न्यूज फीड जाहिरातीची अल्गोरिदमिक यंत्रणा काय आहे?माहिती प्रवाह जाहिरात सूत्र

जाहिरात हा एक खेळ आहे जो व्हॉल्यूम खरेदी करण्यासाठी स्पर्धा करण्यासाठी पैसे खर्च करतो आणि माहिती प्रवाह जाहिरात हा अपवाद नाही. त्याला अजूनही किंमतीच्या दोन मुख्य निर्देशकांचे पालन करावे लागेल (CPA=cpm/ctr*cvr) आणि व्हॉल्यूम (रूपांतरण व्हॉल्यूम=एक्सपोजर* ctr*cvr). सर्व स्तरांवर फनेल घटक ऑप्टिमाइझ करणे देखील आवश्यक आहे.

न्यूज फीड जाहिरातीची अल्गोरिदमिक यंत्रणा काय आहे?

माहिती प्रवाह जाहिरात केवळ बुद्धिमान अल्गोरिदम जोडल्यामुळे आहे, आम्हाला केवळ स्पर्धक आणि वापरकर्तेच नाही तर मशीन अल्गोरिदमचा देखील अभ्यास करणे आवश्यक आहे, कारण त्याचा प्रथम अंदाज लावला जातो, आणि या अंदाजामध्ये ते अचूक, उच्च किंवा कमी आहे की नाही हे समाविष्ट आहे आणि समस्या मशीन रिवॉर्ड (प्लॅटफॉर्म जाहिरात रिटर्न), जे तुम्ही वर्तुळ ओलांडू शकता की नाही याच्याशी संबंधित आहे (0-1 एक्सपोजर कोल्ड स्टार्ट आणि फॉलो-अप मॉडेल मॅच्युरिटी स्केल).

याव्यतिरिक्त, लोकांना शोधणे हा जाहिरातीचा एक प्रकार असल्याने, सामग्रीचे अद्यतन (लक्ष्यीकरण हे केवळ गर्दीचे कव्हरेज चित्रित करण्यासाठी आहे, सर्जनशीलता ही त्याला आकर्षित करण्याची गुरुकिल्ली आहे) आणि थ्रेशोल्ड (एकीकडे, वापरकर्ते ताजेतवाने होत आहेत. विनाकारण प्लॅटफॉर्म, आणि प्लॅटफॉर्म सामग्री थ्रेशोल्ड उच्च आहे, आणि प्रतिस्पर्धी उत्पादनांच्या अनुकरणामुळे सामग्रीचे आकर्षण कमी होईल) इतर जाहिरात प्रकारांपेक्षा जास्त आहे.

माहिती प्रवाह जाहिरात सूत्र

म्हणून, अपीलला प्रतिसाद म्हणून, माहिती प्रवाहाच्या जाहिरातीच्या आमच्या विश्लेषणात असे आढळून आले की आम्हाला खालील तीन मुख्य समस्या सोडवाव्या लागतील, ज्या क्रमाने स्पष्ट केल्या आहेत: (मुख्य उद्दिष्ट पहिल्या दोनचा सहाय्यक परिणाम आहे)

