facebook广告提高ROI的方法有_facebook广告投放提成百分比

本文目录一览：

如何在facebook上做推广

做推广的方法如下：

做粉丝：第一步，现有的客户是我们的粉丝，好好激活，好好服务；

第二步是考虑你的品牌和产品需要什么样的粉丝。你应该为他们建立一个互动和服务的家；

第三步是激活这些粉丝，让粉丝帮助品牌传播，把身边的弱关系和强关系变成新粉丝。

筛选用户：第一步是把它从广泛的潜在用户那里放在自己的销售漏斗里；

第二步是把不知道的用户变成知道的用户；

第三步是把感兴趣的用户变成结账用户；最后，把结账用户变成忠实客户。

增强品牌曝光度。

建立账户信息时，请确保账户封面、头像等信息与您的品牌或产品相关。在此期间，用户可以在公司介绍中看到您的网站，以便更多的人有机会打开链接。

为防止因安全问题窃取账户或误判广告，建议提前加强账户安全设置，绑定多个安全账户，设置多个管理员，以便今后取回账户并解封。

请问APP推广，如何快速提高产品ROI，有好方法吗

广告主在完成前期推广，最终步入收网环节，可以大谈ROI，一个熟悉的声音就出来了。ROI当然是越高越好。一阵激动之后，我们还是需要冷静思考ROI的本质。

一般解决思路：

金融app的长决策性，一个移动金融APP达到需要的临界值流量，流量与APP内容的总体匹配程度必然会降低，在这之后，ROI 也会随着流量的增加而必然降低。简单来讲，面对碎片化、重度垂直的移动网络环境，每一个APP推广最匹配的流量是有限的，当超过某一临界值时，高价值流量减少，ROI自然会随之降低。

症结：

1、边际思维：单纯以ROI 作为KPI 引导，ROI而是一个边际效应值

2、增量思维：ROI提升需要对自然渠道增量与投放渠道增量用户维护

结藤传媒的优化策略：

给产品埋下用户成长策略，建立用户成长通道

理解产品定位：智能投顾平台

新用户：

① 从原有新用户开户送60元红包，拆分新人任务奖励，添加以老带新奖励

② 渠道投放用户。投放带来用户属性为较精准的受众，培养更多的是内容上的支持。

如何提升ROI？

ROI，即投入产出比，是指投入资金与其所产生的收益的比值关系。ROI在网络推广中占据着重要作用，对于所有的推广人员来说，ROI越高，则说明推广效果越好。无论是做搜索引擎营销，还是做信息流推广，投产比都是一个至关重要的指标。而如何提高ROI，这个问题，困扰着许多的推广人员，接下来，聚卓就来浅谈一下如何提高ROI，希望对大家有所帮助。

网络推广万变不离其宗，我们就以SEM竞价账户为例，来说说一些提高ROI的注意事项。

竞价账户搭建的合理性

做SEM，首先要考虑账户的搭建是否合理，计划、单元、关键词、创意、匹配模式、地域、预算、推广时间等方方面面都要考虑进去。在搭建账户计划时，一定要结合客户端属性及推广时段来进行搭建，PC端和移动端分别搭建，针对上午，下午，晚上的推广情况来具体规划预算；设置单元时，应结合行业属性来进行搭建，哪些是行业大词，那些是精准推广词，哪些是流量词，哪些是品牌词，哪些是竞品词，都要分门别类地进行细致划分，这对于后期的创意撰写及账户调整起到核心作用。

标题及创意是推广关键

待账户搭建完成之后，就到了推广的关键环节，即标题和创意的撰写，通配符的数量不应过多，2-3个即可，否则飘红关键词太多，影响客户体验。在创意撰写上竞品词去通配符，品牌词展现实力及卖点，针对不同的关键词撰写标题和创意，这不仅可以提高关键词质量度，还会提高点击率。

落地页决定转化效果

好的落地页，是成交的关键。一个有吸引力的着陆页，不仅可以大大增加访问时间，还能促成访客留下联系方式。所以优秀的落地页一定要包含产品或服务的卖点，能解决客户什么样的痛点，以及足够明显的转化页面。

数据分析是核心

分析数据，是每个SEMer必须做的事情，好的SEMer不仅会分析账户的消费情况，关键词的消费情况，转化情况，还会细到分析是哪些关键词产生的转化，以及转化成本是否在可控成本之内。咨询成本，获客成本、签单成本，环环相扣，决定着ROI的高低。

