覃朝勇

（廣西大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，南寧530004）

基于層次貝葉斯方法的廣告轉(zhuǎn)化率影響因素研究

覃朝勇

（廣西大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，南寧530004）

搜索引擎

廣告中，如何對

廣告效果進(jìn)行評估是當(dāng)前的一個研究熱點(diǎn)和難點(diǎn)。文章構(gòu)建了基于層次貝葉斯方法的轉(zhuǎn)化率實(shí)證模型，利用馬爾科夫蒙特卡洛方法進(jìn)行參數(shù)估計(jì)，并將模型應(yīng)用于某公司3個月的百度競價數(shù)據(jù)。結(jié)果表明，熱門地區(qū)的轉(zhuǎn)化率較偏遠(yuǎn)地區(qū)更高；排名位置靠前的廣告轉(zhuǎn)化率也更高，排名位置對廣告轉(zhuǎn)化率的影響還和企業(yè)的知名度（或市場地位）有關(guān)；

特性中，

長度、

是否包含商標(biāo)信息和城市信息都顯著影響

廣告的轉(zhuǎn)化率。

廣告；層次貝葉斯；點(diǎn)擊率；轉(zhuǎn)化率；MCMC

0　引言

當(dāng)前，競價排名廣告服務(wù)已經(jīng)成為了搜索引擎商最大和增長最快的收益來源[1]。搜索引擎商提供的[2,3]。不同于傳統(tǒng)的廣告，廣告商僅在

廣告中廣告被點(diǎn)擊時付費(fèi)，廣告商在廣告活動中的主要任務(wù)是管理

和每個

的出價，以最大化自己的廣告效果。在實(shí)際的廣告活動中，廣告商通常管理著成百上千的

。如在中文百度

廣告中，每個廣告商管理多個推廣計(jì)劃，每個推廣計(jì)劃由多個推廣單元組成，而每個推廣單元中都包含著多個不同的

。然而，在眾多的

中，有些

被用戶搜索的次數(shù)明顯要超過其余

，有些

的點(diǎn)擊率、轉(zhuǎn)化率很低，許多

的轉(zhuǎn)化率甚至為零。如何選擇

以及如何對

進(jìn)行競價并對

廣告效果進(jìn)行評估，是廣告商重點(diǎn)關(guān)心的問題，也是當(dāng)前的一個研究熱點(diǎn)和難點(diǎn)。

廣告具有很強(qiáng)的針對性，通過搜索

能為企業(yè)準(zhǔn)確鎖定目標(biāo)客戶，

廣告已經(jīng)成為了企業(yè)擴(kuò)大產(chǎn)品銷量和提升品牌的重要營銷手段

基于以上背景和問題，本文對影響廣告效果的相關(guān)因素進(jìn)行了研究，構(gòu)建了層次貝葉斯轉(zhuǎn)化率實(shí)證模型，利用馬爾科夫蒙特卡洛(MCMC)方法對參數(shù)進(jìn)行估計(jì)，并應(yīng)用于某科技公司在百度上3月的競價數(shù)據(jù)。

1　基于層次貝葉斯的轉(zhuǎn)化率影響因素模型

1.1影響轉(zhuǎn)化率因素分析

影響廣告轉(zhuǎn)化率的因素眾多，如涉及消費(fèi)者的因素、涉及廣告商及產(chǎn)品的因素、搜索引擎商的因素以及環(huán)境因素等等，要將所有的這些因素考慮進(jìn)來是將是非常復(fù)雜的，也是沒有必要的。本文從消費(fèi)者行為角度出發(fā)，將考慮的范圍限定在與