1. मशीन अल्गोरिदम: कोल्ड स्टार्ट्स आणि मॉडेल्स

आम्हाला माहित आहे की प्लॅटफॉर्मची जाहिरात कमाई ही ECPM मूल्य (ECPM=cpa*Pctr*Pcvr*bid) वाढवण्यासाठी आहे. वापरकर्ता अनुभव सारख्या विविध वारंवारता नियंत्रण घटकांचा विचार करून, रँकिंग ECPM मूल्यावर आधारित आहे.या सूत्रामध्ये, तुमची बिड सीपीए ही एकच गोष्ट निश्चित केली जाऊ शकते (किंमत आणि बजेट यासारखे घटक जाहिरातदारांच्या गरजा पूर्ण करतात की नाही त्यानुसार बोली घटक समायोजित केला जातो). अडचण Pctr आणि Pcvr मध्ये आहे, जी अंदाजे संभाव्यता आहे. रूपांतरणाच्या प्रदर्शनाचा. अंदाज पातळ हवेतून तयार केलेला नाही, त्याला ऐतिहासिक डेटा संदर्भ आवश्यक आहे, पूर्व संभाव्यता लक्षात घेऊन, वास्तविक प्रदर्शनानंतर, डेटा अभिप्राय प्राप्त केला जातो आणि समायोजन करण्यापूर्वी नवीन पॅरामीटर्स जोडले जातात.आणि हा ऐतिहासिक डेटा मागील रूपांतरित वापरकर्त्याची वैशिष्ट्ये, साहित्य, खाती, उद्योग इत्यादींचा संदर्भ आहे.प्रत्येक अंदाजानंतर, वास्तविक फीडबॅक डेटा उघड केला जातो आणि नंतर पुढील ट्रॅफिक पूलमध्ये प्रवेश करायचा की नाही हे निर्धारित करण्यासाठी पॅरामीटर्स समायोजित केले जातात.कमी अंदाज कमी एक्सपोजर आहे, अंदाज जितका जास्त असेल तितका जास्त खर्च असेल आणि अंदाज वास्तविक डेटाशी सुसंगत असेल. (वास्तविक डेटा जास्त आहे आणि व्हॉल्यूम सतत वाढत आहे आणि व्हॉल्यूम ऑप्टिमायझेशनचा प्रभाव घटक कमी करण्यासाठी वास्तविक डेटा कमी आहे).

(1) कोल्ड स्टार्ट

जुन्या खाते किंवा योजनेमध्ये संदर्भ म्हणून ऐतिहासिक डेटा असेल. नवीन खाते आणि नवीन योजनेसाठी, डेटाशिवाय अंदाज कसा लावायचा?म्हणून, मॉडेलची स्थिरता पूर्ण होईपर्यंत चाचणी आणि त्रुटी खर्च आणि चाचणी आणि त्रुटी वेळ देखील आहे, (मॉडेलची संख्या स्थिर आहे, संख्या जितकी जास्त, मॉडेल अधिक अचूक).आम्‍ही निर्णय देण्‍यापूर्वी आम्‍हाला खरा डेटा मिळवणे आवश्‍यक आहे. जेव्हा एक्स्पोजर अयशस्वी होते, तेव्हा असे होऊ शकते की सिस्‍टमला वाटते की ईसीपीएम मूल्‍य खरोखरच जास्त नाही. आम्‍ही विचारात घेतलेल्‍या घटकांना अनुकूल करू शकतो, परंतु हे देखील शक्य आहे की आम्हाला वाटते की ते चांगले आहे, आणि सिस्टमला वाटते की ते चांगले नाही. इतर पद्धती वापराव्या लागतील.किमान 1 रूपांतरण मिळविण्यासाठी 5000-10000 इंप्रेशन किंवा त्याहून अधिक लागतात.

मॉडेल स्थिर होईपर्यंत कोल्ड स्टार्ट शक्य तितक्या लवकर पास करण्यासाठी, येथे एक सूत्र आहे,कोल्ड स्टार्ट = उच्च बोली DMP क्राउड पॅकेज उद्योग पॅकेज प्रथम अरुंद आणि नंतर विस्तृत ऐतिहासिक साहित्य बजेट वेळ

उच्च बोली: उद्योगाच्या सरासरी बोलीपेक्षा जास्त, जसे की 20% किंवा जास्त, आणि नंतर वास्तविक डेटा फीडबॅक पाहण्यासाठी उच्च बोली कमी करा, जे मशीनसाठी देखील एक बक्षीस आहे, या उच्च किमतीचे परिणाम सहन करा, परंतु आवश्यक एक लहान बजेट एकत्र करा आणि डेटा फीडबॅक मिळवा आणि समायोजित करा.उच्च बोलीवरून डेटा फीडबॅक असल्यास, तो पुन्हा कमी केला जाऊ शकतो आणि तरीही व्हॉल्यूम असल्यास, चाचणी यशस्वी होते.

डीएमपी गर्दीचे पॅकेज: जेव्हा जाहिरातींमध्ये संदर्भ देण्यासाठी कोणताही डेटा नसतो, तेव्हा ते गवताच्या गंजीमध्ये सुई शोधत असलेल्या मशीनसारखे असते आणि संभाव्यतेची एक-एक करून चाचणी करू शकत नाही. खर्च आणि वेळ कमी करण्यासाठी, रूपांतरित गर्दी (नाही. प्लॅटफॉर्मची जाहिरात) आयडी पॅकेज एनक्रिप्ट आणि अपलोड करण्यासाठी वापरली जाते आणि सिस्टमला या क्राउड मॉडेलमध्ये, चाचणी विस्तृत करू द्या.

