新書推薦：
《
Android自动化测试实战：Python+Appium +unittest
》
售價：HK$
107.8
《
郭建龙亚洲三部曲：印度、穿越蒙古国、三千佛塔
》
售價：HK$
279.6
《
工作：从平凡到非凡（原书第5版） ［英］理查德·泰普勒 陶尚芸 译
》
售價：HK$
70.8
《
带献帝去旅行--历史书写的中古风景（论衡系列）
》
售價：HK$
69.6
《
出行创新设计：概念、范式与案例
》
售價：HK$
119.9
《
爱的能力：为什么我们既渴望爱，又害怕走进爱（第13版）
》
售價：HK$
83.8
《
环艺设计手绘：景观/室内 马克笔 手绘效果图技法精解
》
售價：HK$
95.8
《
明清与李朝时代
》
售價：HK$
81.6
|
| 編輯推薦： |
《广告数据定量分析：如何成为一位厉害的广告优化师》
（1）作者是资深的广告优化师和数据分析师，是国内*早参与应用商店广告优化研究的专家之一，百度认证的资深营销顾问。
（2）作者服务过百度、腾讯、阿里、字节跳动、美团、网易、携程、小米、领英、陌陌、58同城等多家广告主，管理广告预算累计上亿元。
（3）本书不仅讲解了一位优秀广告优化师需要掌握的统计学知识和数据分析知识，而且还分享了快速学习这些知识的方法。
（4）本书从业务角度总结了移动广告、SEM、信息流广告、应用商店广告等多种形态广告数据的分析方法，以及效果优化技巧。
《Python广告数据挖掘与分析实战》
（1）两位作者是资深的数据分析与挖掘技术专家、AI技术专家，在广告和金融行业有深厚的积累。
（2）横跨技术和业务两个维度，理论与实践相结合，循序渐进，系统且全面。
（3）技术维度，系统讲解广告数据挖掘的模型、算法和方法，实现精准营销。
（4）业务维度，为广告业务中的具体问题提供解决方案，包含大量案例和代码。
|
| 內容簡介： |
《广告数据定量分析：如何成为一位厉害的广告优化师》这是一部面向初级广告优化师、渠道运营人员的广告数据分析和效果优化的实战指南。数据分析功底的深浅，决定了广告优化师能力水平的高低。这本书一方面告诉读者成为一名厉害的广告优化师需要掌握的数据分析技能，以及如何快速掌握这些技能；一方面又为读者总结了SEM广告、信息流广告、应用商店广告数据的分析方法论和效果优化的方法，以及多广告推广渠道的统筹优化。书中提供大量真实数据案例，助你提升广告数据分析的理论深度和业务水平。
《Python广告数据挖掘与分析实战》这是一部营销和广告数据挖掘与分析的实战指南，横跨技术和业务两个维度，理论与实践相结合。技术维度，结合营销与广告行业的实际需求，系统讲解了广告数据挖掘的模型、算法以及数据分析方法，从而实现面向用户的精准营销；业务维度，结合广告业务的具体场景，为广告中的具体问题提供解决方案。更重要的是，本书还讲解了热门的机器学习算法在广告数据挖掘与分析中的应用。
|
| 關於作者： |
齐云涧（Trunman Qi）
资深广告优化师和数据分析专家，国内早参与应用商店广告优化研究的专家之一，百度认证的资深营销顾问。
曾任职于致维科技、量化派等细分行业知名企业，服务过百度、腾讯、阿里、字节跳动、美团、网易、携程、小米、领英、陌陌、58同城、启德教育等多家广告主，管理广告预算累计上亿元。
参与翻译专业书籍《谷歌分析宝典》，撰写过多篇广告数据分析和效果优化的文章，在业内广泛传播。
杨游云
资深数据分析专家和AI技术专家，在广告领域工作多年，目前就职于微思敦深圳分公司皓量科技。在AI技术领域有非常深厚的积累，擅长机器学习和自然语言处理，对图像识别技术也有一定的研究。个人微信公众号：数据挖掘与AI算法。
周健
资深数据挖掘工程师，现就职于国内某大型征信服务公司，曾为多家国有银行、股份制银行、大型金融机构提供反欺诈、信用评分方案。在传统机器学习方面有深入的理解和丰富的实战经验，在网络爬虫和自然语言处理方面也有自己独特的见解。