匹配和出价有效结合

放宽匹配的同时，降低出价，收匹配时适当提价，这是大多数竞价员的想法。对于消费低、转化高的关键词，精确出高价排前面；对于流量词，核心或广泛，低价跑量，看效果调价；对于行业大词，是精准抢位，还是核心跑量，这取决于每个人的竞价思维。

用好透视图和vlookup函数

做透视图和利用vlookup函数，对转化效果做到心知肚明，哪些词带来了咨询，哪些词促成了签单，其咨询及签单成本，分别是多少。了解这些，对你下一步的账户调整帮助很大。

SEM作为精准营销，所带来的流量较其他推广形式要精准得多，其营销方式是在搜索引擎上投放关键词，按点击收费的形式来进行推广。关键词的出价及质量度决定了该关键词的排位情况，若想关键词排名靠前，调价调匹配的同时，还得不断优化关键词质量度。尽管SEM的成本很高，但依旧还有很多企业在这方面加大预算，原因是搜索引擎带来的流量之大，而尽管SEO能将关键词优化上首页，但其占位也是在竞价广告位之后，很多潜在客户根本不会拉到下面来点击快照进行了解。所以掌握竞价规律小火箭下载，提高ROI势在必行。

【排序】GBDT+LR

解释来源于知乎：

RF也是多棵树，但从效果上有实践证明不如GBDT。且GBDT前面的树，特征分裂主要体现对多数样本有区分度的特征；后面的树，主要体现的是经过前N颗树，残差仍然较大的少数样本。优先选用在整体上有区分度的特征，再选用针对少数样本有区分度的特征，思路更加合理，这应该也是用GBDT的原因。

RF+LR 可以并行训练，但是RF区分度不高。

【如果类别维度较高的话会导致该特征比较稀疏难以学出有效的分割点】

（1）广告类对user id 的处理：利用出现频率和转化率来替代；

（2）widedeep思想，id类特征放在lr阶段；这样做的好处既利用了GBDT对连续特征的自动离散化和特征组合，同时LR又有效利用了id类离散特征，防止信息损失。

AD ID类特征在CTR预估中是非常重要的特征，直接将AD ID作为feature进行建树不可行，顾考虑为每个AD ID建GBDT树。但互联网时代长尾数据现象非常显著，广告也存在长尾现象，为了提升广告整体投放效果，不得不考虑长尾广告[12]。在GBDT建树方案中，对于曝光充分训练样本充足的广告，可以单独建树，发掘对单个广告有区分度的特征，但对于曝光不充分样本不充足的长尾广告，无法单独建树，需要一种方案来解决长尾广告的问题。

（3）id类特征单独建树训练；对于id类树可以保留头部信息不受损失，对于非id类树，长尾资源可以利用其泛化信息。但这样做有一个缺点，介于头部资源和长尾资源中间的一部分资源，其有效信息既包含在泛化信息中（反馈CTR）中，又包含在id类特征中，而GBDT的非id类树只存下头部的资源信息，所以还是会有部分信息损失。

1. 数据支撑去做决策，收货和实验数量成正比；

2.数据新鲜度：模型天级训练比周级训练在NE下降1%；

3.GBDT和LR模型采用不同的更新频率，解决训练耗时不同。gbdt的embedding肯定每次都不一样，所以gbdt重新训练的话，lr必须一同重新训练。

4.构建特征和lr训练使用同一训练集。

离线训练数据：2013年4季度任意一周的数据。尽量跟线上的条件保持一致，把这些数据分为训练集和测试集，并且模拟成线上数据流。本文的所有实验都是基于这个数据。

评估函数：

（1）NE，Normalized entropy

分子是逻辑回归的损失函数，分母是平均的损失，平均的损失实际上等于整个数据集的entropy，所以称为 normalized entropy。消除了不平衡数据集的影响。p代表平均经验CTR。

（2）Calibration = 预测点击数/实际点击数

AUC 也是一个非常不错的评价指标，但是它有个问题。比如当我们的模型预测的CTR概率都偏高了2倍，我们可以通过Calibration校准，使用一个全局的0.5的系数来修正。修正之后NE也会提高，而AUC却保持不变。

在实际工作中，我们希望得到的是尽可能准确的预测每个广告被点击的概率，而不是仅仅得到相对的概率排序。所以AUC不如上面的NE、Calibration合适。

图中共有两棵树，x为一条输入样本，遍历两棵树后，x样本分别落到两颗树的叶子节点上，每个叶子节点对应LR一维特征，那么通过遍历树，就得到了该样本对应的所有LR特征。构造的新特征向量是取值0/1的。举例来说：上图有两棵树，左树有三个叶子节点，右树有两个叶子节点，最终的特征即为五维的向量。对于输入x，假设他落在左树第一个节点，编码[1,0,0]，落在右树第二个节点则编码[0,1]，所以整体的编码为[1,0,0,0,1]，这类编码作为特征，输入到LR中进行分类。