इंडस्ट्री क्राउड पॅकेज: जर तुमच्याकडे ऐतिहासिक रूपांतरण डेटाही नसेल, तर तुम्ही इंडस्ट्री क्राउड पॅकेज वापरू शकता. आधीच्या लोकांनी तुम्हाला मॉडेलमधून बाहेर पडण्यास मदत केली आहे आणि उद्योग जितका परिपक्व असेल तितके हे क्राउड पॅकेज अधिक अचूक असेल. अर्थात, हे क्रॉसओव्हर ऑपरेशनमध्ये देखील वापरले जाऊ शकते जे डीएमपीमध्ये स्वतःचे क्राउड मॉडेल प्राप्त करण्यासाठी केले जाते.

प्रथम अरुंद, नंतर रुंद: वरील दोन मदत प्रणाली मॉडेल तयार करणे कठीण असल्यास, जसे की काही लोकप्रिय नसलेले उद्योग, प्रथम अरुंद आणि नंतर रुंद चाचणीसाठी इतर पारंपारिक अभिमुखता पद्धती वापरण्याची शिफारस केली जाते. (जाहिरात वापरकर्ते अचूक लक्ष्यीकरण गर्दीतून तपासले जातात, परंतु अंदाजे एक्सपोजर कव्हरेज देखील पाहणे आवश्यक आहे).

ऐतिहासिक साहित्य: अंदाज केवळ वापरकर्त्याची वैशिष्ट्ये (अपील मॉडेल आहे) एकत्र करणार नाही, परंतु सर्जनशीलता आणि पृष्ठावर देखील अवलंबून आहे. येथे, इतिहास इतर खाती किंवा जाहिरात रहदारी सामग्री आणि उद्योग वाहतूक सामग्रीसह एकत्र केला जाऊ शकतो. भूतकाळरनिंग मटेरियलमधील मुख्य बिंदू कॉपी करा किंवा शिका. (कॉपीराइटिंग, चित्रे, दृश्ये,वर्ण, प्रॉप्स, संगीत, कालावधी इ., एक सर्जनशील सामग्री खंडित करा, ते वेगळे करा, ते वेगळे करा आणि ते पुन्हा एकत्र करा. )

अर्थसंकल्प: हा असा आधार आहे जो व्हॉल्यूमवर परिणाम करतो आणि खाते, शिल्लक, योजना, गट आणि जाहिरातींच्या संयोजनात किमान मूल्य घेतले जाईल. (इतर तपशील खाली स्पष्ट केले आहेत)

वेळ: सध्या, प्रत्येक प्लॅटफॉर्मवर कोल्ड स्टार्टसाठी वेगवेगळी वेळ आहे, कमीतकमी 2-7 दिवस ते पाळण्याची शिफारस केली जाते.

2. माहिती प्रवाह जाहिरात प्लेसमेंटचे गणना मॉडेल

1. प्रमाण

रूपांतरणांची संख्या जितकी जास्त असेल तितका डेटा परिमाण अधिक पुरेसा आणि अंदाज अधिक अचूक असू शकतो.आता प्लॅटफॉर्ममध्ये 0 क्रमांक थेट इंटेलिजेंट अल्गोरिदममध्ये आहेत (तत्सम उद्योगांमधील पुरेशा डेटावर देखील आधारित).प्रत्येक प्लॅटफॉर्मच्या आवश्यकता भिन्न आहेत, 6, 10, 20, 50 किंवा त्याहूनही अधिक, म्हणजे, मॉडेल स्थिरता प्राप्त करण्यासाठी जाहिरातीचे बजेट पुरेसे असणे आवश्यक आहे.परंतु हे तुमच्या स्वतःच्या उद्योगातील या परिवर्तनाची किंमत आणि तुमच्या स्वतःच्या बजेट क्षमतांवर देखील अवलंबून आहे.जर उद्योग काही युआन किंवा दहापट युआन असेल, तर 50 रूपांतरणांसाठी देखील हजार युआन खर्च येईल, परंतु काही उद्योगांमध्ये, सरासरी CPA शेकडो किंवा हजारांपर्यंत पोहोचू शकते, आपण खर्च टाळण्यासाठी किमान रूपांतरण डेटा बजेट सेट करू शकता. खूप उंच..