|
| 目錄：
|
《广告数据定量分析：如何成为一位厉害的广告优化师》
推荐语
前言
第1章 广告优化中的统计学1
1.1 统计学：用一句话解释它是什么1
1.2 学会运用统计：读者的目标2
1.2.1 理解统计学术语2
1.2.2 掌握科学的数据分析方法论2
1.2.3 理解什么地方可能出差错3
1.3 统计学的主要思想4
1.3.1 随机性和规律性4
1.3.2 规律性中的随机性5
1.3.3 概率：什么是机会6
1.3.4 变量和值6
1.3.5 常数7
1.4 统计学和广告优化的关系7
1.5 广告数据定量分析的主要理念9
1.5.1 目的性Purpose9
1.5.2 有限性Limited10
1.5.3 相关性Correlation12
1.5.4 抽样性Sampling14
1.5.5 显著性Significance15
1.6 本章小结15
第2章 广告数据分析中的统计学原理16
2.1 抽样：总体、样本和误差16
2.2 概率20
2.3 概率分布21
2.3.1 正态分布21
2.3.2 标准正态分布23
2.3.3 中心极限定理24
2.4 统计推断：估计25
2.4.1 估计：用样本数据预估总体25
2.4.2 区间估计25
2.4.3 总体比例的置信区间27
2.4.4 总体均值的置信区间28
2.5 统计推断：假设检验31
2.5.1 简单好用的p值31
2.5.2 两个总体比例之差的显著性检验32
2.5.3 两个总体均值之差的显著性检验36
2.6 变量间关系37
2.7 自变量和因变量之间的关系38
2.8 两个数值型变量的关系39
2.8.1 相关分析39
2.8.2 回归分析43
2.9 分类型变量和数值型变量的关系46
2.10 本章小结51
第3章 广告数据的描述：图表52
3.1 初阶：维度和指标52
3.1.1 看分布53
3.1.2 看趋势56
3.1.3 多维度和指标交叉61
3.1.4 看相关64
3.2 进阶：用户行为洞察66
3.2.1 漏斗图66
3.2.2 用户行为路径图69
3.3 本章小结71
第4章 SEM广告数据分析72
4.1 认识SEM广告72
4.1.1 SEM广告发展现状72
4.1.2 SEM推广渠道的特点74
4.1.3 SEM广告数据分析痛点76
4.2 SEM广告数据分析关键指标解读81
4.2.1 CPC81
4.2.2 CTR83
4.2.3 质量度85
4.2.4 平均排名86
4.3 SEM数据分析方法论88
4.3.1 帕累托法则88
4.3.2 四象限分析89
4.3.3 显著性检验91
4.3.4 关键词评分体系94
4.4 案例：某招聘网站的百度SEM广告优化101
4.4.1 项目背景101
4.4.2 优化难点104
4.4.3 优化思路106
4.4.4 优化执行107
4.4.5 效果评估112
4.5 本章小结114
第5章 信息流广告数据分析115
5.1 认识信息流广告115
5.1.1 信息流广告发展现状115
5.1.2 信息流推广渠道的特点118
5.1.3 信息流广告数据分析痛点119
5.2 信息流广告数据分析关键指标解读124
5.2.1 ECPM和CTR124
5.2.2 用户画像和广告定向128
5.3 信息流广告数据分析方法论131
5.3.1 A/B测试131
5.3.2 朴素贝叶斯算法—优化广告定向137
5.3.3 创意定量化的解决思路142
5.4 案例：某金融App的今日头条信息流广告优化146
5.4.1 项目背景146
5.4.2 优化难点147
5.4.3 优化思路148
5.4.4 优化执行148
5.4.5 效果评估155
5.5 本章小结156
第6章 应用商店广告数据分析157