和鏈接項(xiàng)所呈現(xiàn)的特性上。百度

廣告競價中，轉(zhuǎn)化是指潛在客戶完成一次廣告商期望的行動，與廣告商的推廣目的和對推廣效果的定義相關(guān)，而不僅僅局限于購買行為。轉(zhuǎn)化可能指潛在客戶：在網(wǎng)站上停留了一定的時間；瀏覽了網(wǎng)站上的特定頁面，如注冊頁面，“聯(lián)系我們”等頁面；在網(wǎng)站上注冊或提交訂單；通過百度商機(jī)中心、網(wǎng)站留言或網(wǎng)站在線即時通訊工具進(jìn)行咨詢；通過電話進(jìn)行咨詢；上門訪問、咨詢、洽談；實(shí)際付款、成交（特別是對于電子商務(wù)類網(wǎng)站）。

排名位置：已有的許多研究表明，用戶的點(diǎn)擊行為和廣告的排名位置有關(guān)，但廣告排名位置和轉(zhuǎn)化率的關(guān)系究竟如何，是否排名位置越靠前，轉(zhuǎn)化率就越高？這些都值得深入研究。

推廣區(qū)域：在百度推廣中，推廣區(qū)域分熱門地區(qū)和偏遠(yuǎn)地區(qū)。顯然，不同地區(qū)的消費(fèi)者在經(jīng)濟(jì)水平、消費(fèi)習(xí)慣和環(huán)境等方面存在差異，這些差異是否影響以及如何影響轉(zhuǎn)化率？

特性：用戶的搜索習(xí)慣還反映在

本身的特性上，

的特性包括了

長度、

是否帶有品牌和商標(biāo)和是否帶有城市信息等。這些特性是否對轉(zhuǎn)化率有影響以及如何影響轉(zhuǎn)化率，都是廣告商迫切需要了解的。

Ghose等[4]還考慮了頁面質(zhì)量的對轉(zhuǎn)化率的影響，但他們收集的是不同廣告商的競價數(shù)據(jù)，而本文收集的是同一個廣告商的競價數(shù)據(jù)，頁面質(zhì)量是固定的。文獻(xiàn)Rutz[5]在研究轉(zhuǎn)化率時，還考慮了點(diǎn)擊率(CTR)和每點(diǎn)擊成本(CPC)的影響。CPC為廣告被點(diǎn)擊1次廣告商所付出的成本。然而我們分析認(rèn)為，排名位置和CTR及CPC之間存在一定的相關(guān)性，排名位置好，位置吸引力強(qiáng)，則CTR應(yīng)該會高，對應(yīng)的CPC也會高，因此，排名位置和CTR及CPC間有相關(guān)性。對本文搜集的數(shù)據(jù)進(jìn)行相關(guān)性分析的結(jié)果也表明，CTR和排名位置、CPC和排名位置在.01水平（雙側(cè)）上都顯著相關(guān)。

1.2模型建立

以下我們以最大化廣告商轉(zhuǎn)化率為優(yōu)化目標(biāo)，從排名及特性角度去研究影響轉(zhuǎn)化結(jié)果的因素，如前所述，本文暫未考慮諸如廣告網(wǎng)頁質(zhì)量和產(chǎn)品特性等廣告商本身其它因素對轉(zhuǎn)化結(jié)果的影響。

假設(shè)某個廣告商選定n個wi(i=1，…，n)進(jìn)行廣告競價，cij是wi在周期j內(nèi)的點(diǎn)擊量，點(diǎn)擊率為pij，轉(zhuǎn)化次數(shù)為qij。在返回搜索結(jié)果頁面后，消費(fèi)者決定是否完成廣告商期望的行動可以用消費(fèi)者離散選擇模型來刻畫:

其中，Pconv為轉(zhuǎn)化概率，u為消費(fèi)者效用函數(shù)，該效用函數(shù)由排名位置、以及特性等決定。i在周期j內(nèi)被觀察到的轉(zhuǎn)化次數(shù)服從二項(xiàng)分布：

w

其中，c為被點(diǎn)擊次數(shù)，q為轉(zhuǎn)化次數(shù)。在觀測的周期T內(nèi)，我們有似然函數(shù)：

根據(jù)以上分析，不同的存在異質(zhì)性，為了反映這種異質(zhì)性和隨機(jī)性，我們使用層次貝葉斯模型來進(jìn)行擬合。結(jié)合所選數(shù)據(jù)的行業(yè)特征，對每個

