หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

รูปแบบการตลาด

1. เกี่ยวกับชั้นเรียน

ชั้น Python สร้างขึ้นเพื่อแก้ไขปัญหาเกี่ยวกับแหล่งที่มาของการตลาดดิจิทัล

2. เกี่ยวกับการระบุแหล่งที่มาหลายช่องทาง

ในขณะที่เรียกดูออนไลน์ผู้ใช้มีจุดสัมผัสหลายจุดก่อนที่จะแปลงซึ่งอาจนำไปสู่การเดินทางที่ยาวนานขึ้นและซับซ้อนมากขึ้น

วิธีการแปลงเครดิตและการลงทุนในสื่ออย่างถูกต้อง?

ในการจัดทำสิ่งนี้เราใช้ รูปแบบการระบุแหล่งที่มา

2.1 รุ่นที่มา

แบบจำลองฮิวริสติก :

  • การโต้ตอบครั้งสุดท้าย :

  • การระบุแหล่งที่มาเริ่มต้นใน GOGLE Analytics และแพลตฟอร์มสื่ออื่น ๆ เช่น Google Ads และ Facebook Business Manager

  • เฉพาะจุดสัมผัสสุดท้ายเท่านั้นที่ให้เครดิตสำหรับการแปลง

  • คลิกสุดท้ายที่ไม่ได้กำกับ :

  • การรับส่งข้อมูลโดยตรงทั้งหมดจะถูกละเว้นและ 100% ของผลลัพธ์จะไปที่ช่องสุดท้ายที่ลูกค้าไปถึงเว็บไซต์ก่อนที่จะแปลง

  • การโต้ตอบครั้งแรก :

  • ผลที่ได้นั้นมาจากจุดสัมผัสแรก

  • เชิงเส้น :

  • ทุกจุดสัมผัสได้รับการยกย่องอย่างเท่าเทียมกัน

  • เวลาสลายตัว :

  • ยิ่งจุดสัมผัสล่าสุดคือเครดิตมากขึ้นเท่านั้น

  • ตำแหน่งตาม :

  • ในรุ่นนี้ 40% ของผลลัพธ์มีสาเหตุมาจากจุดสัมผัสสุดท้ายอีก 40% เป็นครั้งแรกและส่วนที่เหลือ 20% นั้นมีการกระจายอย่างเท่าเทียมกันระหว่างช่องทางกลาง

โมเดล Algotithmic

ค่าสเปปลีย์

ใช้ในทฤษฎีเกมค่านี้เป็นการประเมินการมีส่วนร่วมของผู้เล่นแต่ละคนในเกมสหกรณ์

การแปลงจะได้รับเครดิตไปยังช่องทางโดยกระบวนการเปลี่ยนรูปแบบการเดินทาง ในการเปลี่ยนแปลงแต่ละช่องจะมีการให้ช่องทางเพื่อประเมินว่ามันมีสาระสำคัญโดยรวมอย่างไร

ตัวอย่างเช่น ลองดูที่การเดินทางที่มีความเป็นอยู่ต่อไปนี้:

การค้นหาออร์แกนิก> Facebook> โดยตรง> $ 19 (เป็นรายได้)

เพื่อให้ได้ค่า Shapley ของแต่ละช่องเราต้องพิจารณาค่าการแปลงทั้งหมดสำหรับการเรียงสับเปลี่ยนส่วนประกอบของการเดินทางที่กำหนดนี้

การค้นหาออร์แกนิก> $ 7

Facebook> $ 6

โดยตรง> $ 4

การค้นหาออร์แกนิก> Facebook> $ 15

การค้นหาออร์แกนิก> โดยตรง> $ 7

Facebook> โดยตรง> $ 9

การค้นหาแบบออร์แกนิก> Facebook> โดยตรง> $ 19

จำนวน joneys ส่วนประกอบเพิ่มขึ้นอย่างทวีคูณช่องทางที่แตกต่างกันมากขึ้น: อัตราคือ 2^n (2 ถึงพลังของ N) สำหรับ ช่อง N

กล่าวอีกนัยหนึ่งมี 3 จุดสัมผัสที่แตกต่างกันมีการเรียงสับเปลี่ยน 8 ครั้ง ตัวอย่างเช่นมากกว่า 15 กระบวนการนี้ไม่สามารถทำได้

