 この方法の種類の1つでは、100回の訪問など、変換を行わないソースは単純にオフになります（この数値は念頭に置いているふりをしています）。 または、たとえば、この訪問数は0.1％未満のコンバージョンをもたらします（この数も念頭に置いているふりをします）。 実際、これらはさまざまなエラーにつながる可能性のある「頭に浮かぶふり」を除いて、正しいアプローチです。 あなたが下した決定に対して個人的な責任を負わなければならない場合、状況は特に深刻です。 この場合、これらのソースがブロックされた理由とブロックされなかった理由を正当化できることが非常に重要です。 ここで「思われた」は非常に不適切だろう。 この記事では、これらの値を正当化し、完全に適切なソースを無効にするリスクを最小限に抑える方法について説明します。

まず、許容されるエラーを特定する必要があります。 統計では、第1種のエラーと第2種のエラーが考慮されます。

私たちの場合、最初の種類の間違いは、偶然、悪いソースを切断しないことです。 私たちにとって、この種の間違いは重大ではありません。彼らは今日それをブロックしませんでした-明日、ランダムな状況が正しい方向に吹くときにそれをブロックします。

私たちにとってより重要なのは、第二種の間違いです。 私たちの場合、これは、偶然、良いソースをブロックする瞬間です。 これは、トラフィックをブロックした後に停止し、実際に良好であったことを証明する機会がなくなるため、重要です。

このようなエラーBの確率は通常、状況に応じて5％または1％が選択されます。 状況が重大な場合、広告は報われず、深刻な金額が発生し、5％または10％の優れたソースをブロックする可能性を自分で武装できます。 状況は安定しているが、ソースを最適化するだけの場合は、1％を選択して適切なソースの損失を最小限に抑えることをお勧めします。 許容されるエラーのレベルが1％の場合、統計のトラフィックは5％のレベルよりも大幅に多くなります。

エラーレベル、たとえば5％を選択した場合、これは良いソースの5％を失うことを意味するものではないことに注意してください。 これは、境界線の（そしてありそうもない）状況では、ブロックしたソースから5％を超える良いソースを失うことを意味します。

次のステップは、Ccrコンバージョンの重要なレベルを決定することです。これを下回ると購入する準備ができていないコンバージョンのトラフィックです。 この値を下回るコンバージョンを持つソースは無効になります。 ただし、この値を超える変換を持つソースはオフにしないでください（または、そのようなソースをオフにする確率は許容されるBを超えないようにしてください）。 ソースの最適化を行っている場合、Ccrを現在の平均コンバージョン値の30％として選択できます。

基本的な値を決定したら、AnalyticsまたはMetricで広告を実行して状況を観察できます。 統計を収集するには、このための特定の予算を設定する必要があります。

低品質のソースを検出する最初の方法は、最初の段階で特に効果的です。1回のコンバージョンには至らなかったが、十分な数の訪問を収集したソースを特定します。 訪問数のしきい値を計算します。これを超えると、ソースが既にブロックされる可能性があります（単一のコンバージョンをもたらしていない場合）。

特定のソースが、Ccrの重要な変換レベルを持っていると仮定します。 その場合、訪問時に注文が発生しない確率は1 Ccrになります。 そして、N回の訪問で単一の注文が発生しない確率は



この確率は、最初に決定した許容レベルのエラー確率Bと同等です。 次に、Ncrの重要な値で、この値を取得します。



Ncrを見つけるには、式の両方の部分を対数化し、実際にNcrを見つける必要があります

（1）

計算で自然対数の代わりに、2進数または10進数を使用することもできます（簡単な場合）。 したがって、訪問数Ncrの重要な値を決定したら、この訪問数を超えて1回のコンバージョンを達成しなかったすべてのソースを安全にオフにできます。自問した。

低品質のソースを最初の方法でオフにして、エンベロープを改善する喜びとトラフィック量を減らす苦味を感じることで、低品質のソースを検索するための2番目の、より複雑な（計算上）方法に進むことができます。

一部のソースがNcrの重要な値を大幅に超えて注文をもたらしたと仮定しますが、その変換は低いようです。 最初の方法でそれらをブロックすることはできませんが、おそらく彼らの真の変換（私たちは知りません）は、私たちが自分自身のために確立した重要な変換よりもまだ低いかもしれません。 許容可能なリスクを持つソースを見つけようB

ソースがブロックできないのは、コンバージョンがCcrよりも低いためです。 このような変換は、Ccrを超える変換を持つソースによって誤って表示される可能性があります。 これを解消するには、変換がCcrよりわずかに低く、境界値Cxよりも小さいソースをブロックする必要があります。 Cxの値を変更することにより、変換がCcrよりも高いソースをブロックする確率がBで指定されたものより高くならないようにすることができます。この境界値Cxを計算してみましょう。

