Вопрос или проблема
Ищу способ прогнозировать возврат на рекламные расходы (ROAS). Не обязательно, чтобы это была сложная модель (на самом деле, было бы гораздо лучше, если бы это не было так!).
У нас есть все данные, поступающие через наш SQL-пipeline (доход / подписки по кампаниям, источникам, группам объявлений и т.д., и на основе даты атрибуции у нас есть ROAS после 3, 7, 21 / 30 дней и т.д.).
Что я хочу отобразить на нашей панели управления, так это некий прогноз, который был бы умным достаточно, чтобы обновлять предсказанный ROAS на (например) 30 дней, но с течением времени этот прогноз будет сходиться с фактической суммой. То есть ваш прогноз рассчитывается на основе текущей производительности, поэтому прогноз ROAS на 30 дней, сделанный для клиентов, конверсирующих (например) 1 октября, будет иметь некоторое значение $x_1$, предсказанное 8 октября, но вы бы ожидали, что $x_2$ от (опять же, например) 28 октября будет намного ближе к окончательной сумме.
Все, что можно будет просто рассчитать в Python-скрипте или чем-то подобном на ежедневной основе, было бы абсолютно идеально. Любая помощь будет очень признательна!
Ответ или решение
Умное Расчет Возврата на Расходы на Рекламу (ROAS)
В условиях современного маркетинга, понимание возврата на расходы на рекламу (ROAS) становится незаменимым элементом для оптимизации бюджетов и повышения эффективности кампаний. В ответ на ваш запрос о создании системы прогнозирования ROAS для вашего дашборда, мы предложим простой, но эффективный подход, который можно реализовать с использованием Python.
Шаг 1: Подготовка Данных
Первоначально необходимо извлечь данные из вашей SQL-пайплайна, которые включают:
- Выручка (Revenue): Доход от рекламных кампаний.
- Подписки (Subs): Количество подписчиков, полученных через каждую кампанию.
- Кампания, Источник, Рекламный Набор: Идентификаторы рекламных источников и кампаний.
- Дата Атрибуции: Дата, когда произошла конверсия.
Ваш запрос подразумевает работы с данными с различными временными интервалами (3, 7, 21 и 30 дней). Это поможет в создании более точных прогнозов.
Шаг 2: Расчет ROAS
Формула для расчета ROAS выглядит следующим образом:
[ ROAS = \frac{\text{выручка}}{\text{расходы}} ]
Для начала необходимо собирать локальные показатели ROAS за первые несколько дней после конверсии:
import pandas as pd
# Пример декодирования данных из SQL
data = pd.read_sql('''
SELECT revenue, costs, attribution_date
FROM ad_metrics
''', connection)
# Пример расчетов
data['roas'] = data['revenue'] / data['costs']Шаг 3: Прогнозирование ROAS
Подход к прогнозированию ROAS должен учитывать, что значение меняется во времени. Мы можем использовать метод скользящего среднего для вычисления прогноза, который будет динамически обновляться.
# Группируем данные по дате атрибуции и вычисляем средний ROAS
data['attribution_date'] = pd.to_datetime(data['attribution_date'])
data.set_index('attribution_date', inplace=True)
# Расчет скользящего среднего
data['predicted_roas'] = data['roas'].rolling(window=30).mean()Шаг 4: Обновление Прогнозов
Как вы упомянули, чем ближе дата прогноза к текущему моменту, тем точнее должно быть значение. Для этого каждый день мы можем пересчитывать ROAS за последние 30 дней и использовать его для прогноза:
# Обновление прогноза на ежедневной основе
def update_predictions(data):
data['predicted_roas'] = data['roas'].rolling(window=30).mean()
return data
# Применение обновления
data = update_predictions(data)
# Сохранение результатов для отображения на дашборде
data.to_sql('predicted_roas', connection, if_exists='replace')Шаг 5: Визуализация на Дашборде
Для визуализации полученных данных можно использовать библиотеки, такие как Matplotlib или Plotly, для создания графиков, которые будут показывать как фактический ROAS, так и предсказанные значения.
Заключение
Создание системы прогнозирования ROAS — это процесс, который сочетает в себе сбор данных, их обработку и соответствующие расчеты. Реализация данного процесса с помощью Python делает его автоматизированным и легким в управлении. Применяя вышеуказанные методы, вы сможете отображать актуальные и прогнозируемые значения ROAS на вашем дашборде, что предоставит ценную информацию для принятия маркетинговых решений.