โดยค่าเริ่มต้นลำดับของจุดสัมผัสจะไม่ถูกนำมาพิจารณาเมื่อคำนวณค่า Shapley เฉพาะการมีอยู่หรือขาด เพื่อที่จะทำเช่นนั้นจำนวนการเรียงสับเปลี่ยน เพิ่มขึ้น

เมื่อคำนึงถึงสิ่งนั้นโปรดทราบว่ามันค่อนข้างยากที่จะใช้โมเดลนี้เมื่อพิจารณาลำดับของการโต้ตอบ สำหรับช่อง N ไม่เพียง แต่มีการเรียงสับเปลี่ยน 2^n ของช่องที่กำหนด I แต่ยัง รวมถึงการเปลี่ยนแปลงทุกครั้งที่มีฉันอยู่ในตำแหน่งที่แตกต่างกัน

ปัญหาและข้อ จำกัด บางประการของค่า Shapley

  • จำนวนช่องทางที่แตกต่างกันถูก จำกัด ด้วยลักษณะทวีคูณของการเรียงสับเปลี่ยน
  • เมื่อไม่ได้พิจารณาลำดับของจุดสัมผัสการมีส่วนร่วมที่ประเมินไว้สำหรับช่อง A นั้นถือว่าเหมือนกันว่ามันนำหน้าด้วย B หรือ C
  • หากการสั่งซื้อถูกนำมาพิจารณาจำนวนชุดค่าผสม skyrockets และหากการรวมกันใด ๆ ไม่มีอยู่ระหว่างการสังเกตโมเดลจะพิจารณาว่าการเดินทางนั้นมีอยู่กับการแปลงเป็นศูนย์
  • จุดสัมผัสที่ไม่ได้มีอยู่หรือมีอยู่ในการเดินทางที่ยาวนานขึ้นเท่านั้น

มาร์คอฟเชนเชน มาร์คอฟเป็นกระบวนการสุ่มโดยเฉพาะซึ่งการกระจายความน่าจะเป็นของสถานะถัดไปใด ๆ ขึ้นอยู่กับสถานะปัจจุบันโดยไม่คำนึงถึงสถานะก่อนหน้าและลำดับของพวกเขา

ในการใช้งานหลายช่องทางเราสามารถใช้โซ่มาร์คอฟเพื่อคำนวณความน่าจะเป็นของการมีปฏิสัมพันธ์ระหว่างคู่ของช่องทางสื่อกับ เมทริกซ์การเปลี่ยนแปลง

ในเรื่องเกี่ยวกับการมีส่วนร่วมของแต่ละช่องในการแปลง เอฟเฟกต์การกำจัด จะเกิดขึ้น: สำหรับแต่ละช่องทางของ Jorney จะถูกลบออกและคำนวณความน่าจะเป็นของการแปลง

ค่าที่เกิดจากช่องทางจากนั้นจะได้รับจากอัตราส่วนของความแตกต่างระหว่างความน่าจะเป็นของการแปลงโดยทั่วไปและความน่าจะเป็นเมื่อช่องดังกล่าวจะถูกลบออกไปในความน่าจะเป็นทั่วไปอีกครั้ง

กล่าวอีกนัยหนึ่งเอฟเฟกต์การกำจัดของช่องที่ใหญ่ขึ้นยิ่งมีส่วนร่วมมากขึ้นเท่านั้น

** เมื่อทำงานกับกระบวนการ Markovian ไม่มีข้อ จำกัด เนื่องจากปริมาณหรือลำดับของช่อง ลำดับของพวกเขาเองเป็นส่วนพื้นฐานของอัลกอริทึม