6.1 认识应用商店广告157
6.1.1 应用商店广告的发展现状157
6.1.2 应用商店推广渠道的特点160
6.1.3 应用商店的几大核心广告资源介绍162
6.1.4 应用商店广告数据分析痛点164
6.2 应用商店广告数据分析关键指标解读171
6.2.1 自然量171
6.2.2 CPA175
6.2.3 ROI178
6.2.4 各广告位流量配比180
6.3 应用商店广告数据分析方法论181
6.3.1 相关性分析181
6.3.2 线性回归分析185
6.3.3 显著性检验分析193
6.4 案例：某生活消费App在小米应用商店渠道的广告优化196
6.4.1 项目背景196
6.4.2 优化难点199
6.4.3 优化思路200
6.4.4 优化执行201
6.4.5 效果评估210
6.5 本章小结212
第7章 多广告推广渠道的统筹优化213
7.1 多渠道广告统筹优化的现状213
7.2 多渠道广告数据分析方法论：综合效果评分模型215
7.3 案例：某金融App在多广告渠道的统筹优化217
7.3.1 项目背景217
7.3.2 优化思路和执行217
7.3.3 效果评估226
7.4 本章小结227
第8章 广告优化的未来会好吗228
8.1 广告业内的3种角色228
8.1.1 角色期待229
8.1.2 角色冲突与认知偏差233
8.1.3 囚徒困境234
8.2 广告优化的作用237
8.2.1 广告优化的边界237
8.2.2 广告优化的展望238
8.2.3 广告优化师的精进之道：内部创业者238
8.3 本章小结240
《Python广告数据挖掘与分析实战》
前言
第1章 Python安装方法1
1.1 Python介绍1
1.1.1 Python的由来1
1.1.2 Python的特点2
1.2 Anaconda安装2
1.3 PyCharm安装及环境配置9
1.3.1 PyCharm安装9
1.3.2 PyCharm环境配置12
1.4 为什么建议使用Python17
1.5 本章小结18
第2章 认识广告数据分析19
2.1 广告数据概述19
2.1.1 广告数据的特点19
2.1.2 广告数据分析的意义20
2.2 广告数据分布20
2.2.1 伯努利分布20
2.2.2 均匀分布20
2.2.3 二项分布21
2.2.4 正态分布22
2.2.5 泊松分布22
2.2.6 指数分布23
2.3 异常值诊断24
2.3.1 三倍标准差法24
2.3.2 箱形图分析法25
2.4 数据相关性26
2.4.1 Pearson相关系数26
2.4.2 Spearman秩相关系数26
2.5 显著性检验27
2.6 本章小结27
第3章 Python广告数据分析常用工具包29
3.1 数据基础运算工具：NumPy29
3.1.1 常见数据结构30
3.1.2 索引与切片34
3.1.3 数组运算35
3.1.4 矩阵运算39
3.1.5 广播42
3.1.6 其他常用操作43
3.2 数据预处理工具：Pandas46
3.2.1 数据结构概述47
3.2.2 数据加载49
3.2.3 数据拼接53
3.2.4 数据聚合57
3.2.5 数据透视表和交叉表59
3.2.6 广告缺失值处理60
3.3 数据可视化分析工具：Matplotlib63
3.3.1 散点图64
3.3.2 条形图65
3.3.3 折线图66
3.3.4 饼图68
3.3.5 直方图68
3.3.6 箱形图71
3.3.7 组合图72
3.4 本章小结74
第4章 模型常用评价指标75
4.1 回归模型常用评价指标75
4.1.1 R275
4.1.2 调整后的R276
4.2 分类模型常用评价指标77
4.2.1 混淆矩阵77
4.2.2 ROC曲线79
4.2.3 AUC80