可以把GBDT看作特征的转换器，把现实中的向量转换成紧凑的二值向量。从树根到叶子的路径，可以理解为特征的规则。把转换后的特征向量输入到线性分类器中，本质上是学习这些规则集合的权重。

GBDT用批处理的方式训练。

文章中提到的 Online Learning 包括三个部分： - Joiner 将每次广告展示结果（特征）是否用户点击（标签） join 在一起形成一个完成的训练数据； - Trainer 定时根据一个 small batch 的数据训练一个模型； - Ranker 利用上一个模块得到模型预测用户点击。

(1) waiting window 的设定：waiting window指的是在impression发生后，我们要等待多久才能够判定一个impression是否有click。如果waiting window过大，数据实时性受影响，如果waiting window过小，会有一部分click来不及join到impression小火箭节点多少钱一个月，导致样本CTR与真实值不符。这是一个工程调优的问题，需要有针对性的找到跟实际业务匹配的合适的waiting window。除此之外，无论怎样我们都会漏掉一部分click，这就要求我们阶段性的全量retrain我们的模型，避免online learning误差的积累。

（2）分布式的架构与全局统一的action id：为了实现分布式架构下impression记录和click记录的join，facebook除了为每个action建立全局统一的request id外，还建立了HashQueue缓存impressions。hashQueue缓存的impression，如果在窗口过期时还没有匹配到click就会当作negative sample，这里说的窗口与上面提到的waiting window相匹配。facebook使用scribe实现了这一过程，更多公司使用Kafka完成大数据缓存和流处理。

（3）数据流保护机制： facebook专门提到了online data joiner的保护机制，因为一旦data joiner失效，比如click stream无法join impression stream，那么所有的样本都会成为负样本，由于模型实时进行online learning和serving，模型准确度将立刻受到错误样本数据的影响，进而直接影响广告投放和公司利润，后果是非常严重的。为此，facebook专门设立了异常检测机制，一旦发现实时样本数据流的分布发生变化，将立即切断online learning的过程，防止预测模型受到影响。

对于巨型互联网公司来说，为了控制数据规模，降低训练开销，降采样几乎是通用的手段，facebook实践了两种降采样的方法，uniform subsampling和 negative down sampling。

（1）uniform subsampling 是对所有样本进行无差别的随机抽样，为选取最优的采样频率，facebook试验了0.001，0.01， 0.1， 0.5 和1五个采样频率，loss的比较如下：

可以看到当采样率是10%时，相比全量数据训练的模型，仅损失了不到1%的效果。

（2）negative down sampling 保留全量正样本，对负样本进行降采样。除了提高训练效率外，负采样还直接解决了正负样本不均衡的问题，facebook经验性的选择了从0.0001到0.1的一组负采样频率，试验效果如下：

负采样带来的问题是CTR预估值的漂移，比如真实CTR是0.1%，进行0.01的负采样之后，CTR将会攀升到10%左右。而为了进行准确的竞价以及ROI预估等，CTR预估模型是要提供准确的有物理意义的CTR值的，因此在进行负采样后需要进行CTR的校正，使CTR模型的预估值的期望回到0.1%。校正的公式如下：

其中q是校正后的CTR，p是模型的预估CTR，w是负采样频率。

Facebook广告竞价成功主要受三项因素影响下列哪一项不是三项因素之一？

广告综合价值主要由广告主竞价，预估操作率和用户价值决定。

广告的综合价值决定我们的广告竞争力，也决定了我们的排名。因此，我们需要先了解下影响广告综合价值的3个因素，通过优化这些因素，可以帮助我们在广告竞争中去的一个更好的排名。广告综合价值主要由广告主竞价，预估操作率和用户价值决定，以下为公式。

广告综合价值=[广告主竞价] x [预估操作率] +[用户价值]

广告主竞价：一般指出价，即我们愿意为单次操作所付出的费用。

预估操作率：指Facebook根据之前投放的数据估计出用户会采取操作的几率。

用户价值：Facebook非常看重用户体验，用户价值即广告对用户的价值，如果可以给用户带来更好的体验，Facebook也会愿意把广告以更低的价格呈现给用户。用户价值包含广告质量，相关性分数，正反馈负反馈，落地页体验等。

扩展资料：

在广告竞价中以低价获胜方法

1. 选择合适的出价

2. 提高预估转化率