2. (गर्दी रूपांतरण साहित्य)

मॉडेलचे पृथक्करण करण्याच्या दृष्टीने, हे समजले जाऊ शकते की भिन्न लोकसंख्याशास्त्र भिन्न सामग्रीसाठी भिन्न रूपांतरण पद्धती पाहतात आणि बिडची पातळी देखील मॉडेलवर परिणाम करेल (चाचणीसाठी रहदारी पूल भिन्न आहे).अधिक सखोल रूपांतरण पद्धती (जसे की थेट खरेदी, किंवा अगदी भिन्न ग्राहक युनिट किंमतींची खरेदी, जसे की 1 युआन आणि 9 युआन, 49 युआन उत्पादने.) हे अधिक कठीण आहे, अर्थातच, हे देखील यावर अवलंबून असते. उद्योग (शैक्षणिक फॉर्म आणि लोकप्रिय खरेदी यासारखे उद्योग असल्यास, संदर्भ डेटावरून शिकण्यासाठी समान पद्धत वापरण्याची शिफारस केली जाते).

2. साहित्य अद्यतन

आम्ही आमच्या स्वत: च्या किंवा उद्योगाच्या ऐतिहासिक डेटावर अंदाजे पूर्वीचे मूल्य म्हणून काढू जेणेकरून मॉडेल सहजतेने शोधता येईल.परंतु मॉडेलमधून गेल्यानंतर, सामग्रीच्या घसरणीला सामोरे जावे लागेल.शिवाय, वर नमूद केल्याप्रमाणे, माहिती प्रवाह जाहिरातीचा मुख्य भाग सामग्री आहे, आणि अभिमुखता केवळ एक आच्छादित गट परिभाषित करते, ज्यामुळे सिस्टमला ही वैशिष्ट्ये शोधता येतात, परंतु शेवटी, वापरकर्ता कार्य करतो की नाही हे सामग्रीवर अवलंबून असते.यामध्ये सामग्रीचे प्रमाण, नवीन प्रकाशनांची वारंवारता, विक्री बिंदू, अभिव्यक्तीचे स्वरूप आणि प्रेरणा स्त्रोत यांचा समावेश होतो. (खाली तपशीलवार)

3. मुख्य उद्दिष्टे: किंमत आणि खंड

वरील दोन समस्यांचे ऑप्टिमायझेशन अजूनही आमच्या अंतिम मुख्य उद्दिष्टांकडे परत जाणे आवश्यक आहे: किंमत (CPA=cpm/ctr*cvr) आणि व्हॉल्यूम (रूपांतरण व्हॉल्यूम=एक्सपोजर*ctr*cvr), ज्याला SEM जाहिरातींप्रमाणे वेगळे करणे आवश्यक आहे. एक्सपोजर, सीपीएम, सीटीआर आणि सीव्हीआरच्या प्रभाव घटकांचे निराकरण करणे आणि ऑप्टिमायझेशन क्रिया केल्या जाऊ शकतात.

(1) एक्सपोजर

1. बाह्य घटक: प्लॅटफॉर्मचे दैनंदिन क्रियाकलाप, कालावधी, वापरकर्ता टोनॅलिटी, प्रतिस्पर्धी उत्पादने (प्रमाण, वेळापत्रक, बोली), सुट्ट्या, वारंवारता नियंत्रण (जसे की मोठी चित्रे, समान जाहिरातींची संख्या इ.)

2. अंतर्गत घटक: अभिमुखता, ecpm मूल्य (cpa*Pctr*Pcvr*बिड), बजेट, वेळ कालावधी, मल्टी-खाते, जाहिरात जागा, साहित्य प्रकार (सर्व श्रेणी असोत), बिलिंग मोड, रनिंग व्हॉल्यूम मोड, इ.