4.2.4 KS指标82
4.2.5 提升度85
4.3 本章小结87
第5章 利用Python建立广告分类模型88
5.1 逻辑回归88
5.1.1 逻辑回归原理88
5.1.2 损失函数89
5.1.3 利用Python建立逻辑回归92
5.2 决策树92
5.2.1 决策树概述92
5.2.2 决策树算法93
5.2.3 决策树剪枝处理96
5.2.4 决策树的实现97
5.3 KNN98
5.3.1 距离度量98
5.3.2 KNN算法原理99
5.3.3 KNN算法中K值的选取100
5.3.4 KNN中的一些注意事项100
5.3.5 KNN分类算法实现101
5.4 SVM101
5.4.1 间隔超平面101
5.4.2 支持向量103
5.4.3 目标函数104
5.4.4 软间隔化106
5.4.5 核函数107
5.4.6 SVM算法的应用109
5.5 神经网络110
5.5.1 结构特点110
5.5.2 训练过程111
5.5.3 激活函数114
5.5.4 损失函数117
5.5.5 神经网络的实现118
5.6 本章小结118
第6章 利用Python建立广告集成模型119
6.1 随机森林119
6.1.1 随机森林的Bagging思想119
6.1.2 随机森林的生成及优点120
6.1.3 袋外误差121
6.1.4 Scikit-learn随机森林类库介绍122
6.1.5 随机森林模型的实现123
6.2 GBDT124
6.2.1 GBDT算法思想124
6.2.2 GBDT算法原理125
6.2.3 Scikit-learn GBDT类库介绍126
6.2.4 使用Scikit-learn类库实现GBDT算法127
6.3 XGBoost128
6.3.1 XGBoost算法思想128
6.3.2 XGBoost算法原理129
6.3.3 XGBoost算法的优点130
6.3.4 XGBoost类库参数131
6.3.5 使用Scikit-learn类库实现XGBoost算法132
6.4 Stacking133
6.4.1 Stacking算法思想134
6.4.2 Stacking算法原理135
6.4.3 Stacking算法实现136
6.5 LR GBDT137
6.5.1 LR GBDT原理138
6.5.2 LR GBDT在广告CTR中的应用139
6.5.3 LR GBDT算法实现140
6.6 FM142
6.6.1 FM的原理142
6.6.2 FM的改进145
6.6.3 FM的Python实现145
6.7 本章小结147
第7章 移动广告常用数据分析方法149
7.1 App下载数据分析149
7.2 游戏行业用户分析151
7.2.1 游戏行业数据分析的作用152
7.2.2 游戏行业的关键数据指标152
7.2.3 游戏用户数据分析方法154
7.3 电商类App用户转化分析156
7.4 工具类App用户分析162
7.5 本地O2O婚纱摄影行业分析163
7.5.1 精准人群定向164
7.5.2 广告创意素材164
7.6 品牌广告与效果广告166
7.7 本章小结168
第8章 广告数据分析报告169
8.1 分析观点明确，逻辑清晰169
8.2 汇报结果，用数据说话170
8.3 分析过程有理有据171
8.4 图表说明171
8.5 数据验证173
8.6 分析建议173
8.7 本章小结174
第9章 广告用户数据挖掘与分析175
9.1 广告用户曝光与响应率分析175
9.2 广告用户曝光与点击率分析178
9.3 广告订单消耗与延时性分析181
9.3.1 Budget Smooth算法184
9.3.2 Budget Smooth的系
|
| 內容試閱：
|
为什么要写这本书
