如何運用 AI 分配有限預算達到效益最大化？
【廣告有效性篇 - Part 2】（附 Python 程式）

本系列將延續系列二（連結請點此）的分析成果，透過資料視覺化的方式，來讓結論變得更易懂，增加溝通的效率，就讓我們進入到文章吧！

讀者可從下述QR code或從下述GitHub repository鏈接中找到topic02_forecast-marketing-roas-and-budget-optimization資料夾，將其複製（clone）下來，一起隨筆者實作程式碼。

 

https://github.com/HowardNTUST/Marketing-Data-Science-Application/tree/master/ai-marketing-book/topic02_forecast-marketing-roas-and-budget-optimization

透過程式碼3，讀者即可快速視覺化程式碼2的表。

程式碼 3 （TODO）

# SECTION - 程式碼3（Todo）
fb = results.t_test('Facebook=6')
results.t_test('Facebook=0')
fb.summary_frame()
results.summary().tables[1]
LRresult = (results.summary2().tables[1])

# !SECTION 程式碼3

產出成果

筆者同時將程式碼3的圖轉變為更易理解圖5，從中可知藍點即為各行銷通路的ROAS平均值，穿越藍點的橫線即為其95%信賴區間的ROAS上、下界。圖中虛線則為Jasper團隊設定ROAS至少要超過的目標倍數，在此例為0。筆者同時也將所有統計資訊羅列其中，也在圖中下方列上ROAS的管理意涵。

Jasper回饋：「太好了~！ 這樣的視覺化圖不管是統計指標還是ROAS的管理意涵都羅列的非常清楚，而且p值果然不是0，只是很小而已。」

此時，Jasper又拋出了一個關鍵性問題：「雖然能評估ROAS很讚！ 但是ROAS僅0不一定賺錢，我能不能自行設定ROAS的目標，然後來看看統計模型是否有達標呢？」

首先，讓筆者來解釋為什麼ROAS僅大於0不一定會賺錢，我們再次回到主題1的案例，並簡化成程式碼4。從程式碼4的產出成果可見就算某一行銷通路擁有1.8倍的ROAS，能創造27萬的營收，因產品成本佔營收的48%之由，導致最終該產品還是賠錢的狀態。所以此時便要請Jasper評估在ROAS能創造公司目標利潤的情況下，設定每組行銷通路的ROAS。

程式碼 4

# %%
# SECTION - 程式碼4
marketing_expense = 150000
roas = 1.8
revenue = marketing_expense * roas
cost = revenue * 0.48
roas_assumed_table = pd.DataFrame({
'項目': ['營收', '產品成本', '行銷費用', '利潤'],
'總計金額': [revenue, cost, marketing_expense, revenue - cost - marketing_expense],
'備註': ['營收 = 行銷費用*1.8倍的ROAS', '產品成本 = 營收*48%', '行銷費用為 = 150000', '利潤 = 營收-產品成本-行銷費用']
})
roas_assumed_table.to_excel('03_ROAS假設情境表.xlsx', index=False)
# !SECTION 程式碼4

產出成果

Jasper回饋的預設目標如下：

1. Facebook至少可以產生至少 4 倍的 ROAS
2. YouTube至少可以產生至少 5.5 倍的 ROAS
3. Magazine至少可以產生 12 倍的 ROAS

我們將這些目標輸入程式碼5後，讀者即可快速視覺化Jasper所設定的ROAS目標。

程式碼 5 （Todo）

# %%
# SECTION - 程式碼5（Todo）
fb = results.t_test('Facebook=6')
results.t_test('Facebook=0')
fb.summary_frame()
results.summary().tables[1]
LRresult = (results.summary2().tables[1])
# !SECTION 程式碼5

產出成果

經過整理後，我們從圖2中可得知YouTube廣告的p-value為0.07，意味會有7%的風險，ROAS無法落在5.5倍，若這樣的風險是Jasper團隊可以接受的，且有意根據未來趨勢來扶植自媒體行銷，即可持續執行YouTube的操作，並持續優化YouTube的行銷；在Facebook的部分則是會有0.7%的風險不會落在預設4倍的ROAS，但其機率相當低，則建議持續操作；在Magazine的部分則是會有0.5%的風險不會落在預設12倍的ROAS，但其機率相當低，也建議持續操作。

由此可知，Jasper所預設的目標基本上這幾則廣告均有達成自己設定的目標。

Jasper此時反饋：「雖然我心中對B商品在不同行銷通路ROAS有八九不離十的猜想，但卻是能從本分析得知我們這支商品在YouTube的經營還要更加把勁，同時在Magazine自詡真的做得不錯，其實有不少顧客向一線人員反饋很多都是看的雜誌廣告而購入B商品的。」

Jasper接著問：「既然我們現在知曉了ROAS的估計，您說也可以預測未來B商品的收益，讓算命更準嗎？ 哈哈！」

評估廣告有效性的系列文以到此結束，下個系列筆者將帶領讀者與Jasper解決下個難題－「我們可以能夠透過現有的通路花費資料來預測未來商品收益嗎？」就請各位讀者敬請期待吧！

以下筆者綜整了本主題各系列的連結以及其餘主題的連結，歡迎讀者取用！

系列一：AI 幫您擬定最適行銷預算分配戰略【個案資料與情境介紹篇】

系列二：AI 幫您擬定最適行銷預算分配戰略【廣告有效性篇 — Part 1】（附 Python 程式）

系列四：AI 幫您擬定最適行銷預算分配戰略【預測營收篇】（附 Python 程式）系列五：AI 幫您擬定最適行銷預算分配戰略【市場飽和效應篇】

系列六：AI 幫您擬定最適行銷預算分配戰略【遞延效應篇】

系列七：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 1】（附 Python 程式）

系列八：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 2】（附 Python 程式）

系列九：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 3】（附 Python 程式）

系列十：AI 幫您擬定最適行銷預算分配戰略【後記】

主題總頁：AI行銷學實作篇故事情境介紹 & AI行銷學分析工具應用實戰

作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）、蔡尚宏（臺灣行銷研究 資料科學家）