從點擊、花費與轉換中，拆解出高效益廣告活動的投放策略
在這次的資料分析專案中，我從實際的廣告投放資料出發，使用Kaggle公開資料庫中由不具名公司提供之實際社群廣告投放數據Sales Conversion Optimization (anonymous organisation’s social media ad campaign.)進行分析。透過資料清理、建立轉換率指標、分群與預測模型的運用，掌握不同廣告活動與目標族群的行為模式，挖掘提升轉換與廣告效率的黃金廣告組合，複製成功模式。
4個有趣的發現
1. 關鍵轉換率差異：花的多，不代表轉的多
廣告轉換率CVR及平均行動成本CPA相關係數-0.45 ，呈現 中等程度的負相關。雖然不是非常強的相關性，但兩個變數之間仍存在明顯的反向關係：當 轉換率 (Conversion Rate) 增加時，獲客成本 (Conversion Cost) 傾向於減少。
廣告效率 (Efficiency of Ads)：較低的轉換率 可能表示廣告效果較差，導致每次轉換的成本較高。較高的轉換率 可能表示廣告更有效，導致每次轉換的成本較低。
在大多數情況下，好的廣告會呈現 轉換率高、成本低 的特徵，因此轉換率與成本通常是負相關的。但在某些特殊情況下（如高價值轉換或市場競爭激烈），這種負相關可能不明顯或不成立。
說明： 由於這份資料中沒有說明產業種類，也未提供交易金額，無法計算廣告投資報酬率ROAS。這次的分析專案中，我以交易成功為廣告目標，成功轉換率CVR（轉換成功數/點擊數）平均行動成本CPA ( Cost per action )（廣告費/轉換成功數）做為關鍵廣告效益指標KPI。
2. 廣告漏斗AD Funnel Analysis，從曝光 → 點擊 → 轉換檢視各階段的流失，辨識瓶頸
透過廣告漏斗的視覺化與指標量化，辨識瓶頸，做為後續素材優化與預算分配的依據。
- 點擊率極低（CTR = 0.02%）
- 表示廣告素材或受眾設定未打中目標族群。
- 建議重新測試：文案吸引力 / 圖片素材 / 受眾精準度（年齡、性別、興趣）。
- 點擊後成功轉換率還可以（2.8%）
- 表示若能提高點擊量，整體轉換數會有明顯提升。
- CPC 高 / CPA 高：
- 平均達成一次交易需要US$46.17。成本偏高，由於 CTR 低導致每次點擊與成功交易成本偏高。
- 降低浪費預算：移除低效廣告組合，重新設定關鍵受眾。
- 交易完成率偏低（33%）：
- 建議優化到達頁（landing page)與購物流程，進一步提升完成轉換的誘因，如提供試用、限時折扣等。
- 針對未完成訂單者設計「喚醒策略」，提高 ROAS。
3. 廣告效益差異大，轉換率5%~26%，平均行動成本差距高達12倍
- 有些活動，如【ID 1178】 花費非常高，轉換率卻很低（高花費 + 低轉換），代表這些活動設定可能不夠精準。揪出類似的潛在預算黑洞與低效投放組合，重新評估其受眾與溝通策略，避免無效曝光，降低 CPC / CPA 成本。
- 有些活動預算不高，如【ID 916】，卻創造出相對亮眼的轉換效果，代表這些活動可能找到正確族群，具備放大潛力。
廣告的目標是提升效率：以更低的成本獲得更多的轉換，因此好的廣告會優化目標受眾、內容和投放策略，進而提升轉換率並降低成本。這代表我們不能只盯著曝光和預算，更要關心受眾設定與溝通是否精準。
4.轉換率熱圖，從年齡 × 性別 × 興趣看見「誰會買」
- 年齡 × 性別：高轉換主力浮現：主力群：30–34 歲男女皆高轉換，建議作為投放核心！。
- 年齡 × 興趣：興趣決定誰願意轉換
- 興趣類別 31、32、36、101、104、112，在多個年齡層表現出色，建議做為主力群的規劃主題。
- 35–39歲與30–34歲在興趣偏好高度重疊，可視為延伸主力。
- 40–44 歲女性在興趣代碼 104 表現爆發，代表利基市場潛力。
興趣類別造成轉換差異。找出轉換效率高的興趣分類，聚焦行銷內容與素材創作，提升共鳴度。將興趣標籤加入會員標籤系統、測試行銷分眾與 CRM 精準行銷策略。
行銷建議
| 對象 | 策略 |
| 30–34歲 + 轉換率高的主力興趣群 | 加大預算，設計專屬活動與主題頁，未來測試素材的重點組合 |
| 35–39歲 + 興趣 100/104 | 再行銷，延伸測試30-34歲 高效廣告組合 |