现如今，数据、大数据、数据分析成为互联网行业的热门词汇。数据定量分析的方法论已经在互联网诸多领域创造价值，如量化投资、互联网金融征信和风控、广告监测等。而广告优化领域的数据分析还处在非常落后的状态，大部分广告优化师只掌握了环比、同比、百分比等数据描述的基础方法和折线图、柱状图等基础图表，优化师的优化工作以经验主义居多，优化能力的同质化严重。我在服务广告主的过程中，一直探索通过数据定量分析的方法，将广告数据分析这件事做得更好，为客户的广告投放创造更大价值，2017年我将服务某客户的历程做了总结，写成一篇《玩转应用商店—相关性分析实现不同广告位资源的配比优化》，不曾想在业内引起了小小的轰动，得到多位资深业内人士的认可，说明了我的研究方向—“广告数据定量分析”是很有价值的。
实际上，广告数据定量分析在网站分析和产品运营中早已践行，如转化率优化、AB测试的方法论，就是建立在统计学基础上的数据分析。近两年，GrowingIO、诸葛IO、吆喝科技等数据创业公司的兴起，更是说明了市场上数据驱动用户增长和效果优化的用户需求很大，市场前景广阔。
近年来，随着互联网广告行业市场规模增长，新的广告媒体和广告类型层出不穷，互联网创业方兴未艾，对广告优化师的需求渐长，广告优化师队伍人数激增，越来越年轻化。而一直以来，优化功底过硬、经验丰富的优化师都是业内的稀缺人才。一方面，从拉勾网、BOSS直聘的搜索结果可以看出，拥有3～5年经验的市场推广人才是很多公司急缺的。另一方面，数据分析作为广告优化师的技能一直是业界共识，但由于缺乏系统的学习和培训，广告优化师从业者的数据分析功底良莠不齐，对数据分析一知半解的大有人在，哪怕有心想学习提高的业内人士，也没有合适的学习资料。对他们来说，纯数据分析的书籍和视频课程，学习门槛较高，且难以学以致用；而结合广告优化的数据分析文章干货难觅，多是营销软文的性质，难以满足学习需求。国内至今没有一本关于广告优化数据分析的正式著作出版，本书正好开创了先例。
在本书中，我希望能在以下几个方面为行业发展添砖加瓦：
1）指出广告优化师提高数据分析能力的方向，即通过科学的数据定量分析，从KPI出发以终为始，精益优化；
2）为想成为高级优化师，渴望塑造个人核心竞争力的读者踏出一条大道，为年轻的优化师实现跨越式发展、弯道超车提供助力；
3）对现在的优化师的广告优化工作有所启发，促进行业内更多的交流和创新；
4）填补广告优化与数据定量分析这一交叉领域的空白，提高广告优化岗位的技术含量和经济价值。
读者对象
甲方广告主从事渠道运营的相关人员
乙方广告代理公司的初中级广告优化师
广告媒体方的运营人员
其他关注流量购买和转化的读者群体
本书特色
数据分析作为广告优化师的技能一直是业界共识，但亚马逊、上以“广告数据分析”为主题的书尚且没有搜索结果，在知乎的一些问答中，资深人士多推荐纯数据分析的书籍，说明广告优化与数据分析的交叉领域尚处空白。
本书在内容上几乎涵盖了互联网主流的广告形式和优化方法论，从KPI出发，以终为始。从统计学的基础，讲到SEM广告、应用商店广告、信息流广告的优化，一直到从社会学角度剖析广告业内的3种角色，后展望了广告优化的未来发展。同时书中提供了丰富的案例，实践了作者提出的广告的数据定量分析方法论，对一些优质的数据分析工具也进行了相关阐述，知无不言、言无不尽。
如何阅读本书
本书的内容可分为3大部分：
基础部分（第1～3章和第8章），介绍了广告优化中的统计学思想和基本原理，为后文讲述数据分析方法论打好基础。在后一章对互联网广告商业生态进行阐述，关于广告优化师如何实现个人精进成长有所分享。
应用部分（第4～7章除案例部分），以移动广告市场上3大主流广告类型为例，分别阐述不同广告类型的流量特点、优化难点，并提出一些创新性的数据分析方法论。另外对于多广告推广渠道的综合效果评估和统筹优化也做了深入讲解。
