做广告优化这么久了，也看过不少广告后台的受众画像，总体来说，对广告数据分析和效果优化的参考价值有限，不过聊胜于无。
究其原因，在于很多广告后台的受众画像数据，只告诉了我们看了广告的这部分人群是什么样的，而缺失了发生转化的这部分用户的画像数据。原因主要有两点：
一是在大部分广告投放过程中，前后端数据是割裂的，换句话说，媒体能知道你花钱买的广告给了谁看，但一般不知道哪些人发生了转化；而甲方通过自己的监测，可以知道转化的用户是哪一部分，如果监测做得够好，也能知道这部分的人群画像，但人群画像的判定标准与媒体方可能存在差异，统计口径不一致，数据无法人工打通。
二是媒体不愿意公开这么多的数据，甚至受众画像本身都有一定的问题。
如今信息流优化已经成为业内交流的热点，优化创意、定向等已是老生常谈，唯独受众画像的数据分析少有人提及，尚有可挖的地方。今天借此机会，和大家分享一种受众数据分析的思路。
需要强调的是，接下来的广告数据分析有一个最基本的前提：假设媒体提供的数据和甲方监测的数据都是真实准确的。下面我会以一个真实的案例和数据（今日头条，家装类）向大家介绍，如何用朴素贝叶斯的算法，对今日头条的受众画像进行数据挖掘和分析，从而实现精准定向下的转化率预测。
1.朴素贝叶斯的原理
每次提到贝叶斯定理，我心中的崇敬之情都油然而生，倒不是因为这个定理多高深，而是因为它特别有用。这个定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。比如，我知道发生转化的用户中，女性的比例是36%，那么当一个女性用户看到我的广告时，她有多大的可能性发生转化。
这里先解释什么是条件概率：
P(A|B)表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：
贝叶斯定理之所以有用，是因为我们在生活中往往遇到这种问题：可以不费力气地直接得出P(A|B)，P(B|A)则很难直接得出，但其实我们更关心P(B|A)，这时候，贝叶斯定理就为我们提供了从P(A|B)获得P(B|A)的道路。
下面省略证明过程，直接给出贝叶斯定理，相信对高中数学还有印象的朋友对这个公式应该不陌生：
2.朴素贝叶斯的数据挖掘原理
下面以一个简单的例子，介绍朴素贝叶斯的数据挖掘原理。虽然样本量不多，但足以说明原理和思路。
这里是一份受众画像数据，总共20笔数据，即代表20个UV。填写表单这一字段值为1的合计9笔，即发生转化的用户数为9。
表1
然后，我们把除了 ID（只是编号，对于挖掘没有价值）、省级地域（因为都是广东，对于挖掘没有价值）外的其他字段，做一个占比分布，如图所示：
表2
假设，我想知道 定向 X=（地级市="佛山"，性别="男"，年龄="18-23岁"，兴趣分类="房产"）的转化率，即我想求：P（填写表单="1" | X)。
直接是计算不出来的，回到上文提到的朴素贝叶斯，专门解决的就是这种问题，我只需知道P（X | 填写表单="1")，就可以通过公式得到P（填写表单="1" | X)。
具体的直接套公式得：
P（填写表单="1" | X) = P（X | 填写表单="1") * P（填写表单="1") / P（X）
同理可得，
P（填写表单="0" | X) = P（X | 填写表单="0") * P（填写表单="0") / P（X）
这里需要引出另外一个重要的公式，P(A,B)代表事件A与B同时发生的概率。
当事件A与B的发生是各自独立时，P(A,B) = P(A|B) * P(B) =P(A)P(B)。
因为，地级市、性别、年龄等这些字段（或定向）的发生可以理解为是各自独立的，所以P（X | 填写表单="1") = P（X ） * P（填写表单="1") ，又P（X | 填写表单="1"）= P（地级市="佛山"，性别="男"，年龄="18-23岁"，兴趣分类="房产" | 填写表单="1"）=P（地级市="佛山" | 填写表单="1"） * P（性别="男" | 填写表单="1"） * P（年龄="18-23岁" | 填写表单="1"） * P（兴趣分类="房产" | 填写表单="1"），此时，看起来同样无法直接得到的P（X | 填写表单="1")，被拆分为看起来更简单的5个事件的概率的乘积。
带入具体值，计算得：
P（填写表单="1" | X) = P（X | 填写表单="1") * P（填写表单="1") / P（X）= （3/9 * 6/9 * 2/9 * 1/9）*0.45 / P（X） = 0.002469 / P（X）...................................................①
P（填写表单="0" | X) = P（X | 填写表单="0") * P（填写表单="0") / P（X）= （2/11 * 5/11 * 2/11 * 2/11）*0.55 / P（X） = 0.0015026 / P（X）...................................................②
接下来，遇到一个问题，P（X）是多少，不知道！不过不要紧，当定向 X的用户进来时，ta要么转化，要么不转化，所以
P（填写表单="1" | X) + P（填写表单="0" | X) =1...................................................③
联立①②③，最终求出：
P（填写表单="1" | X) = 62.2%
P（填写表单="0" | X) = 37.8%
所以，当定向为X时，朴素贝叶斯数据挖掘模型认为，该类用户的转化率在62.2%。
3.朴素贝叶斯的数据挖掘的优势
主流的数据挖掘算法，如神经网络、决策树等。多半依赖如表1所示的数据，每一个字段代表用户的不同维度，每一行代表一个独立用户的数据。但实际优化过程中，媒体方不可能提供如此详尽的受众画像数据， 但朴素贝叶斯不一样，对原始数据的要求略低，只需提供不同维度组合下的比例，而不必细化到每一个用户的情况。
4.朴素贝叶斯的数据挖掘案例解读
4.1 原生数据及预处理
我们从今日头条广告后台拿到的数据经过简单处理后，是下面这样的：
合计13339点击，转化量为37。
表3
4.2 计算字段重要性，确定输入字段
因为所有字段都是类别型字段（区别于数值型字段），这里介绍一个比较通用的算法，用于评估所有可能的输入字段对输出字段的重要性。
公式解读如下：
注：ABS函数，用于求绝对值。
所有可能的输入字段对输出字段的重要性计算结果如下：
一般经验来说，字段重要性小于0.1的字段可以不予纳入数据挖掘模型中。
所以，目前根据有限的数据，”性别“这一字段，对于判断用户是否转化的帮助不大，故在接下来的数据挖掘模型中，输入字段包括：地级市、年龄、兴趣分类。
开始做数据挖掘，具体原理这里不再赘述，直接给出结果。
。。。（中间太长，省略了）
我们看到，数据挖掘显示，转化为1的最大概率是1.51%，此时的定向条件是”广州&(50岁以上)-母婴儿童“。而样本数据的整体转化率是37/13339 = 0.28%。