w，我們構(gòu)造了如下的效用函數(shù)：

式（1）中，βw為待估參數(shù)（包含了截距）且β～N(μβ，vβ)，Xw為變量，包括排名位置以及推廣地區(qū)，εw為誤差項(xiàng)。ωw為關(guān)鍵詞本身特性的影響，θw為待估參數(shù)（不含截距）且θ～N(μθ，vθ)，關(guān)鍵詞特性Yw1～Yw3分別表示關(guān)鍵詞長度、是否帶有品牌和商標(biāo)信息（0表示不帶，1表示帶有）以及是否帶有具體城市信息（0表示不帶，1表示帶有）。δw為關(guān)鍵詞誤差項(xiàng)。模型中各參數(shù)的先驗(yàn)概率分布如下：β～N2(μβ，vβ)，其中μβ～N(μb，Vb)且協(xié)方差陣由于先驗(yàn)信息很少，故取θ～N3(μθ，vθ)，其中=1000I3。關(guān)鍵詞誤差項(xiàng)δw～Gamma(k/2，m/2)

1.3基于馬爾科夫鏈蒙特卡洛模擬的模型參數(shù)估計(jì)

在建立的模型中，β和θ是待估參數(shù)。由貝葉斯理論可知，給定樣本數(shù)據(jù)D后的后驗(yàn)參數(shù)分布函數(shù)f(β，θ|D)如下：

式中，1(D|β，θ)為樣本聯(lián)合概率分布即似然函數(shù)，π(β，θ)為參數(shù)β和θ的先驗(yàn)概率分布。β和θ的后驗(yàn)分布設(shè)計(jì)高維積分運(yùn)算，其解析表達(dá)式無法直接給出，因此考慮采用馬爾科夫鏈蒙特卡洛(Markov Chain Monte Carlo, MCMC)方法來進(jìn)行參加估計(jì)。MCMC抽樣方法有多種，而在貝葉斯分析中應(yīng)用最為廣泛的MCMC方法主要有兩種：Gibbs抽樣(sampler)方法和Metropolis-Hastings（M-H）方法。當(dāng)全部參數(shù)的條件概率分布都可以以解析表達(dá)式給出的時候，可以使用Gibbs抽樣方法依次迭代取樣。當(dāng)無法推導(dǎo)出各參數(shù)的滿條件分布時，可以使用比Gibbs抽樣更一般的MCMC方法：M-H方法。在本文中，我們將兩種方法結(jié)合使用，具體算法描述如下：

MCMC模擬抽樣迭代算法：

第一步:對每組，計(jì)算自然函數(shù)；利用極大化自然函數(shù)估計(jì)效用值。

第二步:對每組，使用M-H算法抽樣出新的參數(shù)，計(jì)算接受概率并判斷是接受還是拒絕新參數(shù)，初始值β0和θ0取極大似然估計(jì)值；

第三步:對每組，計(jì)算，其中ωw～N(θwYw，δm)

第四步:使用Gibbs方法對參數(shù)μβ和vβ進(jìn)行抽樣：從π(μβ|β，vβ)中產(chǎn)生新的μβ，其中，；從π(vβ-1|β，μβ)中產(chǎn)生新的vβ，其中，

重復(fù)步驟1～4。

調(diào)整參數(shù)，使得接受概率大概為20%左右，然后運(yùn)行10000次，剔除迭代前2000次，從2000次以后隔100次取樣一次，作為估計(jì)參數(shù)的樣本。另外，由于數(shù)據(jù)原因，在迭代過程中，很容易出現(xiàn)病態(tài)矩陣，且矩陣數(shù)很大，對系數(shù)矩陣很小的擾動都會導(dǎo)致求得的逆矩陣差別很大，不利于參數(shù)的估計(jì)，本文使用廣義逆矩陣來解決該問題。