(2) ctr

जाहिरातीची जागा, साहित्य, शैली, कालावधी, गर्दी इ. (हे अजूनही बाजारातील बाह्य बदलांवर आणि वापरकर्त्याच्या वातावरणावर अवलंबून आहे)

(3) cvr

गर्दी, पृष्ठ (सामग्री रूपांतरण एंट्री), क्रिएटिव्ह पृष्ठ प्रासंगिकता इ.

(4) cpm मूल्य

स्वत:ची बोली, उद्योग स्पर्धा, व्यासपीठावर आधारित बोली

0. माहिती प्रवाह जाहिरात अल्गोरिदम मॉडेलचा 1~XNUMX एंट्री नियम

येथे आम्ही आणखी परिष्कृत किंवा पूरक करू, माहिती प्रवाह जाहिरातीच्या 0-1 प्रक्रियेमध्ये कोणते चरण केले पाहिजेत?

एक चांगली जाहिरात म्हणजे योग्य लोकांना (लक्ष्यीकरण, गर्दीचे मॉडेल) योग्य मार्गाने (उत्पादने, साहित्य, विक्री बिंदू) योग्य वेळी आणि योग्य परिस्थितीत (प्लॅटफॉर्म, जाहिरातीची जागा) प्रभावित करणे आणि त्याच वेळी, ती. कमी खर्चात मोजणे आवश्यक आहे.

कंपनीचे उत्पादन:

जेव्हा उत्पादनाला मक्तेदारी भिन्नता फायदा असतो तेव्हाच उत्पादनाला परिवर्तनाचा फायदा असतो, अन्यथा ते चॅनेल स्पर्धेवर अवलंबून असते.त्यांच्यापैकी बहुतेकजण पूर्ण बाजारातील स्पर्धेच्या बाबतीत त्यांच्या कंपनीच्या उत्पादनांच्या फायद्यांचे विश्लेषण करतात, प्रतिस्पर्धी उत्पादनांची ताकद टाळतात आणि वापरकर्त्यांच्या वेदना बिंदूंवर मारा करू शकतात, जेणेकरून ते फॉलो-अप सामग्रीमध्ये प्रतिबिंबित होऊ शकतात.कंपनीच्या उत्पादनांचे फायदे समजून घेतल्यानंतर, आपण सामग्रीचे विक्री बिंदू शोधू शकता ज्याचे बाह्यीकरण केले जाऊ शकते.

(1) कंपनी: स्थापनेची वेळ, पार्श्वभूमी, स्वरूप, स्केल, सन्मान, सेवा, प्रकरणे आणि इतर परिमाणे यासह विश्लेषण करण्यासाठी, बाह्य विक्री बिंदू आहे की नाही.

(२) उत्पादन: किंमत, कार्य, भावना आणि दृश्य यासारख्या वापरकर्त्याच्या चिंतेतून बाहेर काढले जाऊ शकणारे मुद्दे काढा.

प्लॅटफॉर्म माहिती:

(1) डेटा अल्गोरिदम: प्लॅटफॉर्मच्या दैनंदिन क्रियाकलापांसह, वापराच्या सवयी आणि कालावधी, डेटा परिमाणे आणि अभिमुखता पद्धती.

(2) वापरकर्ता पोर्ट्रेट: मुख्यतः प्लॅटफॉर्म वापरकर्त्यांच्या टोनॅलिटीचे विश्लेषण करण्यासाठी आणि त्यांना कोणती शैली आणि शैली आवडते याचे विश्लेषण करणे.

वापरकर्ता माहिती: वापरकर्ता पोर्ट्रेट, वापरकर्ता गरजा, वापरकर्ता चिंता, वापरकर्ता वापर

(1) वापरकर्ता पोर्ट्रेट: नैसर्गिक गुणधर्म, डिव्हाइस गुणधर्म, स्वारस्य गुणधर्म, वर्तन गुणधर्म (शोध,ई-कॉमर्स, सामाजिक, APP, LBS)

(२) वापरकर्त्याच्या गरजा: तुमचे उत्पादन/सेवा वापरण्यासाठी वापरकर्त्यांच्या अंतर्निहित प्रेरणा आणि वेदना बिंदू