下图是转化为1的概率分布，可以看到大于0.28%的数据约有25%，换句话说，基于朴素贝叶斯的用户数据挖掘，在324种定向组合中，找到了约四分之一的组合，可以使预估的转化率高于平均水平0.28%。随着数据量的增加，模型也会不断改进，对精准定向组合的转化率预测效能也会越来越好，将有限的广告费花在最有可能转化的用户上。
下面考虑怎么将这一洞察，应用于广告投放，创造更高的ROI。比如制作针对性的创意、提高出价等等，这个方面各位都是老手了，我就不多说了。
最后强调一句，受众画像的数据挖掘需要满足一定的条件，即要能区分转化和未转化的用户。
以上，即是基于朴素贝叶斯的用户数据挖掘，给大家参考。
作者简介
齐云涧，曾任百度核心代理商致维科技营销分析师、知名Fintech公司量化派运营推广经理。目前正撰写《广告数据定量分析》一书，预计年底出版，欢迎关注和交流。
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求，为完善跟帖评论自律管理，为了保护用户创造的内容、维护开放、真实、专业的平台氛围，我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容，同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规，对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息，主要表现为：
1)反对宪法所确定的基本原则；
2)危害国家安全，泄露国家秘密，颠覆国家政权，破坏国家统一，损害国家荣誉和利益；
3)侮辱、滥用英烈形象，歪曲、丑化、亵渎、否定英雄烈士事迹和精神，以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉；
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动；
5)煽动民族仇恨、民族歧视，破坏民族团结；
6)破坏国家宗教政策，宣扬邪教和封建迷信；
7)散布谣言，扰乱社会秩序，破坏社会稳定；
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪；
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序；
10)侮辱或者诽谤他人，侵害他人名誉、隐私和其他合法权益；
11)通过网络以文字、图片、音视频等形式，对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法规禁止的其他内容；
2. 不友善：不尊重用户及其所贡献内容的信息或行为。主要表现为：
1)轻蔑：贬低、轻视他人及其劳动成果；
2)诽谤：捏造、散布虚假事实，损害他人名誉；
3)嘲讽：以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述，以此来激怒他人；
4)挑衅：以不友好的方式激怒他人，意图使对方对自己的言论作出回应，蓄意制造事端；
5)羞辱：贬低他人的能力、行为、生理或身份特征，让对方难堪；
6)谩骂：以不文明的语言对他人进行负面评价；
7)歧视：煽动人群歧视、地域歧视等，针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击；
8)威胁：许诺以不良的后果来迫使他人服从自己的意志；
3. 发布垃圾广告信息：以推广曝光为目的，发布影响用户体验、扰乱本网站秩序的内容，或进行相关行为。主要表现为：
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式：
2)单个帐号多次发布包含垃圾广告的内容；
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容；
4)多次发布包含欺骗性外链的内容，如未注明的淘宝客链接、跳转网站等，诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光；
6)购买或出售帐号之间虚假地互动，发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容，如通过伪造经历、冒充他人等方式进行恶意营销；
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息，主要表现为：
1)包含自己或他人性经验的细节描述或露骨的感受描述；
2)涉及色情段子、两性笑话的低俗内容；
3)配图、头图中包含庸俗或挑逗性图片的内容；
4)带有性暗示、性挑逗等易使人产生性联想；
5)展现血腥、惊悚、残忍等致人身心不适；
6)炒作绯闻、丑闻、劣迹等；
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息，主要表现为：
1)可能存在事实性错误或者造谣等内容；
2)存在事实夸大、伪造虚假经历等误导他人的内容；
3)伪造身份、冒充他人，通过头像、用户名等个人信息暗示自己具有特定身份，或与特定机构或个人存在关联。
6. 传播封建迷信，主要表现为：
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病；
2)求推荐算命看相大师；
3)针对具体风水等问题进行求助或咨询；
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失，包括通过占卜方法问婚姻、前程、运势，东西宠物丢了能不能找回、取名改名等；
7. 文章标题党，主要表现为：
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户；
2)内容与标题之间存在严重不实或者原意扭曲；
3)使用夸张标题，内容与标题严重不符的。
8.「饭圈」乱象行为，主要表现为：
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论，影响传播秩序
9. 其他危害行为或内容，主要表现为：
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的；
2)不当评述自然灾害、重大事故等灾难的；
3)美化、粉饰侵略战争行为的；
4)法律、行政法规禁止，或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时，本网站将依据相关用户违规情节严重程度，对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号，或者滥用多个帐号发布违规内容时，本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富，本网站出于维护本网站氛围和秩序的目的，将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议，可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)