2　實(shí)證分析

2.1數(shù)據(jù)來源及分析

本文的數(shù)據(jù)來源于一家在國內(nèi)最早從事網(wǎng)絡(luò)服務(wù)的公司，該公司自2010年起開始在百度搜索進(jìn)行產(chǎn)品推廣?？紤]到節(jié)假日因素，我們避開了國家法定節(jié)假日較多的月份，收集了公司2011年6～8月份的競價數(shù)據(jù)，數(shù)據(jù)以一個星期為一個統(tǒng)計(jì)時間單位。數(shù)據(jù)包含了每個關(guān)鍵詞的競價時間、推廣地區(qū)、印象數(shù)、點(diǎn)擊數(shù)、平均排名、每點(diǎn)擊成本CPC（點(diǎn)擊數(shù)/總花費(fèi)）和轉(zhuǎn)化數(shù)。本文只選擇了點(diǎn)擊數(shù)大于0的數(shù)據(jù)，因?yàn)槿酎c(diǎn)擊量為0，則轉(zhuǎn)化數(shù)以及花費(fèi)也均為0，對于搜索引擎商和廣告商來說，都沒有帶來直接的利潤。結(jié)果包含了564個關(guān)鍵詞共10301條數(shù)據(jù)記錄中的468個關(guān)鍵詞，共5269條記錄數(shù)據(jù)，數(shù)據(jù)描述性統(tǒng)計(jì)如表1。

表1　數(shù)據(jù)統(tǒng)計(jì)量

由表1可知，該企業(yè)廣告的平均展現(xiàn)量(impression)為182.79，平均排名為3.32，的平均長度為6.26，但平均轉(zhuǎn)化只有0.56。在收集的時間周期內(nèi)，該公司平均323個展現(xiàn)量能得到1次轉(zhuǎn)化，或者是平均每15次對該公司廣告的點(diǎn)擊能得到1次轉(zhuǎn)化，每次轉(zhuǎn)化的平均價格為25元，每次點(diǎn)擊的平均花費(fèi)1.09元。在本文考慮的周期內(nèi)，公司在該組產(chǎn)品上的

廣告共花費(fèi)了￥7448。由表中數(shù)據(jù)可知，所收集的數(shù)據(jù)在展現(xiàn)量、點(diǎn)擊量以及消費(fèi)上的方差非常大，說明不同的

的廣告效果存在較大的差別。在

特性上，我們考慮了

的長度、

是否帶有商標(biāo)和品牌名稱以及

是否帶有城市信息。在468個

中，30個

帶有商標(biāo)和品牌信息（如“aofax傳真服務(wù)器”），55個

帶有城市信息。

2.2結(jié)果分析

利用MCMC模擬方法對本文的層次貝葉斯模型中的參數(shù)進(jìn)行估計(jì)，結(jié)果如表2所示。由表2可知，截距均值為-12.215且結(jié)果是顯著的。在所有估計(jì)的參數(shù)中，截距值是最小的，可知總體的轉(zhuǎn)化率是比較低的，因?yàn)榻鼐嘀翟叫?，效用值也就越小，對?yīng)的轉(zhuǎn)化率也就越低，這個結(jié)論和前面的統(tǒng)計(jì)結(jié)果是相符的。

表2　參數(shù)估計(jì)結(jié)果(β)

目前已有的研究中，未見有對推廣地區(qū)因素的考慮。本模型中，推廣地區(qū)的影響參數(shù)估計(jì)檢驗(yàn)結(jié)果是顯著的，均值為-6.952。由于在數(shù)據(jù)處理時，由熱門地區(qū)到偏遠(yuǎn)地區(qū)是按升序進(jìn)行排列，故數(shù)值越大說明地區(qū)越偏遠(yuǎn)。因此可以得出結(jié)論，熱門地區(qū)的轉(zhuǎn)化率要高于偏遠(yuǎn)地區(qū)的轉(zhuǎn)化率。同時，由源數(shù)據(jù)可以看出，熱門地區(qū)的點(diǎn)擊量和轉(zhuǎn)化數(shù)都要明顯高于偏遠(yuǎn)地區(qū)，本文收集的競價數(shù)據(jù)是針對網(wǎng)絡(luò)辦公軟件的，可以認(rèn)為熱門地區(qū)的辦公信息化程度要高于偏遠(yuǎn)地區(qū)，這符合人們的常識。