(३) वापरकर्ता फोकस: म्हणजे, वापरकर्ते तुम्हाला का निवडतात याचे कारण. (उत्पादन आणि समर्थन पासून)

(४) वापरकर्ता उपभोग: उपभोग क्षमता, उपभोग मानसशास्त्र, उपभोग संकल्पना

वरील माहितीचा वापर इंडेक्स टूल्स, कीवर्ड मागणी नकाशे, उद्योग अहवाल, स्पर्धात्मक उत्पादन विश्लेषण, वापरकर्ता सर्वेक्षण मुलाखत अभिप्राय, समुदाय सामाजिक टिप्पणी प्लॅटफॉर्म, जाहिरात प्लॅटफॉर्म DMP पोर्ट्रेट विश्लेषण, ग्राहक सेवा विक्री मुलाखती, CRM डेटा विश्लेषण, इत्यादींमध्ये केला जाऊ शकतो.

स्पर्धात्मक उत्पादन माहिती: हे मुख्यत्वे त्याचे भौतिक बाह्यीकरण विक्री बिंदू आणि कंपनी उत्पादन माहितीचे विश्लेषण करते आणि वेगळे विक्री बिंदू शोधते जे त्याचे फायदे टाळू शकतात परंतु लक्ष्यित वापरकर्त्यांना संतुष्ट करू शकतात.

क्राउड सेगमेंटेशन: कोर, लक्ष्य, संभाव्य प्रेक्षक आणि त्यांना कसे लक्ष्य करावे

मुख्य लक्ष्यीकरण: शब्द (जसे की ब्रँड, स्पर्धक), dmp रूपांतरणे, वर्तन (अनुसरण, शोध, खरेदी, डाउनलोड, LBS स्वतः किंवा प्रतिस्पर्धी)

लक्ष्यीकरण: शब्द (जसे की जेनेरिक उत्पादने), उद्योग पॅकेजेस, प्राथमिक मूळ स्वारस्य

संभाव्य अभिमुखता: शब्द (जसे की गर्दी, उद्योग शब्द), दुय्यम आणि तृतीयक संबंधित व्याज पॅकेज

क्रिएटिव्ह पृष्ठ:

(१) लोकांचे वेगवेगळे गट वेगवेगळे क्रिएटिव्ह सेलिंग पॉईंट्स वापरू शकतात, जसे की कोअर ग्रुपचा मुख्य ब्रँड आणि उपक्रम, टार्गेट ग्रुपचे मुख्य डिफरेंटेड प्रॉडक्ट सेलिंग पॉईंट आणि संभाव्य ग्रुपचा मुख्य फोकस कल्याणकारी सवलती आणि आवड निर्माण करणे, वेदना बिंदू आणि चिंता वाढवणे इ.

(२) उदाहरण म्हणून शिक्षण घ्या: लोक (शिक्षक, विद्यार्थी, शिक्षक सहाय्यक, पालक, एकल/बहु-व्यक्ती), मशीन (प्रॉप्स), साहित्य (पाठ्यपुस्तके, भेटवस्तू, पुस्तके, पेन, नोट्स, मनाचे नकाशे), पद्धती (पद्धती, कौशल्ये, नॉलेज पॉइंट्स) आणि रिंगमध्ये गुंतलेले संबंधित घटक (वर्ग, कुटुंब, समुदाय) नष्ट केले जातात आणि एकत्र केले जातात.

(३) अभिव्यक्तीचे प्रकार: ग्राफिक (तीन चित्रे, मोठे चित्र, लहान चित्र, ग्रिड, कोन), व्हिडिओ (तोंडी प्रसारण, कथानक, हाताने पेंट केलेले, ppt...).

(4) चाचणी क्रम: एकापेक्षा जास्त, नंतर एक ते अनेक. (मल्टिपल सेलिंग पॉइंट मटेरियल फॉर्म टेस्ट, रनिंग व्हॉल्यूम मटेरियल शोधा आणि मटेरियलच्या आसपास विस्तारित करा).

(4) पृष्ठ माहिती: SEM पृष्ठ भागाप्रमाणेच तत्त्व (विशेषत: हेडर प्रतिमा आणि बाह्य स्तर मजबूतपणे संबंधित आहेत किंवा अगदी सुसंगत आहेत आणि सर्जनशील प्रतिमा थेट रूपांतरित केली आहे हे लक्षात ठेवा).

