b站群嘲韩国事件带来的用户行为变化与广告效果分析

1. 总体目标与数据准备

1. 明确目标：监测用户行为（播放、停留、转发、评论、弹幕）、舆情（正负面）与广告关键指标（CTR、CPM、eCPM、转化率）。准备数据源：B站日志（事件流）、广告平台投放数据、第三方舆情API、CRM用户ID映射。

2. 数据抽取与时间窗口设定

2. 步骤：a) 确定基线期（事件前7天）与观察期（事件后14天）；b) SQL示例：SELECT uid,event,ts FROM events WHERE ts BETWEEN '2026-06-01' AND '2026-06-15' AND event IN ('play','comment','like','share');c) 导出到CSV或直接入Hadoop/Pulsar消费。

3. 指标定义与计算公式

3. 定义并计算：播放量PV、独立访客UV、平均观看时长(AWT)=总观看时长/播放次数；CTR=点击/展现；CVR=转化/点击；eCPM=（广告收入/展示数）*1000。用SQL或pandas实现聚合并按天/人群分层。

4. 用户分群与漏斗分析操作

4. 步骤：a) 用SQL/Python建立cohort表（事件时间、首次来源、是否看事件相关内容）；b) 构建漏斗：展现→点击→播放→完成；c) 用Retention曲线观察不同cohort的留存、用漏斗计算每步流失率。

5. 舆情与情感分析实操

5. 步骤：a) 抓取评论与弹幕文本，去重与分词（推荐jieba）；b) 用SnowNLP或transformers（bert-base-chinese）做情感打分（示例Python：model.predict(text)返回[-1,1]情感值）；c) 按时间与用户标签聚合负面率并设置报警阈值（例如负面率>15%）。

6. 广告效果诊断与优化建议

6. 步骤：a) 对比事件前后CTR/CPM/转化率，使用t-test检验显著性；b) 若CTR下降，按创意与受众拆分A/B测试（控制曝光、相同出价），记录至少1w次展示；c) 优化动作：调整创意避免敏感内容、切换受众、增加频次上限或黑名单关键词。

7. Q1：如何快速判断事件对广告的即时影响？

7. 问：如何快速判断事件对广告的即时影响？

7. 答：立刻对比事件前3日与后3日的CTR、CPM和转化率，用每日聚合表跑t-test；若CTR或转化率下降>=10%且p<0.05，则可判断有显著影响，同时检查负面舆情与主要受众段的行为变化。

8. Q2：遇到大量负面评论，广告主应先做什么？

8. 问：遇到大量负面评论，广告主应先做什么？

8. 答：立即暂停敏感创意投放并开启黑名单词过滤；同时把投放预算转向非相关内容或提升品牌安全定向，启动客服与公关配合的快速响应流程，避免广告加强负面曝光。

9. Q3：如何用A/B测试验证调整是否有效？

9. 问：如何用A/B测试验证调整是否有效？

9. 答：设定清晰指标（CTR或转化率），分流随机且平衡，保证每组至少1万展示并运行足够长（通常3-7天），统计显著性并计算最小可检测差异(MDE)，若改版组优于对照组并显著，则放量。

来源：b站群嘲韩国事件带来的用户行为变化与广告效果分析