2.2 การอ้างอิง

  • รูปแบบการระบุแหล่งที่มาในการตลาด
  • ทฤษฎีที่มา: สองรุ่นที่ดีที่สุดสำหรับการระบุแหล่งที่มาการตลาดอัลกอริทึม - นำไปใช้ใน Apache Spark และ R
  • การระบุแหล่งที่มาของทฤษฎีเกม: แบบจำลองที่คุณไม่เคยได้ยินมาก่อน
  • การระบุแหล่งที่มาของช่องทางการตลาดกับรุ่น Markov ใน R
  • การระบุแหล่งข้อมูลที่ขับเคลื่อนด้วยข้อมูลหลายช่องทาง
  • การตลาดแบบหลายช่องทางกับ R (ตอนที่ 1: แนวคิดโซ่มาร์คอฟ)
  • รูปแบบการตลาดหลายช่องทางการตลาดด้วย R (ตอนที่ 2: ปัญหาการปฏิบัติ)
  • ML-Book/Shapley
  • ภาพรวมของการสร้างแบบจำลองที่มาใน MCF

3. การนำเข้าชั้นเรียน 

 >> pip install marketing_attribution_models 
 from marketing_attribution_models import MAM

4. การสาธิต

การสร้างวัตถุ MAM

เมื่อ สร้าง แม่แบบ เฟรมข้อมูลสองวัตถุ MAM สามารถใช้เป็นอินพุตขึ้นอยู่กับค่าของพารามิเตอร์ group_channels คืออะไร

  • group_channels = true : เฟรมข้อมูลอินพุตมี หนึ่งเซสชัน ของ Jorney ของผู้ใช้แต่ละคน ต่อแถว
    • ค่าที่ต้องการในแต่ละแถว (กล่าวอีกนัยหนึ่งคอลัมน์ที่ต้องการ) คือการระบุผู้ใช้ ที่แตกต่างกัน ซึ่งเป็นตัวบ่งชี้ บูลี นของการแปลงหรือขาดและ ช่องแหล่งที่มา ของเซสชัน
  • Group_Channels = FALSE : เฟรมข้อมูลอินพุตมี การเดินทางทั้งหมด ของผู้ใช้แต่ละคน ต่อแถว ในกรณีที่คุณใช้ Google Analytics เทมเพลตนี้สามารถรับได้โดยการดาวน์โหลดรายงาน เส้นทางการแปลงด้านบน
    • ในกรณีนี้ทั้งช่องและเวลาในการแปลงคอลัมน์จะถูก agregated โดยการเดินทางด้วยแต่ละจุดสัมผัสที่ถูกคั่นด้วย ' > ' (ยิ่งใหญ่กว่าสัญญาณ) โดยค่าเริ่มต้น ตัวคั่นที่แตกต่างกันสามารถตั้งค่าในพารามิเตอร์ path_separator

สำหรับการลดทอนนี้เราจะใช้กรอบข้อมูลที่ ยังไม่ได้จัดกลุ่ม การเดินทางโดยแต่ละแถวเป็นเซสชั่นที่แตกต่างกันและไม่มีรหัสการเดินทางที่ไม่ซ้ำกัน

หมายเหตุ: คลาส MAM มีพารามิเตอร์ในตัวสำหรับการสร้าง ID การเดินทาง, create_journey_id_based_on_conversion ว่าถ้าเป็น จริง ID จะถูกสร้างขึ้นตาม ID ผู้ใช้ป้อนเข้าพารามิเตอร์ group_channels_id_list และคอลัมน์ที่ระบุว่ามีการแปลงหรือไม่ ชื่อถูกกำหนดโดยพารามิเตอร์ JOURAGT_WITH_CONV_COLNAME

ในสถานการณ์นี้เซสชันทั้งหมดจากผู้ใช้ที่แตกต่างกันจะได้รับการสั่งซื้อและสำหรับการแปลงทุกครั้งจะมีการสร้าง ID การเดินทางใหม่ อย่างไรก็ตามเรา ขอแนะนำอย่างมาก ว่าการสร้าง ID การเดินทางครั้งนี้ได้รับการปรับแต่งตาม ความรู้เฉพาะสำหรับธุรกิจในมือ และข้อสรุปเชิงสำรวจ ตัวอย่างเช่นหากในธุรกิจที่กำหนดมีการระบุว่าระยะเวลาการเดินทางเฉลี่ยประมาณหนึ่งสัปดาห์อาจมีการกำหนดนักวิจารณ์ใหม่เพื่อให้เมื่อผู้ใช้ไม่มีปฏิสัมพันธ์ใด ๆ เป็นเวลาเจ็ดวันการเดินทางจะหยุดพักภายใต้สมมติฐาน ที่น่าสนใจ

