English version

Анализ эффективности рекламных кампаний (Google & Facebook Ads)

Краткое описание

Этот репозиторий содержит комплексное решение тестового задания по анализу данных платного трафика. Проект охватывает полный цикл работы с данными: от генерации синтетических данных до подготовки аналитических выводов и рекомендаций.

---

Структура проекта

• /1_Data_Emulation/: Python-скрипт для генерации исходных CSV-файлов.
• /2_Data_Model/: SQL-скрипт для объединения данных и описание логики DAX-метрик.
• /3_Dashboard/: Файл Power BI дашборда (.pbix) с визуализациями и скриншотами.
• /4_Conclusions/: Краткие выводы и рекомендации по оптимизации кампаний.

---

Технологический стек

• Генерация данных: Python
• Хранение и обработка: MySQL; DBeaver
• Моделирование и визуализация: Power BI; DAX
• Контроль версий: Git; GitHub

---

Задача 1: Сбор и эмуляция данных

Описание
На этом этапе были синтезированы данные за 14-дневный период, имитирующие показатели рекламных кампаний из Google Ads, Facebook Ads и мобильного трекера (MMP).

Инструмент

• Python-скрипт: synthet_ads_mmp.py

Результат

• Три CSV-файла: ads_facebook_ads_last_14_days.csv; ads_google_ads_last_14_days.csv; mmp_last_14_days.csv — готовые для загрузки в базу данных.

Инструкция по запуску
Полная инструкция по запуску скрипта находится в /1_Data_Emulation/TASK1_INSTRUCTIONS.md.

---

Задача 2: Модель данных

Описание
CSV-файлы были загружены в базу данных созданную в MySQL посредством DBeaver и объединены в единую аналитическую витрину с помощью SQL. Ключевые метрики рассчитывались в Power BI с помощью DAX для корректности анализа.

Логика объединения

• Сопоставление данных по рекламным платформам и mmp по campaign_id и date через LEFT JOIN.

Расчет метрик

• Все метрики (CTR; CPI; ROAS и др.) реализованы как Measures в Power BI для корректного подсчёта итоговых значений.

Артефакты

• Полный SQL-скрипт и описание DAX-формул доступны в /2_Data_Model/TASK2_LOGIC.md.

---

Задача 3: Дашборд в Power BI

Описание
На основе подготовленной модели данных создан интерактивный дашборд для визуального анализа эффективности кампаний.

Ключевые элементы дашборда

• Общие KPI: карточки или матрицы с итоговыми показателями (Spend; Installs; ROAS D7; CTR; CPI)
• Динамика: графики изменения затрат и установок по дням
• Детализация: таблица с полной статистикой по каждой кампании
• Фильтры: возможность анализа данных по источникам (Google / Facebook) и по дате

Файлы

• Файл .pbix и скриншоты дашборда находятся в /3_Dashboard/TASK3_DASHBOARD_OVERVIEW.md.

---

Задача 4: Ключевые выводы и рекомендации

Период анализа

• 7 — 20 октября 2025 года

Основные результаты

Кампании для масштабирования

• Google Ads: UAC – Value | Android | APAC | Video — высший ROAS D7 1166.04%, низкий CPI $1.89, затраты $3,087; масштабировать бюджет.
• Facebook Ads: UA – Retargeting – Value | iOS | LATAM | UGC — ROAS D7 1121.52%, CPI $2.25, затраты $1,157; приоритет для увеличения охвата.
• Google Ads: UAC – Value | Android | EU | Playables — ROAS D7 1018.53%, Installs 6,167, затраты $13,970; масштабируемая, сохраняет рентабельность при росте вложений.

Кампании для приостановки / перезапуска

• Google Ads: Search – Brand – Exact | iOS | US | UGC — низкий ROAS D7 307.30%, самый высокий CPI $4.67; остановить и проанализировать креативы и таргетинг.
• Facebook Ads: UA – Prospecting – Broad | IOS | US | USG — большие затраты $17,922, ROAS D7 443.07%, CPI $3.76; приостановить и переработать аудиторию/креативы.
• Facebook Ads: UA – Prospecting – Broad | Android | LATAM | Static — затраты $12,033, ROAS D7 431.82%; пауза и полная оптимизация перед возобновлением.

Детальный анализ

Полный текстовый анализ представлен в файле /4_Conclusions/TASK4_CONCLUSIONS.md.