固定変換の固定サンプルの注文数（およびこれらの条件のみがあります）は、 二項分布の対象となります。



既知のように、有意なn（訪問数）では、二項分布は数学的な期待値m = n * pおよび分散D = s ^ 2 = n * p * q（p、この場合は変換、q = 1- p）。

特定のソースがCcrの変換に重要な値を持っていると仮定します。 次に、n回の訪問でCx以下の変換が示されるという事実の確率Kは、次と等しくなります。



正規分布の表から、またはpythonのnumpyパッケージを使用して、対応する分位数K-確率が許容誤差Bに対応する正規関数の値を見つけます。

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

それから私達は得る：



から：

（2）

したがって、対応する訪問数を持つソースの現在の変換が境界Cxよりも低い場合、ソースをブロックする必要があります。
nが小さい場合、Cxは負になる可能性があります。 これは、この訪問数がソースを評価するには不十分であることを意味します。 式からわかるように、訪問数が増えると、nxは下からCcrになる傾向があり、これは論理的に予想されます。

各ソースのソースCxを手動で計算することは非常に難しいため、Analyticsからのcsvアップロードを処理し、さらに分析し、ブロッキングのソースを検索するために境界Cxの列を追加する単純なPythonスクリプトのソースコードを提供します：

 #!/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) 

次の簡単なソース分析の例を検討してください。 次のデータを含む8つのソースがあるとします。

出所	訪問数	ご注文	コンバージョン％
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	4.938
8	12	0	0

おそらく人工的な例に見えるかもしれません。ここでは、「目で」ブロックする必要がある場所を確認できるからです。 これは、第一に、ここにそれらのいくつかがあり、第二に、それらのプロパティが発音されるためです。 実際には、最も経験のある「目」でさえ間違った決定をする必要がある場合、多くの境界ケースがあります。

したがって、このシステムの合計コンバージョン=m=すべての注文の合計/すべての訪問の合計= 2.998％

0.3 *m= 1％のクリティカル値を選択します

式（1）を使用して、変換なしのソースを分離できるしきい値を計算します。

Ncr = ln（0.05）/ ln（1-0.01）= 298

現在、コンバージョンが0で、訪問数が298を超えるソースを探しています。5と6の2つのソースがあります。最初の記号でブロックします。

これに基づいてソース8をオフにすることはできません。なぜなら、0のコンバージョンがあるにもかかわらず、訪問者が非常に少なく、その真のコンバージョンが実際にクリティカル以下であるかどうかを確認できないからです。 おそらく、非常に良い結果を示しているにもかかわらず、その変換はソース7の変換よりもさらに高いでしょう。

次に、2番目の機能に進みましょう。

式（2）により、最初のソースの変換の境界値を計算します。
Cx = 0.01 +（-1.64）* sqrt（0.01 *（1-0.01）/ 844）= 0.00438 = 0.438％

したがって、このソースの現在の変換は境界を下回っており、5％未満のエラーの確率で、このソースの変換はクリティカル以下であると言えます。 したがって、このソースはブロッキングの対象となります。

残りの7つのコンバージョンを手動でカウントしないように、上記のスクリプトを使用します。 ソースデータをin.csvファイルに保存します。 スクリプトの冒頭で変数を注意深く確認および構成し、calc.pyを実行してout.csvの結果を確認すると、次の結果が表示されます。

出所	訪問数	コンバージョン％	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	4.938	-0.286
8	12	0	-3.724

現在の変換と境界変換を比較すると、ソース3もブロッキングの対象になっていることがわかります。

また、ソース5と6が再びブロックされることに注意することも興味深いです。 方法2は方法1と矛盾しないため、これは理解できますが、ソースの現在の変換が0でない場合に拡張されます。

ソース7と8の境界変換はゼロ以下です。 これは、それらのソースが現在持っている訪問数では、任意の数の注文に対してブロックできないことを意味します（マイナスの場合を除き）。 彼らの訪問数は、許容可能なエラー確率で予測を行うのに十分ではありません。

このようにして、ブロッキングソースに関する決定を数学的に正当化できます。 もちろん、エラーが発生する確率が一定以下のソースを正常にブロックするには、分析されたソースからの十分な数のビジターが必要であることに注意してください。 たとえば、Ccrが0.38％に設定されている場合、エンベロープがないためにこのソースを切断するには、少なくとも787回の移行が必要です。 また、たとえば、同じ値での境界変換Cx = 0.119の場合、このソースからの約1,500回の訪問が既に必要です。 しかし、訪問は1日、場合によっては1か月でも分析されないため、最近開始された広告キャンペーンでのみこのような困難が予想されます。 さらに、感度を大幅に改善する方法もありますが、このトピックはおそらく別の記事です。

エラーと不正確さの指摘に感謝します。 成功した広告キャンペーン！