สำหรับพารามิเตอร์ตอนนี้นี่คือวิธีการกำหนดค่าสำหรับ กลุ่ม _ channels ของเรา = สถานการณ์จริง:

  1. pandas dataframe เป็นอินพุตเป็นฐานข้อมูล
  2. พารามิเตอร์ group_channels ถูกตั้งค่าเป็นจริง
  3. ชื่อของคอลัมน์ที่มีแชนเนลใน DataFrame ดั้งเดิมได้รับแจ้งแม้ว่าพารามิเตอร์ channels_colname ;
  4. ชื่อของคอลัมน์บูลีนที่กำหนดว่ามีการแปลงหรือไม่ได้รับการแจ้งผ่านพารามิเตอร์ JOURAPT_WITH_CONV_COLNAME ;
  5. รายการที่มีชื่อของคอลัมน์ที่ใช้ในการเขียน ID การเดินทางจะได้รับการแจ้งผ่าน group_channels_by_id_list แม้ว่ารายการอาจยาวนานขึ้น แต่เรากำลังสร้าง ID นี้ตามการแปลง (ดูรายการ 7) ดังนั้น ID ผู้ใช้เพียงอย่างเดียวก็เพียงพอแล้ว
  6. เวลาเริ่มต้นของแต่ละเซสชันจะได้รับการแจ้งในพารามิเตอร์ group_timestamp_colname เป็นชื่อของคอลัมน์ดังกล่าวในกรอบข้อมูลดั้งเดิม อาจเป็นวันที่หรือการประทับเวลา
  7. และในที่สุดในสถานการณ์ของเราเราต้องการสร้าง ID การเดินทางตามคอลัมน์ที่ระบุไว้แล้วในพารามิเตอร์ group_channels_by_id_list และ Journey_with_conv_colname โดยการตั้งค่า create_journey_id_based_on_conversion เป็น จริง 
 attributions = MAM ( df ,
    group_channels = True ,
    channels_colname = 'channels' ,
    journey_with_conv_colname = 'has_transaction' ,
    group_channels_by_id_list = [ 'user_id' ],
    group_timestamp_colname = 'visitStartTime' ,
    create_journey_id_based_on_conversion = True )

เพื่อที่จะสำรวจและทำความเข้าใจความสามารถของ MAM ได้มีการใช้ "ตัวสร้างข้อมูลแบบสุ่ม" ถูกนำมาใช้ผ่านการใช้พารามิเตอร์ แบบสุ่ม apparameter เมื่อตั้งค่าเป็น TRUE 

 attributions = MAM ( random_df = True )

หลังจากสร้างวัตถุ MAM แล้วเราสามารถตรวจสอบฐานข้อมูลของเราได้ตอนนี้ด้วยการเพิ่ม JOURJIT_ID ของเราและด้วยเซสชั่นที่จัดกลุ่มใน การเดินทาง โดยใช้ ATTREUTE ".DATAFRAME" 

 attributions . DataFrame
Journey_id channels_agg time_till_conv_agg converted_agg Conversion_value
0 id: 0_j: 0 Facebook 0.0 จริง 1
1 ID: 0_J: 1 Google Search 0.0 จริง 1
2 ID: 0_J: 10 การค้นหาของ Google> ออร์แกนิก> การตลาดผ่านอีเมล 72.0> 24.0> 0.0 จริง 1
3 ID: 0_J: 11 ออร์แกนิก 0.0 จริง 1
4 ID: 0_J: 12 การตลาดผ่านอีเมล> Facebook 432.0> 0.0 จริง 1
- - - - - -
20341 ID: 9_J: 5 โดยตรง> Facebook 120.0> 0.0 จริง 1
20342 ID: 9_J: 6 การค้นหาของ Google> การค้นหาของ Google> การค้นหาของ Google 48.0> 24.0> 0.0 จริง 1
20343 ID: 9_J: 7 ออร์แกนิก> ออร์แกนิก> การค้นหาของ Google> การค้นหาของ Google 480.0> 480.0> 288.0> 0.0 จริง 1
20344 ID: 9_J: 8 โดยตรง> อินทรีย์ 168.0> 0.0 จริง 1
20345 ID: 9_J: 9 Google Search> Organic> Google Search> Emai ... 528.0> 528.0> 408.0> 240.0> 0.0 จริง 1

