淘宝、Kaggle 广告投放效果数据分析实战

电商广告业务分析 | SQL 数据处理 | Python 全流程分析 | 可视化报告 | 投放策略优化

一、项目总览

本项目整合淘宝真实广告数据集与 Kaggle 公开广告数据集，完成两套广告投放场景的全链路数据分析。 从数据清洗、指标计算、多维度拆解、用户画像、漏斗转化、业务优化，形成标准化广告效果分析方法论， 输出可直接落地的投放优化方案，为广告预算分配、渠道选择、用户定向提供数据支撑。

二、数据集说明

数据集文件	数据说明
raw_sample.csv	淘宝广告曝光 / 点击日志
ad_feature.csv	淘宝广告基本信息表（广告属性、投放位置等）
user_profile.csv	淘宝用户画像数据（性别、年龄、消费力等）
UserBehavior.csv	淘宝用户行为日志（浏览、加购、点击、转化）
dirty_ad_campaign_dataset.csv	Kaggle 原始广告投放数据（含年龄、性别、收入、推广渠道、活动类型、广告消耗等）
cleaned_ad_campaign_dataset.csv	Kaggle 清理后广告投放数据（去重、补全、异常值处理后）

三、分析目标

• 计算广告核心指标：曝光、点击、CTR（点击率）、CVR（转化率）、转化成本（CPA）
• 对比不同资源位、渠道、类目、品牌、设备的广告效果差异
• 挖掘高价值用户画像，完成用户分层与行为关联分析
• 构建转化漏斗，定位全链路流失关键环节
• 输出渠道预算分配、定向优化、素材优化等可落地策略

四、技术工具

工具/技术	应用场景
MySQL	数据清洗、多表关联、指标聚合计算
Python	pandas（数据处理）、matplotlib/seaborn（可视化）、tabulate（格式化输出）
Jupyter Notebook	代码 + 可视化一体化分析（支持交互式调试、图表导出）
业务分析方法	广告投放效果评估、ROI 优化、R-F-V 用户分层模型

五、核心分析内容

1. 数据探索与预处理

• 数据概览、重复值/缺失值/异常值检测与处理
• 数据类型转换、特征衍生（如用户消费等级、广告投放时段）、变量相关性分析
• 多表关联与数据集整合，构建分析宽表（用户-广告-行为全维度）

2. 广告大盘与渠道/资源位分析

• 整体投放效果趋势分析（日/周维度曝光、点击、转化变化）
• 资源位/渠道 CTR、CVR、转化量对比与排名
• 预算消耗与产出匹配度分析，定位高效/低效渠道

3. 商品维度效果分析

• 类目/品牌广告点击率、转化率差异分析
• 高产出类目识别，为投放倾斜提供依据

4. 用户画像与行为分析

• 性别、年龄、消费力、购物深度对点击率的影响
• 用户历史行为（浏览/加购/收藏）与广告点击关联性
• R-F-V 用户分层，定位高价值投放人群

5. 漏斗转化与效果评估

• 曝光、点击、转化全链路漏斗分析
• 计算核心效率指标，评估投放健康度

6. 业务优化策略输出

• 预算分配建议
• 渠道/资源位优化
• 用户定向优化
• 低效投放关停与素材优化建议

六、核心结论

1. 渠道/资源位差异显著：优质渠道 CTR/CVR 远高于低效渠道，是影响投放效率的核心因素。
2. 高价值用户清晰：中青年、中高消费力、深度购物行为用户点击率与转化率更高。
3. 历史行为强相关：有浏览/加购行为的用户，广告点击与转化显著提升。
4. 类目/活动效果分化：部分类目与活动类型产出更优，可优先倾斜资源。
5. 低效投放可优化：高消耗低转化渠道可缩减预算或优化素材。

七、优化建议

优化方向	具体措施
预算倾斜	向高 CTR、高 CVR 资源位/渠道/类目加大投放
用户定向	聚焦核心人群，对高潜用户做重定向投放
渠道优化	增投高效渠道，缩减或优化低效高 CPA 渠道
素材与活动	优先 Conversion 类活动，对低效素材做 A/B 测试迭代
长效监控	建立核心指标监控体系，持续提升投放 ROI

八、文件结构

├── Ad_Campaign_Data_Analysis.ipynb  # Kaggle 广告完整分析代码+可视化图表
├── README.md                        # 项目说明文档
├── UserBehavior.csv                 # 用户行为日志（淘宝数据集）
├── ad_feature.csv                   # 广告基本信息表（淘宝数据集）
├── cleaned_ad_campaign_dataset.csv  # 清洗后广告投放数据（Kaggle 数据集）
├── dirty_ad_campaign_dataset.csv    # 原始广告投放数据（Kaggle 数据集）
├── raw_sample.csv                   # 广告曝光/点击日志（淘宝数据集）
├── taobao_ad_analysis.sql           # 淘宝广告分析 MySQL 数据处理脚本
├── taobao_ad_analysis.ipynb         # 淘宝广告完整分析代码+可视化图表
└── user_profile.csv                 # 用户画像数据（淘宝数据集）