研究了1000条视频的投放数据，真的有人验证出了跑量规律......

常规的信息流数据分析

这里先简单描述下，常规的信息流数据分析可能会做哪些动作

①看点击率、转化率、播放率、cpc等，大概分析一个素材的质量好坏；

②看转化率、跳出率、阅读进度等看一个落地页的吸引力或号召程度；

③看时间趋势、时段数据，结合量级和成本趋势做分析；

④看人群报告，年龄、性别、区域分布等，判断高质量转化人群；

⑤……

以上都对，具体展开也是一套非常有体系的数据分析了。

但是视频素材不跑量，或者素材跑量了，从数据层面到底会有什么表现？还能有什么数据分析上的突破点呢？

当我们在巨量的后台报表导出视频分析的表格，能看到这么多的内容

我一直在想，这么多数据，难道除了常规的展现点击消耗转化，其他的都要如何利用起来呢？确实常规的那些数据，折腾研究了这么久，最后经常发现是失真的，点击率高转化率高的不一定跑量，千次展现高的也不一定跑量，跑量的呢各项指标看起来也没有特别的优势……也难怪有人说，“投放是玄学”。

可能存在跑量的综合指标吗？

后来，经过我一系列研究，认为有以下指标可能会对跑量产生影响，在数据分析的时候都可以纳入考虑：

1.竞价指标：点击率、转化率、出价、ecpm……所有人都知道这个；

2. 完播指标：3秒播放率、有效播放率、99%播放完播率……等。

3. 互动指标：评论数、分享数、点赞数

4. 负面指标：举报、不感兴趣 这些可能很多人都注意到过。

但是有没有一个公式，把这些全部综合考虑进来，通过简单计算上面的四个指标，得出一个“综合指标”，综合指标越高，越可能跑量呢？ 理论上其实没有，因为在系统看来，影响指标更多，还会有账户权重、人群属性、竞争环境、人工干预、低质素材限流等更多因素的影响我们是看不见的（光是“什么样的素材会被判为低质这个点就很黑盒了，媒体里面这个是粗排和精排的过程”）。

这里顺带分享下可能有些优化师不清楚，广告展现前有10个过程：

1.在该流量位上用户发起的广告请求数

2.过滤不在广告定向范围内的用户请求后剩余的广告请求数

3.过滤看过同类型广告次数太多的用户请求后剩余的广告请求数

4.因对广告不感兴趣/素材样式不合适等被过滤后剩余的广告请求数

5.过滤没有足够可用预算与余额的广告后剩余的广告请求数

6.预估进入粗排后最终被成功投放的概率

7.预估进入精排后最终被成功投放的概率

8.可参与ECPM排名

9.ECPM竞价胜出

10.和用户内容混排后，ECPM竞价胜出

在这里，粗排、精排都是优化难以直接控制和调整的。那么相对而言，以上我举例的四个指标是优化师能看到、且相对可控的了。

另外需要着重强调一点，就是不论最终我们分析出了怎样的指标，都不代表他是素材跑量或不跑量的“答案”，我非常同意有人提出的说在算法层面，我们所做的数据分析对跑量的影响都是有局限性的，但优化仍然是一个“尽人事，听天命”的工作，我们需要竭尽所能在能看到的范围内进行优化。

如何探索出信息流视频广告的跑量指标？

那么假设其他因素（黑盒因素）都差不多的情况下，我们有没有可能找到一个相近的跑量指标呢？我的思路是用跑量的结果反推，首先导出所有视频素材的投放数据，然后去对比各个素材的各项指标情况，如果最终计算出各个素材的综合指标也是刚好降序分布（没办法完全一致，只能表现这个趋势），那我们就找到了那个“可能正确”的公式。 

