当前和未来营销机会有什么评估方法？

评估当前和未来营销机会必须掌握一定的方法，以下就具体方法分别进行介绍。

1．当前营销机会评估的方法

评估当前营销机会，就是对当前市场总需求量进行总体评价。

依照调查结果，用连锁比率法进行分析。连锁比率法是一种估计市场总需求的方法，是指将一个总数乘以若干个百分比，以初步掌握市场总需求，评估营销机会。以计算某新干啤的市场总需求为例，其计算方法为：

市场总需求=购买者的数量×购买者的人均可支配收入×人均可支配收入中用于食品的平均百分比×食品支出中用于饮料的平均百分比×饮料支出中用于含酒精饮料的平均百分比×含酒精饮料支出中用于啤酒的平均百分比×啤酒支出中用于干啤的平均百分比。

2．未来营销机会评估的方法

对未来营销机会的评估，包括以下六种方法。

①专家意见法，即企业听取外来专家，包括经销商、分销商、供应商、营销顾问以及产业公会的建议，预测未来市场需求的方法。

②先导指标法，是指与企业的销售同方向变动，并且比企业的销售更早变动的其他时间序列。企业可以利用一个或若干个这样的先导指标来预测需求。

③统计需求分析法，是指找出影响未来需求最重要的因素，分析这些因素与未来需求之间的相互关系，据此预测未来市场需求，这些因素包括价格、收入、人口及促销等。

④时间序列分析法，是指将产品以往销售额按时间序列排成四个部分，即长期趋势、周期变动、季节变动和偶发事件，再结合这四部分对未来需求进行预测。

⑤市场试销法，是指无法确切作出未来需求预测时，可以在市场直接试销产品。

⑥销售员意见综合法，指通过营销部门的销售员对其销售地区作出估算，将每个销售员的估算综合成总销售预测，以评估未来需求的一种方法。

网络广告效果评估不仅仅是在一个广告投放完成之后的总结，更应该贯穿始终，因为网络观众的多样性与易变性，网络运营商在投放广告的时候要不时对不同的广告类型、网站选择进行调试，通过不同的广告调试的广告效果来确定最为合适的广告媒体投放方案。

1网络广告测评的内容和因素

如何评价和衡量一个广告的好坏，就目前而言，国内广告评估主要从广告的经济效果指标来进行综合评估，其包括广告费用指标、广告效果指标、广告效益指标、市场占有率指标和广告效果系数指标等六大指标。因此要评估一个广告投放是否成功，绝不能从单一指标就得出结论，而是要做一个全面的考察。陈亮跨媒营销机构举例说明：

某网络运营商在广告投放调试的期间，分别对在A网站和B网站投放1000块钱同类型的广告，假如在所有外部条件相同的情况下，A网站给网络运营商带来了5000元的利润和2000个点击，而B网站则个网络运营商带来了4000元的利润，但有5000个点击。

面对上面这个假设，我们应该如何判断那个网站的广告投放效果更好呢，的确如果单从带来的利润来说，A网站要优于B网站；但我们也不能忽视，B网站带来更多的潜在客户，这将是一笔巨大的采访。面对这个问题，陈亮跨媒营销机构按照“1个老客户所带来的利润相当于5个新客户所带来的利润”这一原则，假设网站广告投放带来的经济利益指数为1，那么其所带来的潜在利益指数应该是0.2。那么一个有以下公式：

A网站广告效果=5000*1+2000*0.2=5400

B网站广告效果=5000*1+5000*0.2=6000

很显然，从理念上说，B网站的效果应该比A要好些。但在具体的实施过程中，到底何种方式最有效，还取决于网络广告运营商的广告目的，因此有的网站运营商会选择A网站，有的网站运营商会选择B网站。因此，网络评估不是一个单一指标就能衡量和评估的，它是一个相当系统的工程。

我相信大家从上面的介绍中，或多或少都已经了解到网络广告测评的基本因素有哪些，我们在检测网络广告好坏的时候应该关注哪些因素。陈亮跨媒营销机构总结了一下，归纳为三个因数：曝光数、点击数、转化率。

曝光数：虽然很多网络广告投放收费是按效果付费的，每点击一次计费多少，不点击就不计费。但是我们不能否认，广告曝光也是有价值的，能提升自己的品牌形象，能在消费者心目中产生影响。