แอตทริบิวต์นี้ได้ รับการอัปเดต สำหรับ ทุกรูปแบบที่มา ที่สร้างขึ้น เฉพาะในกรณีของแบบจำลองฮิวริสติกคอลัมน์ใหม่จะถูกผนวกเข้ากับค่าที่มาจากโมเดลดังกล่าว

หมายเหตุ: แอตทริบิวต์ . dataframe ไม่รบกวนการคำนวณแบบจำลองใด ๆ หากมีการเปลี่ยนแปลงโดยการใช้งานผลลัพธ์ต่อไปนี้จะไม่ได้รับผลกระทบ 

 attributions . attribution_last_click ()
attributions . DataFrame
Journey_id channels_agg time_till_conv_agg converted_agg Conversion_value
0 id: 0_j: 0 Facebook 0.0 จริง 1
1 ID: 0_J: 1 Google Search 0.0 จริง 1
2 ID: 0_J: 10 การค้นหาของ Google> ออร์แกนิก> การตลาดผ่านอีเมล 72.0> 24.0> 0.0 จริง 1
3 ID: 0_J: 11 ออร์แกนิก 0.0 จริง 1
4 ID: 0_J: 12 การตลาดผ่านอีเมล> Facebook 432.0> 0.0 จริง 1
- - - - - -
20341 ID: 9_J: 5 โดยตรง> Facebook 120.0> 0.0 จริง 1
20342 ID: 9_J: 6 การค้นหาของ Google> การค้นหาของ Google> การค้นหาของ Google 48.0> 24.0> 0.0 จริง 1
20343 ID: 9_J: 7 ออร์แกนิก> ออร์แกนิก> การค้นหาของ Google> การค้นหาของ Google 480.0> 480.0> 288.0> 0.0 จริง 1
20344 ID: 9_J: 8 โดยตรง> อินทรีย์ 168.0> 0.0 จริง 1
20345 ID: 9_J: 9 Google Search> Organic> Google Search> Emai ... 528.0> 528.0> 408.0> 240.0> 0.0 จริง 1

โดยปกติปริมาณของข้อมูลที่ใช้งานได้นั้นกว้างขวางดังนั้นจึงเป็นไปไม่ได้หรือเป็นไปไม่ได้ที่จะวิเคราะห์ผลลัพธ์ที่เกิดจากการเดินทาง แต่ละครั้ง ด้วยการทำธุรกรรม อย่างไรก็ตามด้วยแอตทริบิวต์ group_by_channels_models อย่างไรก็ตามผลลัพธ์ทั้งหมดสามารถดูได้โดยจัดกลุ่มตามช่อง

หมายเหตุ : ผลลัพธ์ที่จัดกลุ่ม ไม่ได้เขียนทับ กันในกรณีที่ใช้โมเดลเดียวกันในสองกรณีที่แตกต่างกัน ทั้งสอง (หรือมากกว่า) ของพวกเขาจะแสดงใน " group_by_channels_models " 

 attributions . group_by_channels_models
ช่อง attribution_last_click_heuristic
โดยตรง 2133
การตลาดผ่านอีเมล 1033
Facebook 3168
Google Display 1073
Google Search 4255
Instagram 1028
ออร์แกนิก 6322
YouTube 1093

เช่นเดียวกับแอตทริบิวต์ . dataframe กลุ่ม _by_channels_models ยังได้รับการปรับปรุงสำหรับทุกรุ่นที่ใช้ โดยไม่มีข้อ จำกัด ในการไม่แสดงผลลัพธ์อัลกอริทึม 

 attributions . attribution_shapley ()
attributions . group_by_channels_models
ช่อง attribution_last_click_heuristic attribution_shapley_size4_conv_rate_algorithmic
0 โดยตรง 109 74.926849
1 การตลาดผ่านอีเมล 54 70.558428
2 Facebook 160 160.628945
3 Google Display 65 110.649352
4 Google Search 193 202.179519
5 Instagram 64 72.982433
6 ออร์แกนิก 315 265.768549
7 YouTube 58 60.305925

