divyadharshini-1306/Online-Advertising-Performance-Analysis-Prediction

在线广告效果分析（2020 年 4 月–6 月） **1) 概述** 分析 2020 年 4 月至 6 月广告活动效果的数据科学项目 重点关注趋势、互动、转化和收入 **2) 工具** Python, Pandas, NumPy Matplotlib, Seaborn Statsmodels, Web Scraping **3) 方法** 数据清洗与预处理 特征工程 趋势与漏斗分析（展示 → 点击 → 转化） 按 Banner 尺寸、投放位和广告活动细分 相关性分析与异常检测 预测建模 **4) 关键洞察** 互动在 4 月初达到峰值，随后随时间推移下降 较大的 Banner 尺寸产生了更多点击 少数投放位贡献了大部分流量 较高的投入并不总能带来较高的收入 **结论** 互动质量对转化和收入影响显著 Banner 尺寸和投放位显著影响广告活动效果 数据驱动的优化可提升广告 ROI

标签：Matplotlib, NumPy, Python, ROI优化, Seaborn, Statsmodels, 在线广告, 广告效果分析, 广告运营, 异常检测, 数字营销, 数据清洗, 数据科学, 无后门, 漏斗分析, 点击率, 热力图, 特征工程, 用户分层, 程序化广告, 资源验证, 趋势分析, 转化率, 逆向工具, 预测建模