| 40–44歲 + 興趣 104 | 利基策略：專屬素材 & 高價值內容 |
| 45–49歲 + 興趣 32 | 長尾族群優化，提升信任感、簡化轉換流程 |
模型預測及分群：讓行銷決策更有方向
1. Top25% 、Bottom25% ：預測高效或低效廣告組合
為了進一步拆解出成功廣告活動的投放邏輯，我以隨機森林建立了兩個模型來測試是否能精準預測高效或低效廣告組合。因資料限制，使用年齡、性別、興趣分類來建模。若模型效果好，未來輸入特徵資料到模型，可在投放前先辨識需要優化或可以放大的受眾組合。
(1) Bottom 25% 模型：模型表現不佳，無法有效區分 Bottom 25%。
- 準確率：51%，接近隨機猜測。
(2) Top 25% 模型：模型表現較佳，預測非 Top 25%的能力較好，對 Top 25% 的預測能力較弱。
- 準確率：64%，優於隨機猜測。
- 非 Top 25% (類別 0)：70%。
- Top 25% (類別 1)：36%。
(3) Top 25% 模型,興趣類別Interest 佔 80% 的重要性
興趣類別對預測非 Top 25% 的影響極大。與轉換率熱圖（年齡 × 性別 × 興趣）分析的結果吻合，興趣類別造成轉換差異。
(4) 改進建議
- 特徵工程：加入更多相關特徵，提升模型區分能力。在實務上，可以加入媒體投放素材設計、產品分類、價格、折扣等更多資料。
- 處理類別不平衡：受限於樣本數及大多數數據集中在低轉換率區域，實務上可擴大樣本數或使用過採樣或類別權重平衡數據。
- 模型優化：調整隨機森林參數或嘗試其他模型。
2. 廣告效益Clustering分群(點擊數x轉換數x廣告費),找出高效黃金組合配方
(1) 三大類廣告群體: 高效精準群、潛在浪費群、潛力可測群
透過KMeans Clustering（分群）技術，將所有廣告依點擊次數（Clicks）、廣告花費（Spent）及轉換成功次數（Approved_Conversion），分成三大廣告群體。
(2) 交叉比對各群組特徵（活動ID、性別、年齡、興趣）
找出高風險與高潛力廣告組合的特徵，有助於未來設定廣告投放的受眾分群與再行銷策略。
(3) 行銷建議
社群廣告投放數據
避免侵犯商業機密，我使用Kaggle公開資料庫Sales Conversion Optimization (anonymous organisation’s social media ad campaign.)進行分析。包含1,143個廣告編號ID（不重覆）、3檔行銷活動Campaign ID、 512次社群廣告活動ID，廣告投放受眾條件－年齡age、性別gender、興趣類別interest（以編號表示）、廣告曝光次數Impressions、廣告點擊次數Clicks、廣告費用Spent（美元）、點擊後轉換總數Total conversion（例如送出訂單、填表或行為完成）、轉換成功數Approved conversion（真正成交轉換數，如完成付款）。由於資料中沒有提供轉換成功之交易金額，所以無法計算廣告投資報酬率ROAS。
結語：數據分析讓我們更理解人，讓行銷更聰明
我始終相信，行銷的本質是「理解人」—而資料分析的價值，在於幫助我們更深入理解人，更進一步轉變成”行動與策略”，用更聰明的方法、打更有效的仗，讓創意與績效同時放大。
在這次的分析專案中，我試著解答 哪些興趣族群最願意點擊？又有哪些最容易轉換？哪個年齡層 × 性別組合的 CPA 最低（若有ROAS，則是ROAS最高）？是否存在「高曝光、低轉換」的廣告？它們的共通點是什麼？哪些行銷廣告活動能創造較高的「真實成交Approved Conversion」？
- 精準找出值得加碼的潛力設定組合
- 減少浪費預算在轉換率不佳的族群（花費高卻轉換差）
- 為 CRM分群經營 / APP Push / EDM 精準推播等再行銷策略提供依據
實務上，若可提供媒體投放素材設計、產品分類、價格、折扣等更多資料做為建模及分析使用，可達成真正 data-driven marketing 的目標，讓每一次溝通更有意義，創造更高價值。
若對我為何想要學習資料分析有興趣，可以看我另一篇文章：行銷轉資料分析跨行跨很大？或是我另一個資料分析專案：Fitbit 智慧手錶使用行為分析
如果你對這樣的資料分析行銷思維有共鳴，歡迎交流、合作，我樂意分享更多實戰經驗與洞察。