เกี่ยวกับโมเดล

โมเดลฮิวริสติกทั้งหมดทำตัวเหมือนกันเมื่อใช้แอตทริบิวต์ . dataframe และ . group_by_channels_models ตามที่อธิบายไว้ก่อนหน้านี้และ ผลลัพธ์ ของ วิธีการของแบบจำลอง ฮิวริสติกทั้งหมดกลับ tuple ที่มีสอง ชุดแพนด้า 

 attribution_first_click = attributions . attribution_first_click ()

ชุด แรก ของ tuple คือผลลัพธ์ใน การเดินทางที่ละเอียด คล้ายกับที่สังเกตในแอตทริบิวต์ . dataframe 

 attribution_first_click [ 0 ]
    0                          [1, 0, 0, 0, 0]
    1                                      [1]
    2              [1, 0, 0, 0, 0, 0, 0, 0, 0]
    3                                   [1, 0]
    4                                      [1]
                           ...                
    20512                               [1, 0]
    20513                            [1, 0, 0]
    20514    [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    20515                            [1, 0, 0]
    20516                         [1, 0, 0, 0]
    Length: 20517, dtype: object

อัน ที่สอง มีผลลัพธ์ที่ มีความละเอียดของช่อง ตามที่เห็นในแอตทริบิวต์. group_by_channels_models 

 attribution_first_click [ 1 ]
ช่อง attribution_first_click_heuristic
0 โดยตรง 2078
1 การตลาดผ่านอีเมล 1095
2 Facebook 3177
3 Google Display 1066
4 Google Search 4259
5 Instagram 1007
6 ออร์แกนิก 6361
7 YouTube 1062

การปรับแต่งโมเดล

ของทุกรุ่นที่มีอยู่ในวัตถุ MAM เพียงคลิกล่าสุดคลิกแรกและเชิงเส้น ไม่มีพารามิเตอร์ที่ปรับแต่งได้ แต่ group_by_channels_models ซึ่งมี ค่าบูลีน ที่เมื่อตั้งค่าเป็น เท็จ

คลิกล่าสุดไม่ใช่รุ่น

สร้างขึ้นเพื่อทำซ้ำคุณลักษณะเริ่มต้นของ Google Analytics ( คลิกสุดท้ายไม่ได้โดยตรง ) ซึ่ง การรับส่งข้อมูลโดยตรง ถูก เขียนทับ ในกรณีที่การแทรกแซงก่อนหน้านี้มีแหล่งข้อมูลเฉพาะนอกเหนือจากตัวเองโดยตรงในช่วงเวลาที่กำหนด (6 เดือนโดยค่าเริ่มต้น)

หากไม่ได้ระบุพารามิเตอร์ but_not_this_channel ถูกตั้งค่าเป็น 'โดยตรง' แต่สามารถตั้งค่าเป็นช่องทางอื่น ๆ ที่น่าสนใจสำหรับธุรกิจ 

 attributions . attribution_last_click_non ( but_not_this_channel = 'Direct' )[ 1 ]
ช่อง attribution_last_click_non_direct_heuristic
0 โดยตรง 11
1 การตลาดผ่านอีเมล 60
2 Facebook 172
3 Google Display 69
4 Google Search 224
5 Instagram 67
6 ออร์แกนิก 350
7 YouTube 65
โมเดลตำแหน่ง

โมเดลนี้มีพารามิเตอร์ list_positions_first_middle_last ซึ่งน้ำหนักที่เกี่ยวข้องกับตำแหน่งของช่องในการเดินทางแต่ละครั้งสามารถระบุได้ตามการตัดสินใจ ที่เกี่ยวข้องกับธุรกิจ การแจกแจงเริ่มต้นของพารามิเตอร์คือ 40% สำหรับช่อง แนะนำ 40% สำหรับ การแปลง / ช่องสุดท้าย และ 20% สำหรับ อินเตอร์ เมดิส 

 attributions . attribution_position_based ( list_positions_first_middle_last = [ 0.3 , 0.3 , 0.4 ])[ 1 ]
ช่อง attribution_position_based_0.3_0.3_0.4_heuristic
0 โดยตรง 95.685085
1 การตลาดผ่านอีเมล 57.617191
2 Facebook 145.817501
3 Google Display 56.340693
4 Google Search 193.282305
5 Instagram 54.678557
6 ออร์แกนิก 288.148896
7 YouTube 55.629772
รุ่น Decay Time