位置排名對轉(zhuǎn)化率的影響：直觀上，排名越靠前，點(diǎn)擊率和轉(zhuǎn)化率也越高，Ghose等[4]和Rutz[5]的研究均證實(shí)了這一觀點(diǎn)，表2中的參數(shù)估計(jì)結(jié)果也支持了這一結(jié)論，即排名位置和轉(zhuǎn)化率是負(fù)相關(guān)的，因?yàn)榕琶恢迷娇壳皠t數(shù)值也就越低（如排名最前的為1），轉(zhuǎn)化率也就越高。另外由表1可知，該企業(yè)的廣告平均排名位置較高，達(dá)到3.32。位置排名是關(guān)鍵詞廣告中最重要的一個因素，廣告成本、點(diǎn)擊率、轉(zhuǎn)化率以致最終的利潤都和廣告排名位置有關(guān)系，國外研究者們在這方面取得了相當(dāng)多的研究成果。如Ghose等[4]認(rèn)為競價排名中位置靠前的廣告雖然能帶來高的點(diǎn)擊率和轉(zhuǎn)化率，但是帶來的利潤卻不如排在中間的廣告。Kinshuk等[5]認(rèn)為一個優(yōu)良的企業(yè)就算競價排位低于非優(yōu)良企業(yè)（inferior）的廣告位置，仍然獲得多于非優(yōu)良企業(yè)的點(diǎn)擊。本文認(rèn)為，這種悖論源自于行業(yè)品牌認(rèn)知度。在品牌認(rèn)知度非常高的行業(yè)，知名企業(yè)（對應(yīng)于Kinshuk的superior firms）的廣告即使不排在最前，也能獲得較高的點(diǎn)擊率和轉(zhuǎn)化率。但是要完全探討排名和轉(zhuǎn)化率的關(guān)系則是個非常復(fù)雜的問題。廣告位置靠前，可能會帶來兩個不同的影響。首先，從消費(fèi)者觀點(diǎn)出發(fā)，位置越靠前，則對該廣告產(chǎn)品質(zhì)量的信任度也就越高。這種影響類似于消費(fèi)者更信任在中央電視臺黃金時段播出的廣告，而對其它時間段播出的廣告信任度則會下降。因此，這種觀點(diǎn)認(rèn)為位置好的廣告就能帶來高的轉(zhuǎn)化率。但Agarwal等[7]認(rèn)為，沒有真實(shí)購買意向的顧客傾向于點(diǎn)擊排名靠前的廣告但是并不購買，而那些有真實(shí)購買意向買主由于近期偏好則會點(diǎn)擊排名中間的廣告并購買產(chǎn)品。本文研究對象企業(yè)所屬的行業(yè)，品牌認(rèn)知度并不是非常高，不存在少數(shù)寡頭企業(yè)壟斷市場的現(xiàn)象（如智能手機(jī)行業(yè)），所以第一種影響大于第二種影響，即排名位置越靠前，轉(zhuǎn)化率也就越高。

除了以上討論的影響因素外，本身的特性也會影響到轉(zhuǎn)化率，若忽略這些參數(shù)的影響，將會造成對別的參數(shù)估計(jì)的偏差，參數(shù)估計(jì)結(jié)果如表3。

表3　參數(shù)估計(jì)結(jié)果(θ)

源數(shù)據(jù)中核心詞長度為4，最低值為3，最高值為17，均值為6.26。1值為-6.732，且結(jié)論顯著。該參數(shù)結(jié)果說明[5]認(rèn)為，長的

能帶來更高的點(diǎn)擊率，但并未帶來高的轉(zhuǎn)化率。這些研究結(jié)論上的差異可能源自于數(shù)據(jù)本身的差異性，因?yàn)榍罢咚鸭氖嵌鄠€行業(yè)的競價數(shù)據(jù)，而后者僅為酒店行業(yè)的數(shù)據(jù)。