举个我自己在探索的过程中的一个公式例子：

 假设竞价指标=点击率*转化率*2

（因为我测试的账户里普遍出价都没有明显区别，也没有投放自动出价，所以在对比的时候就没有考虑加入出价这个因素）

假设互动指标=（评论+分享+点赞）/有效播放数*1000/4

假设综合指标=竞价+完播+互动-负面*2

这些公式是怎么来的，为什么有乘2，为什么要除以4，其实就是大胆假设+求证，这个过程需要反复调整参数和计算方式，最后去让综合指标的结果与跑量结果尽可能一致就行了。

而且在调整的过程中，你需要思考，哪个因素的对跑量的影响是更大的，比如我就觉得，竞争指标是很重要的权重需要更高，所以乘2，互动指标可能权重没那么高，给他除以4把指标拉低等。

类似的，也可以去测，播放指标要怎么算，是3秒播放更重要？还是99%播放进度更重要？还是有效播放率更重要？互动指标里面，会不会其实评论、分享、点赞不是等权的，因为可能点赞和分享权重更高，评论数量反而不重要呢？如果大家有这个心思，都可以在这些方向去算一算看看。

最终我们能得到如图所示的数据分析表：

（注意需要排除掉消耗或者展现过低的素材，数据太少可能没有参考意义）

这些有什么用呢？

1. 你会开始更全面的注意到视频素材的的各项指标，比如你的素材跑量才两天就突然衰减了，可能是负面指标在上升，而你看点击率和转化率没变化；同时你也能大概知道完播数据对跑量大概影响程度是怎么样呢，可能有的素材就是播放数据不好，但竞价指标太高了所以很跑量。

2. 通过测试会有一些验证性的结果，比如我发现确实竞争指标的影响是最大的，提高 点击率*转化率有用，但盲目提高单项指标没用，比如你觉得点击率低，出了一个增加诱导点击的素材，转化率一定会下降的，这个素材的竞争力还是不强。相比而言，素材不变优化落地页更有用；

3. 在消耗较少的情况下，能初步判断一个素材的优质程度或生命周期，比如一个素材虽然他可能竞价指标很高能跑量，但互动指标和完播指标一直不好，那么可能他的衰减会比较快，需要赶紧储备其他素材。具体什么样的指标生命周期是怎样的，这个还有待进一步去测试。

4.其实，坦率讲，这个分析结果也不重要……或者说，不必把他的作用想的太大，更多的是我们的分析过程中的思考，以及我们如何从数据上去评判不同素材，甚至是账户的差异点到底在哪里。

以上是一定周期后的汇总结果，我们知道很多素材是有周期的，可能今天好，明天不好，或者突然某一天起量了，突然某一天又没量了。

所以我们也可以对一些跑量素材结合他们的消耗趋势做数据复盘，举个例子：

以上的消耗为一段周期内的总消耗，和总指标情况，可以看到，消耗第1的素材，指标只有第5，而指标第1的素材，消耗排在第6。结合这几条素材的消耗趋势，消耗第1的素材的确是在前期起过一波量，但是后来衰减了，拉低了指标，实际上起量期间这个指标应该在20以上。

而指标第1，消耗第6的素材，通过一周左右的探索，后面确实起量跑起来了，所以指标较高，越容易跑量这个趋势是在的。更进一步，我们可以把这些素材的指标日报拉出来进行分析，研究素材的衰减过程是由于哪个指标的变化造成的，也能一定程度上带来参考，这里就不详细展开了。大家能够明白这里面的逻辑和思考方向就行。

然后这里可能会有小伙伴想问我测出来的公式是什么，我觉得这个不能套，原因是：1.首先这个是我个人见解，不是算法的“答案”，仅供数据分析的参考，不能盲目相信 2.这个公式的推导过程我分析的账户、行业数据并不多，可能在其他行业或账户上就不适用了，反而容易有误导 3.更建议大家结合自己账户和素材的情况，带着这个思路去分析素材，如果能总结一些东西出来，是比拿到我测的公式本身更大的收获

最后再着重补充几句，如果你也在你的账号和行业，找到了一个可能准确的指标公式，不要唯指标论，有大量的“黑盒指标”是我们看不见的，他更多的是一个参考意义。而且对于实际决策，这个起到的作用也有限，最终我们还是要回归到，能跑量的素材是什么形式、类型、文案，同时还要避免素材的同质化，回归到用户身上去，才能让我们的创意能力更强，优化能力更强。