Facebook|Google資深優化師群筆記劇場版(七):學會資料分析
對於有大預算需求搶量,而又沒有辦法及時檢視賬戶的情況下,建立規則是最省時省力的一種辦法,以控制單日預算1000美金為例。很多情況下,單日單Ad Set的預算會跑超1000美金,而優化師可能因為別的原因沒辦法及時檢視賬戶,這樣就容易造成損失,我們就需要用到規則,規則的建立方式入口-跑滿預算自動關閉。
GG的UAC campaign一般情況下會需要配置文字廣告,如果不想上文字廣告,可以有2個方法:1文案隨意輸入大小寫,和正常的視訊等素材一起上,之後文字會被禁,而視訊,圖片廣告正常。2或者找GG AM幫忙設定video only campaign即可。
FB展示類視訊產出邏輯一般建議為:先出圖片版式再出視訊版式,這樣提升視訊產出有效率;展示類視訊廣告尺寸優先順序一般為 1:1 >=2:3>16:9
FB投放俄羅斯國家,建議多投IG,IG效果會優於NF。
Q:海外GP用其整包技術上傳整包到商店提供下載,400MB,跳商店看app描述是大包400m大小;但從PC或者手機的web端訪問商店地址看到的是一個30m小包,請教是為什麼?
A1:谷歌超過100mb的話好像只能分包上傳。用了obb技術可以整包傳。
A2:是不是cookies的問題?不是,貌似web端只顯示apk大小,而在商店會算入額外的obb大小。
Q:用這個技術400mb的包整包上傳,和用apk擴充套件包上傳相比有什麼優勢嗎?
A:玩家直接下載的整包。
Q:大家投FB,美國地區有遇到IG和messenger留存偏低的情況嗎?
A:看遊戲,一個是看使用者屬性,一個看廣告形式,還有看是不是週末效應。一般來說,ig和messenger的使用者中年輕人比較多,如果投重度遊戲是可能留存偏弱的。
Q:Line的效果如何?
A:ROI可以,但是量起不來。
對於廣告主來說,合理運用Lookalike來尋找到合適的目標人群進行廣告投放十分重要。而不同的維度學習出來的Lookalike代表著從不同的方面尋找到的相似客群,會有著不同的特製
學習的資料維度包含幾個層次:
1.行為結果資料
這類Lookalike往往與目標人群匹配度最高,轉化成本較低,但受眾較小。
2.行為意向資料
這類資料主要靠購買搜尋引擎上的關鍵字獲得,成本偏高。一般來說,通過行為意向資料來尋找人群,轉化率會比較高。但這類客戶一般已被別的競品在更早的環節進行了影響,轉化成本也相應提高
3.行為偏好資料
行為偏好資料會保證廣告主在潛在客群覆蓋規模和精準度之間達到一個很好的平衡,是廣告主普遍選用的一種資料
4.行為模式資料
行為模式資料往往應用於場景營銷,但是由於加工行為模式的資料計算複雜度較高,同時對分析的實時性要求也很高,因此目前還處在探索和優化階段,實際的應用落地不多
上述所說的幾類資料在營銷領域各有其價值,並不能判斷孰優孰劣。結合具體廣告主的需求都可以達到比較好的效果
Q:俄羅斯投Adw,一直提示違規,應該怎麼改善?
A:要在素材上明確年齡分級,圖片文案都要。根據GP上的遊戲or應用的年齡分類,每句話都要xx+,文案每一行都要加上xx+
Q:Adw的Bumper Ads
A:bumper ads不用許可權,youtube搞五秒以內的視訊會預設去跑bumper不過跑的是真的快。
Google不要只跑文案,Google會自動生成其他的。
系列文章:
Facebook&Google 廣告優化師群筆記劇場版:互動率、流量與LTV
Facebook&Google 廣告優化師群筆記劇場版:關於買量
Facebook&Google資深優化師群筆記劇場版(三):投放渠道於素材選擇
Facebook&Google資深優化師群筆記劇場版(四):CPM
Facebook|Google資深優化師群筆記劇場版(五):轉化率
Facebook|Google資深優化師群筆記劇場版(六):CPA
Facebook|Google資深優化師群筆記劇場版(七):學會資料分析
作者: Josie
來源:全球UA黑客群
相關文章
- Facebook|Google資深優化師群筆記劇場版(九)Go優化筆記
- Facebook|Google資深優化師群筆記劇場版(六):CPAGo優化筆記
- Facebook|Google資深優化師群筆記劇場版(八):廣告投放Go優化筆記
- Facebook&Google資深優化師群筆記劇場版(四):CPMGo優化筆記
- Facebook|Google資深優化師群筆記劇場版(五):轉化率Go優化筆記
- Facebook&Google資深優化師群筆記劇場版(三):投放渠道於素材選擇Go優化筆記
- Facebook&Google 廣告優化師群筆記劇場版:買量與轉化率Go優化筆記
- Facebook&Google 廣告優化師群筆記劇場版:互動率、流量與LTVGo優化筆記
- Redis學習筆記(七) 資料庫Redis筆記資料庫
- 學習筆記|AS入門(七) 資料儲存篇筆記
- 教你七步優化資料庫優化資料庫
- 《資料結構與演算法分析》學習筆記-第七章-排序資料結構演算法筆記排序
- 美國資深資料科學家暢聊:資料分析與北美電商資料科學
- Redis In Action 筆記(四):資料安全和效能優化Redis筆記優化
- Kinect開發學習筆記之(七)骨骼資料的提取筆記
- 資料庫的正規化學習筆記資料庫筆記
- 程式分析與優化 - 3 資料流分析優化
- 基於python的大資料分析實戰學習筆記-pandas(資料分析包)Python大資料筆記
- 群論學習筆記筆記
- 資料庫學習筆記資料庫筆記
- Python資料分析 DataFrame 筆記Python筆記
- Python資料分析 numpy 筆記Python筆記
- Python資料分析 Series 筆記Python筆記
- 易學筆記-系統分析師考試-第5章 資料庫系統/5.1 資料庫模式/筆記資料庫模式
- 學會用這些“套路”,你才算資料分析師
- 斜率優化學習筆記優化筆記
- mysql優化學習筆記MySql優化筆記
- Excel學習筆記一Excel圖表和資料分析Excel筆記
- 【Pandas學習筆記01】強大的分析結構化資料的工具集筆記
- 經營分析資料庫優化方案資料庫優化
- 資料分析方法——使用者群組分析
- 資料對比分析Facebook主宰社交,後來者仍有機會
- 記一次資料庫的分析和優化建議資料庫優化
- 學習筆記:Twitter核心資料類庫團隊的Hadoop優化經驗筆記Hadoop優化
- Oracle效能優化視訊學習筆記-資料庫配置和I/O問題Oracle優化筆記資料庫
- Facebook和Google+的區別–資料資訊圖Go
- Redis 學習筆記(篇七):Redis 持久化Redis筆記持久化
- mysql初始化表資料及插入多條資料學習筆記MySql筆記