的長度顯著影響轉(zhuǎn)化率，

長度越長，轉(zhuǎn)化率就越低。這說明如果用戶輸入較長的

，則很可能是用戶想了解同類產(chǎn)品的價格、功能以及如何使用該類產(chǎn)品，用戶的這些行為最終并未帶來轉(zhuǎn)化。而在Ghose的研究中，

長度對于轉(zhuǎn)化率的影響并無顯著統(tǒng)計(jì)意義。Rutz

長度影響參數(shù)θ

廣告推廣的是否帶有商標(biāo)（參數(shù)θ2）顯著影響著轉(zhuǎn)化率，參數(shù)值高達(dá)7.551，且結(jié)論具有顯著的統(tǒng)計(jì)意義。說明該公司的產(chǎn)品在行業(yè)中具有很強(qiáng)的影響力，這和現(xiàn)實(shí)相符合，因?yàn)樵摴臼亲钤绯晒ρ邪l(fā)出該產(chǎn)品的公司之一。該結(jié)論與Rutz[5]的研究結(jié)論一致，但與Ghose等[4]所得結(jié)論相反，究其原因，我們認(rèn)為該不同源于收集數(shù)據(jù)的行業(yè)存在差異，因?yàn)槲覀兪占氖翘囟ü井a(chǎn)品的競價數(shù)據(jù)（Rutz也如此），而并未跨行業(yè)和跨公司，但Ghose的研究并不是針對某類特定行業(yè)和產(chǎn)品的。同樣，3）顯著影響轉(zhuǎn)化率，參數(shù)值達(dá)到4.263，說明有真實(shí)購買意向的用戶在搜索時傾向于使用帶有城市信息的

。

是否帶有城市信息（參數(shù)θ

2.3研究結(jié)果對于廣告商管理廣告的意義

正如前面提到，考慮本身特性對轉(zhuǎn)化率的影響是必要的，若忽略這些參數(shù)的影響，將會造成對別的參數(shù)估計(jì)的偏差。為了更好的說明這個問題，假設(shè)我們在模型中不考慮3由負(fù)值變?yōu)檎?，排名位置和轉(zhuǎn)化率正相關(guān)，顯然和實(shí)際情況相悖。這表明了當(dāng)不考慮

特性時，本應(yīng)是

特性對轉(zhuǎn)化率帶來的影響效果被強(qiáng)加到各參數(shù)上，使得參數(shù)估計(jì)值被放大。由此可見，

特性因素在評價

轉(zhuǎn)化率效果中具有重要的作用，可以幫助廣告商更好的從

層面上去優(yōu)化廣告活動。

特性，而其它參數(shù)及設(shè)置均不變，參數(shù)的估計(jì)結(jié)果如表4所示。對比表2可知，不考慮

特性時，各個參數(shù)值均變大，其中β

*95 percentconfidence interval

parameters mean P variance β2β30.600 (-2.860 4.061) 0.417 0.173 β1(Intercept) -8.905 (-12.067-5.743) 0.000 6.449 -3.812 (-6.692-0.932) 0.009 4.461

本文研究結(jié)論的重要意義在于：可以從層面對轉(zhuǎn)化率進(jìn)行評估，而這對廣告商是非常有益的。為了評價

并預(yù)測轉(zhuǎn)化率，廣告商通常的做法是選擇部分

（包括引擎商推薦的

）進(jìn)行競價廣告，通過一段時間后對

廣告效果進(jìn)行評估，然后再調(diào)整

集合中

的組成并進(jìn)行競價廣告，然后再評估調(diào)整，該過程需要不斷重復(fù)。顯然，這種做法通常會花費(fèi)更多的資金和人力，且效果也受到質(zhì)疑。利用本文的研究結(jié)論，可以縮短尋找最佳