มีการตั้งค่าที่ปรับแต่งได้สองครั้ง: อัตราการสลายตัว , throght พารามิเตอร์ Decay_over_time * และเวลา (ในชั่วโมง) ระหว่างแต่ละ decaiment ผ่านพารามิเตอร์ ความถี่

อย่างไรก็ตามเป็นที่น่าสังเกตว่าในกรณีที่มีจุดสัมผัสมากกว่าหนึ่งจุดระหว่างช่วงความถี่ค่าการแปลงจะถูกกระจายอย่างเท่าเทียมกันระหว่างช่องทางเหล่านี้

เป็นตัวอย่าง:

  • ช่องทาง: Facebook> ออร์แกนิก> การค้นหาแบบชำระเงิน
  • เวลาระหว่างจุดสัมผัส: 14> 12> 0
  • ความถี่สลายตัว: 7
  • ผลลัพธ์:
    • 25% ไปที่ Facebook;
    • 25% ไปที่ออร์แกนิก;
    • 50% ไปค้นหาแบบจ่ายเงิน 
 attributions . attribution_time_decay (
    decay_over_time = 0.6 ,
    frequency = 7 )[ 1 ]
ช่อง attribution_time_decay0.6_freq7_heuristic
0 โดยตรง 108.679538
1 การตลาดผ่านอีเมล 54.425914
2 Facebook 159.592216
3 Google Display 64.350107
4 Google Search 192.838884
5 Instagram 64.611414
6 ออร์แกนิก 314.920082
7 YouTube 58.581845
โซ่มาร์คอฟ

Uppon ถูกเรียกว่าโมเดลนี้จะส่งคืน tuple ด้วย สี่ องค์ประกอบ สองคนแรก (จัดทำดัชนี 0 และ 1) เป็นเหมือนโมเดลฮิวริสติกโดยมีการเป็นตัวแทนของ . dataframe และ . group_by_channels_models ตามลำดับ สำหรับส่วนประกอบที่สามและสี่ (ดัชนี 2 และ 3) ผลลัพธ์คือ เมทริกซ์การเปลี่ยน และ ตารางเอฟเฟกต์การกำจัด

ในการเริ่มต้นมีความเป็นไปได้ที่จะระบุว่า การเปลี่ยนสถานะ เดียวกันได้รับการพิจารณาหรือไม่ ( เช่น โดยตรงไปยังโดยตรง) 

 attribution_markov = attributions . attribution_markov ( transition_to_same_state = False )
ช่อง attribution_markov_algorithmic
0 โดยตรง 2305.324362
1 การตลาดผ่านอีเมล 1237.400774
2 Facebook 3273.918832
3 YouTube 1231.183938
4 Google Search 4035.260685
5 Instagram 1205.949095
6 ออร์แกนิก 5358.270644
7 Google Display 1213.691671

การกำหนดค่านี้ ไม่ส่งผลกระทบต่อ ผลลัพธ์โดยรวมสำหรับแต่ละช่อง แต่ค่าที่สังเกตได้ใน เมทริกซ์การเปลี่ยนแปลง เนื่องจากเราตั้งค่า transition_to_same_state เป็น เท็จ เส้นทแยงมุมซึ่งบ่งบอกถึงสถานะที่เปลี่ยนไปเป็นตัวเองจึงเป็นโมฆะ 

 ax , fig = plt . subplots ( figsize = ( 15 , 10 ))
sns . heatmap ( attribution_markov [ 2 ]. round ( 3 ), cmap = "YlGnBu" , annot = True , linewidths = .5 )

png

เอฟเฟกต์การกำจัด ซึ่งเป็นเอาท์พุท attribution_markov ที่สี่ได้มาจากอัตราส่วนของความแตกต่างระหว่างความน่าจะเป็นของการแปลงโดยทั่วไปและความน่าจะเป็นเมื่อช่องดังกล่าวถูกลบออกไปในความน่าจะเป็นทั่วไปอีกครั้ง 