点击数：这里说的是有效点击数，点击数是用来衡量网络广告投放所带来多少潜在客户的重要指标。

转化率：这是用来衡量网络广告投放所带来的直接经济利益。也是很多网络运营商最为关注的重点。

2网络广告测评的时间与方法

关于网络广告测评的方法，每次陈亮跨媒营销机构在给客户做网络广告投放方案的时候，都会刻意地建议客户多次测试，其原因很简单，虽然陈亮跨媒营销机构能对广告投放的大致情况有所了解，能掌握广告投放的方向，但是对细节任何走更有效，走那条路更快一些。这还需要实践来验证，毕竟网络信息太多，网民需求也千变万化。

因此，就像我前面所说的那样，网络广告测评纵观投放的整个过程，这也是网络广告投放的灵活所在，可以根据广告投放测评及时改变战略战术。故网络广告投放测评按时间来分可以分为广告前测、广告中测、广告后测三种。

在测评过程中，要评估出网络广告的好坏，必须有一个可衡量的、标准化的方法，相比传统广告拥有央视索福瑞，IC尼尔森等权威机构相比，网络广告到目前位置还没有一家公然的第三方机构可以提供量化的测评标准和方法，大多情况下，都是网络运营商通过后台和具体的销售情况来进行评估。

3影响网络广告效果的因素

我们在广告投放的过程中进行，测量、评估、选择无疑就是为了找到最合适的网络广告投放方案，无疑就是尽量逃避一些不利于广告投放效果的因素发生，那么到底哪些因素能影响到广告的效果呢？陈亮跨媒营销机构根据这几年的经验，总结出以下几大因数：

1、 网站本身

目前，网络信息上亿万条，让人眼花缭乱，各种各样的网站也是成千上万，这样给网络浏览者更多的选择，但很显然，信息的还海量化分散了人们的视眼，这对网络广告运营商则是致命的伤害。因此影响网络广告投放效果的第一个因素就是网站本身。勿容置疑在新浪、网易这种知名度很高的网站是投放广告的反响明显会比一个小网站要强。

2、 广告本身

网络广告类型也种类繁多，各有个的特点，但从人的视觉来说，一般情况下，图像广告要比文字广告要吸引人一些，而FLASH动画图像有要比单页图片广告要更加有效，图片广告面积越大，其效果也越好；与所处的位置也关，在网页中间的动态广告明显比底脚的效果要好。

3、 文案的魅力

很多广告大师都是从写文案出身的，不会写广告文案的人绝不是一个优秀的广告人，我们不要低估一篇优秀的文案所带来的效果，直复式营销大师麦克波尔就曾经利用一份广告信，使他的产品销售了1亿美金。哪怕是一个文案的广告标题，稍微修改一下，有可能会给你带来多达五倍的利润。 （V新润支付）

花花 / 一个数据人的自留地

作者介绍

@花花

曾任职于美团、腾讯、今日头条担任数据分析师。

*** 盘过上百亿的资源评估，与大家一起成长学习。

01    前言

在实际的评估工作中，不是所有的营销活动都做了AB实验，也不是所有进行了AB实验的营销活动都能准确评估出活动效果，比较典型的情况如下：

场景一： banner位要进行大促活动，但距离活动上线时间较短，如果要做AB实验需要产研定制化开发，拿不到产研排期资源的情况下，运营往往会对全量用户进行活动运营。事后要评估该大促活动的投入产出时，就没有严格的实验组和对照组进行对比，如果直接参加活动用户作为实验组、用大盘未参加大促活动用户作为对照组，那么实验组和对照组本身就是存在很大差异的（参与大促活动的一般更加活跃且对补贴敏感），在这种情况下该怎么进行评估才能得到更加合理的结论呢？

场景二： 某直播平台上线了一个直播间的新功能，并进行了AB实验，其中实验组能看到新功能，对照组看不到新功能。但是事后评估时发现，实验组中虽然都能看到新功能且点击使用该功能的用户数据表现都很好，但是点击使用该新功能的用户渗透率很低，如果直接用AB实验的实验组和对照组相比较，那么不能得到显著性的结论。那么直播间的这个新功能真的就没有效果的吗？

02    PSM方法简介

为了解决如上两个场景的营销活动效率评估，常常会根据实际情况matching一个对照组，倾向评分匹配（Propensity Score Matching，简称PSM）是matching的方法之一，使得实验组和对照组进行更合理的比较。

PSM这种方法一般用于医学、公共卫生、经济学等领域。比如研究问题是吸烟对于大众健康的影响，如果要进行随机对照实验，招收大量实验用户，然后随机分配到吸烟组和不吸烟组，这种实验设计不太容易实现，也并不符合科研伦理。