集合的時間并減少花費(fèi)。

具體來說，本文的研究對廣告商具有如下指導(dǎo)意義：

(1)在考慮轉(zhuǎn)化率為目標(biāo)時，應(yīng)考慮在熱門地區(qū)競價排在第一頁的，且

長度不宜太長（6個字以內(nèi)），

最好是帶有城市信息和商標(biāo)信息。

(2)在進(jìn)行競價時，應(yīng)根據(jù)所屬的行業(yè)特性來考慮目標(biāo)理想排位。在人們對品牌認(rèn)知度非常高的行業(yè)，如果屬于知名度非常高的企業(yè)，則無需對排名最靠前的幾個位置進(jìn)行競價也可獲得相同的廣告效果；如果企業(yè)屬于非知名企業(yè)，排名越靠前廣告效果越好。而在品牌效應(yīng)一般或者是人們對該行業(yè)品牌認(rèn)知度不是很高的行業(yè)，企業(yè)應(yīng)競價獲取排名靠前的廣告位置。顯然，本文所研究的行業(yè)屬于后者。

(3)引擎商在給廣告商提供廣告時，會向廣告商推薦

，但并不公布推薦的具體依據(jù)。結(jié)合本文研究結(jié)論，以

可觀測到的特征對

轉(zhuǎn)化率進(jìn)行預(yù)測和評估，廣告商就能更好的理解

廣告并能更準(zhǔn)確的選擇

進(jìn)行競價。

3　結(jié)束語

本文從角度對影響廣告轉(zhuǎn)化率的相關(guān)因素進(jìn)行了分析，包括推廣地區(qū)、排名位置以及

特性，構(gòu)建了層次貝葉斯轉(zhuǎn)化率影響因素分析模型，利用馬爾科夫蒙特卡洛(MCMC)方法對參數(shù)進(jìn)行估計(jì)。對某企業(yè)網(wǎng)上辦公軟件廣告3個月的競價數(shù)據(jù)進(jìn)行了分析，研究結(jié)論為廣告商更好的管理

廣告提供了借鑒。

本文研究的數(shù)據(jù)和結(jié)論是針對互聯(lián)網(wǎng)中的一個特定行業(yè)，結(jié)果也僅局限于類似行業(yè)中，如何拓展到更多不同的行業(yè)是作者下一步的研究方向。此外，本文在選擇關(guān)鍵詞時，以周為統(tǒng)計(jì)單位，將在一周內(nèi)轉(zhuǎn)化率為0的關(guān)鍵詞都排除在外，但該關(guān)鍵詞按月統(tǒng)計(jì)的轉(zhuǎn)化率可能大于0，如何考慮及評價這類關(guān)鍵詞的廣告效果值得進(jìn)一步研究。

[1]陽成虎,杜青龍.基于保留價格的競價模型研究[J].西南交通大學(xué)學(xué)報(社會科學(xué)版).2009,10(4).

[2]Jansen B J,Mullen T.Sponsored Search:An Overview of the Concept, History,and Technology[J].International Journal of Electronic Busi?ness，2008,6(2).

[3]Ghose A,Yang S.An Empirical Analysis of Search Engine Advertis?ing:Sponsored Search in Electronic Markets[J].Management Science. 2009,55(10).

[4]Rutz O J,Bucklin R E,Sonnier G P.A Latent Instrumental Variables Approach to Modeling Keyword Conversion in Paid Search Advertis?ing[J].JournalofMarketing Research.2011,49(3).

[5]Jerath K,Ma L,Park Y,et al.A“Position Paradox”in Sponsored Search Auctions[J].Marketing Science，2011,30(4).

[6]Agarwal A,Hosanagar K,Smith M.Location,Location and Location: An Analysis of Profitability of Position in Online Advertising Markets [J].Marketing Research，2011,48(6).

（責(zé)任編輯/易永生）

F224

A

1002-6487（2016）19-0064-04

國家自然科學(xué)基金資助項(xiàng)目（71462002）；廣西自然科學(xué)基金資助項(xiàng)目（2013GXNSFAA019340）

覃朝勇（1975—），男，廣西河池人，博士，副教授，研究方向：決策分析和運(yùn)營管理。