实例部分（第4～7章案例部分），通过对4个具有代表性的广告优化项目的案例讲解，让读者了解广告数据定量分析和效果优化的完整流程。
勘误和支持
由于作者的水平有限，编写时间仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。为此，特意留下我的联系邮箱qiyunjian@126.com，如果你遇到任何问题，欢迎邮件交流，我将及时为读者提供满意的解答，期待能够得到你们的真挚反馈。
致谢
首先要感谢宋星老师，感谢你作为前辈对我一如既往的提携和帮助，得益于你的自媒体平台，我的一些文章得以在业内传播和提高影响力。
感谢曲海佳老师，在与你共事的日子里，你在专业上给予我很多指导，肯定了广告数据定量分析的价值，鼓励我坚定地研究下去。
感谢我任职过的致维科技、量化派，因为领导层的开明和支持，才让我在有了大量的广告数据基础上，进行更深入研究的可能。
感谢机械工业出版社华章分社的编辑杨福川、张锡鹏，在这一年多的时间中始终支持我的写作，你们的鼓励和帮助引导我顺利完成全部书稿。
为何写作本书
近几年来大数据、云计算、人工智能等概念越来越深入人心，相关技术也越来越成熟。技术的进步必然会带来社会的发展，进而推动整个人类社会不断进步。机器学习、深度学习、强化学习等均属于人工智能的细分领域，数据分析又是机器学习的基础，近几年在现实中的应用场景非常多，作用越发明显，因而越来越受到重视。随着5G时代的到来，数据分析、AI方面的人才将更加紧缺，可以说未来很长一段时间数据分析人才都会是招聘市场上的高端人才，备受企业青睐。本书旨在帮助读者快速了解移动广告相关业务知识及具体应用，掌握数据分析相关理论和实践技能。
本书主要特点
本书将深入剖析广告营销行业的常见数据分析案例，并结合当前热门的机器学习和AI算法在广告营销场景的具体应用进行介绍，帮助读者更好地理解广告行业相关业务与技术应用，快速掌握广告营销数据分析所需要的基本知识和技能。书中采用Python作为项目实战编程语言，可帮助读者学习用Python进行数据分析和解决现实问题。
本书读者对象
本书是一本广告营销行业数据分析入门指导书，适合的读者对象主要分为下面几类：
广告营销专业的在校学生；
对广告营销数据分析感兴趣的其他行业从业者；
想转行做广告数据分析的职场白领、开发人员、其他技术人员等。
如何阅读本书
本书共10章，从逻辑上可分为技术理论知识和具体业务应用两部分。其中，第1～2章主要介绍Python的安装和环境配置，带领读者认识广告数据，理解广告数据分析的意义。第3～6章主要介绍Python常用工具包以及模型常用评价指标，并利用Python建立广告分类模型。第7～8章主要介绍广告数据分析典型案例及常用分析方法，教读者如何做一份满意的数据分析报告。第9章主要介绍如何运用数据分析挖掘方法解决广告业务中的实际问题。第10章主要介绍常用的数据预处理及特征选择方法。
总之，前6章以及第10章主要介绍广告数据分析挖掘技术理论和应用，第7～9章则主要介绍广告业务中的具体问题及相应的解决方法，读者可以有选择性地阅读相应内容，有兴趣的话也可以通读全书。
勘误
尽管作者已经尽了自己的努力，但书中仍有不尽如人意的地方。若读者发现本书有错误之处，或者针对本书内容有更好的写作建议及意见，可以在微信公众号“数据挖掘与AI算法”上进行反馈。
致谢
动手写作本书时，我已有孕在身，所以一直顾虑颇多，很担心无法按时交稿。如今书稿付梓在即，心中感慨万千。首先要感谢本书的另一位作者周健的努力和配合，其次要感谢我的家人对我的理解和支持，没有他们，本书是无法顺利完成的。还要特别感谢机械工业出版社华章公司的两位编辑杨福川和李艺，他们的大力支持和辛勤付出才让本书得以顺利出版。
杨游云
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