这种情况下观察研究是最合适的研究方法，但是面对最容易获得的观察研究数据，如果不加调整，很容易获得错误的结论， 比如拿吸烟组健康状况最好的一些人和不吸烟组健康状况最不好的一些人作对比，得出吸烟对于健康并无负面影响的结论。

从统计学角度分析原因，这是因为观察研究并未采用随机分组的方法，无法基于大数定理的作用，在实验组和对照组之间削弱混杂变量的影响，很容易产生系统性的偏差。 PSM就是用来解决这个问题，消除组别之间的干扰因素。

PSM的定义很直观，是一个用户属于实验组的 “倾向性”。具有不同特征的用户被干预的概率应该相等。理论上，如果我们对每一个实验组用户都在对照组里匹配一个得分相等的用户，我们就能得到同质的实验组和对照组，就可以假装做了一个 A/B 实验了，接着就可以随意地进行组间比较。

在实际工作中，通过多期的观测验证PSM方法较为适用于某些营销场景，那么可以将PSM模型产品化。运营同学无须每次提需求到算法侧，只需要通过简单的输入就能获得最终结果。

1）输入

确定样本集是PSM中最为重要的一个环节，包含确定实验组用户和对照组用户。实验组用户一般选取策略触达的用户或者是真实体验到核心策略的用户，具体根据营销活动特点来定义，而对照组则是给到一个范围，通过建模从给到的对照组范围中筛选用户特征和实验组相似的用户作为真实的对照组。

一般对照组的圈选范围最好是有活动参与的倾向性但是并没有参与的用户，比如说是同样有某个活动页的曝光，体验活动的用户为实验组，有曝光但是未体验该活动的用户则为圈选的对照组范围。

2）PSM建模

首先要进行倾向性得分估算：这一步直接就是建模问题，自变量为用户特征变量，按需做一下特征预处理，套用LR或者其他更复杂的模型，如LR + LightGBM等模型估算倾向性得分。

其次进行倾向性得分匹配：在有了每个用户的倾向性得分的基础上，针对目前的实验组用户，匹配得到一个近乎于同质的对照组。当用户量足够时候，一个简单做法是进行一对一无放回匹配：对于每一个实验组用户，我们去对照组里找一个倾向性得分最近的用户，把他们配成一对。匹配过程中，可以限制一下配对用户的得分差异不能超过某一个阈值，配不上就放弃，以防把 “太不相似” 的用户匹配在一起。

模型输出及评价：模型的输出包含了实验用户、构建的与之匹配的对照组用户、倾向性得分，评价指标包含模型在训练集上的AUC（越高说明倾向性建模越准确，一般AUC≥0.85则认为效果较好）、各个特征维度的匹配关系值（值越高说明这个特征维度的匹配关系越好）。

3）效果计算

通过PSM构建出与实验组用户特征类似的对照组，那么效果计算的逻辑就和AB实验的计算逻辑类似了。

03

PSM方法实 ***

以上面提到的场景一作为案例，对没有进行AB实验的营销活动进行效果分析。

确定样本集范围

实验组：点击进入大促活动页面并领取到红包的用户A1，导出uesr_id明细作为PSM实验组输入，假设用户数为10,000

对照组范围：有大促页面曝光但是未领取红包用户B1，导出uesr_id明细作为PSM对照组圈选范围输入，假设用户数为50,000

PSM建模

从对照组范围B1中通过PSM建模构建出用户特征和A1相似的用户B2，一个实验组用户找到一个特征相似的对照组用户，所以B2的用户数也为10,000。模型的AUC=0.89，且其他特征匹配值较好。

结果计算

可靠性：AUC>0.85，模型效果较好，匹配结果可以参考。

活动补贴效率计算：实验组A1样本量10,000，贡献的总的GMV为500,000元，总投入成本是50,000元；PSM构建的对照组B2样本量10,000，贡献的总的GMV为300,000元，总投入成本是25,000元。最终计算该大促活动的投入产出比为ΔGMV/Δ成本=（500,000-300,000）/（50,000-25,000）=8，那么我们就可以得出该大促活动的投入产出比是8，即1元投入带来8元的GMV。

04    后记

PSM不是适用于所有的营销场景，一般来说适用于样本量足够、实验效果较为显著且倾向性建模较为可靠的场景，有些场景下难以定义对照组的范围，这个时候如果用全量用户（排除实验组用户）作为对照组的圈选范围，那么最终的误差可能较大。

因此建议在能做AB实验的情况最好还是进行AB实验，在真的无法做AB的情况下再考虑PSM，同时PSM可以结合DID+用户分群提高准确性。

带你探索数据的神奇奥秘

---