(५) कल्पनांचा स्रोत: जाहिरात प्लॅटफॉर्मसाठी सर्जनशील प्रेरणा साधने, मॅन्युअल वाचन, त्रिपक्षीय क्रॉलिंग साधने, कीवर्ड मागणी नकाशे इ.

बोली बजेट:

1. बजेट

（1）、1.5-2倍转化目标数量预算。（如单日100转化量，cpa为100，则可设置15000-20000）。

(2), वास्तविक वापराच्या बजेटच्या 1.5 पट पेक्षा कमी नसणे चांगले. (जर वास्तविक वापर 10000 असेल तर तो 15000 पेक्षा कमी नसावा).

(3) खाती आणि जाहिरात गट सेट केले जाऊ शकतात. योजना सेटिंग्जमध्ये थोडा फरक आहे आणि अंतिम बजेट शिल्लक, खाते, योजना आणि गटाच्या किमान मूल्यावर अवलंबून आहे आणि जाहिरातीची वास्तविक उपलब्ध शिल्लक वापरली जाईल.

(4) बॅकअपसाठी दररोज नवीन सामग्रीच्या जाहिराती अपलोड केल्या जातील, आणि एकाच वेळी ऑनलाइन असलेल्या जाहिरातींसाठी एका जाहिरातीच्या दिवशी रूपांतरित केलेल्या स्थिर मॉडेल्सच्या संख्येसाठी बजेट वेगळे केले जावे. (उदाहरणार्थ, उच्च CPA असलेल्या उद्योगांमध्ये, 6 जाहिरातीसाठी 1 CPA बजेट बाजूला ठेवा). CPA 100 असल्यास, एका जाहिरातीचे बजेट किमान 600 असले पाहिजे. जर दैनिक बजेट 1200 असेल, तर लॉन्च करण्याची शिफारस केली जाते. एकाच वेळी 2-4 जाहिराती.पहिल्या 24 तासांच्या डेटाचे निरीक्षण करा, खराब डेटा असलेल्या जाहिराती त्वरित काढून टाका आणि नवीन रोल आउट करा.

2. बोली

(1) उद्योग आणि शोध किंवा स्वीकार्य CPA द्वारे बोली लावा आणि सुचवलेल्या बोलीच्या आधारावर 5% वाढवा.

(2) थंड वातावरणात सुरुवात करणे शक्य नसल्यास आणि तरीही डेटा नसल्यास, डेटा कार्यप्रदर्शन होईपर्यंत बोली वाढवा. (3000-5000 पेक्षा जास्त एक्सपोजर आणि नंतर निरीक्षण आणि समायोजित)

(३) अद्याप कोणताही डेटा फीडबॅक नसल्यास, तुम्ही बिलिंग आणि रनिंग मोड, लहान बजेट आणि उथळ रूपांतरण उद्दिष्टे यांचे संयोजन स्वीकारू शकता, रूपांतरण डेटा जमा करण्यासाठी आणि सामग्री आणि गर्दी पाहण्यासाठी. (जसे की cpm, cpc फास्ट रनिंग व्हॉल्यूम).

डेटा विश्लेषण:

अनुलंब: किंमत (CPA=cpm/ctr*cvr) आणि व्हॉल्यूम (रूपांतरण व्हॉल्यूम=एक्सपोजर*ctr*cvr) आणि सॉर्टिंग फॉर्म्युला ECPM=cpa*Pctr*Pcvr*बिडवर लक्ष केंद्रित करा आणि कोणता लिंक डेटा सरासरीपेक्षा कमी आहे याचे विश्लेषण करा बाजार, आणि मुख्य भाग सर्वात वाईट आहे ही समस्या या दुव्यामध्ये ऑप्टिमाइझ केले जाऊ शकणारे प्रभावित करणारे घटक शोधण्यात आहे.

क्षैतिज: प्लॅटफॉर्म, खाते, व्यवसाय, योजना, गट, जाहिरात हे मुख्य फरक परिमाण शोधा जे संपूर्ण ते भाग लक्ष्यावर परिणाम करतात आणि या परिमाणेभोवती अनुकूल करतात.