광고 데이터 CVR 예측 모델링_5221 - (2차 가설 검정)

1. 앱 카테고리 컬럼 생성

app_id 기준으로 package_nm 매핑 후, package_nm 기준으로 ctgry 매핑

ctgry_l, ctgry_s 별로 전환 수, 노출 수, CVR 확인

→ 유의미하지 않은 분류로 판별

 

다른 앱 분류 방법이 필요함

package_nm 별 cvr

package_nm 기준으로 살펴보았을 때 주요한 package_nm의 특징은 크게 3개로 보임

• ‘cash’ 가 들어가는 앱
• ‘coupon’ 이 들어가는 앱

→ 위 두 분류의 앱은 광고 상품 보면 현금으로 반환해주는 앱

• 'wafour' 이 들어가는 앱

→ 잠금화면 교육앱

따라서 두가지의 분류로 나눠볼 필요가 있음

2.  앱 분류 별 cvr

 

 

현금 반환 앱, 잠금화면 앱, 그 외의 다른 앱들과의 전환률에 큰 차이를 보이는 것으로 확인

→ 앱 분류는 전환을 나누는데 유의미한 피처

 

2. 노출, 클릭, 전환의 입찰가와 낙찰가 평균값 imp_id 기준으로 재계산

노출 → 클릭 → 전환 평균 입찰가

 

노출 → 클릭 → 전환 평균 낙찰가

• imp_id 기준으로 하여 노출까지만 간 imp_id, 클릭까지만 간 imp_id, 전환까지 간 imp_id를 살펴보았음
  값 자체는 1차가설에 했던 값과 차이가 나지만
  bid_price, win_pirce 모두 클릭까지만 간 imp_id의 가격 평균값이 제일 높은 모습을 보임
• 클릭, 전환으로 넘어감에 따라 일반적으로 높아지는 평균값은 전환을 예측해내기 좋을 것이라 판단

→ 입찰가, 낙찰가는 전환을 예측하는데 유의미한 피처

 

3. base_hh 피처 사용 예정

1. adid 특징 분석
   
   1. 성별

성별 기준 노출 수

성별 기준 전환 수

성별 기준 CVR

• 여성의 노출 수가 남성에 비해 약 3배 가량 많음에도 전환의 수는 남성이 300개 가량 많은 것으로 확인
• CVR을 살펴봤을 때 약 남성의 CVR이 여성의 CVR보다 3배 이상 높음을 확인

→ 성별은 전환을 나누는 데 유의미한 피처

b. 게임 충성 지수

게임 지수 체크 데이터

 

게임 지수 CVR

• 너무 적은 전환 수를 가진 rank : 1 을 제외할 때 게임 지수가 높을 수록 CVR 이 높음을 확인

→ 게임지수는 전환을 나누는 데 유의미한 피처