 ax , fig = plt . subplots ( figsize = ( 2 , 5 ))
sns . heatmap ( attribution_markov [ 3 ]. round ( 3 ), cmap = "YlGnBu" , annot = True , linewidths = .5 )

png

ค่าสเปปลีย์

ในที่สุดโมเดลอัลกอริ ธ ที่สองของ MAM ซึ่งมีแนวคิดมาจาก ทฤษฎีเกม วัตถุประสงค์ที่นี่คือการแจกจ่ายการมีส่วนร่วมของผู้เล่นแต่ละคน (ในกรณีของเราช่องทาง) ในเกมความร่วมมือที่คำนวณโดยใช้การรวมกันของการเดินทางที่มีและไม่มีช่องทางที่กำหนด

ขนาด พารามิเตอร์กำหนดขีด จำกัด ของระยะ เวลา ที่ ห่วงโซ่ของช่อง ในทุกการเดินทาง โดยค่าเริ่มต้นค่าของมันถูกตั้งค่าเป็น 4 หมายถึงเฉพาะ สี่ช่องสุดท้ายก่อนหน้าการแปลง เท่านั้น

วิธีการคำนวณของการมีส่วนร่วมเล็กน้อยของแต่ละช่องทางอาจแตกต่างกันไปตามพารามิเตอร์ คำสั่งซื้อ โดยค่าเริ่มต้นจะถูกตั้งค่าเป็น เท็จ ซึ่งหมายความว่าการบริจาคจะถูกคำนวณโดยไม่คำนึงถึงลำดับของแต่ละช่องในการเดินทาง 

 attributions . attribution_shapley ( size = 4 , order = True , values_col = 'conv_rate' )[ 0 ]
การรวมกัน การแปลง Total_equences Conversion_value เชื่อมั่น attribution_shapley_size4_conv_rate_order_algorithmic
0 โดยตรง 909 926 909 0.981641 [909.0]
1 โดยตรง> การตลาดผ่านอีเมล 27 28 27 0.964286 [13.948270234099155, 13.051729765900845]
2 โดยตรง> การตลาดผ่านอีเมล> Facebook 5 5 5 1.000000 [1.6636366232390172, 1.583583671498818, 1.752 ...
3 โดยตรง> การตลาดผ่านอีเมล> Facebook> Google D ... 1 1 1 1.000000 [0.2563402919193473, 0.2345560799963515, 0.259 ...
4 โดยตรง> การตลาดผ่านอีเมล> Facebook> Google S ... 1 1 1 1.000000 [0.2522517802130265, 0.2401286956930936, 0.255 ...
- - - - - - -
1278 YouTube> Organic> Google Search> Google Dis ... 1 2 1 0.500000 [0.2514214624662836, 0.24872101523605275, 0.24 ...
1279 YouTube> Organic> Google Search> Instagram 1 1 1 1.000000 [0.2544401477637237, 0.2541071889956603, 0.253 ...
1280 YouTube> Organic> Instagram 4 4 4 1.000000 [1.2757196742326997, 1.4712839059493295, 1.252 ...
1281 YouTube> Organic> Instagram> Facebook 1 1 1 1.000000 [0.2357631944623868, 0.2610913781266248, 0.247 ...
1282 YouTube> Organic> Instagram> Google Search 3 3 3 1.000000 [0.7223482210689489, 0.7769049003203142, 0.726 ...

ในที่สุดพารามิเตอร์ที่ระบุว่าตัวชี้วัดใดที่ใช้ในการคำนวณค่า Shapley คือ values_col ซึ่งโดยค่าเริ่มต้นจะถูกตั้งค่าเป็น อัตราการแปลง ในการทำเช่นนั้นการเดินทาง โดยไม่มีการแปลง จะถูกนำมาใช้

อย่างไรก็ตามเป็นไปได้ที่จะพิจารณาเฉพาะ การแปลงตามตัวอักษร เมื่อใช้แบบจำลองดังที่เห็นด้านล่าง 

 attributions . attribution_shapley ( size = 3 , order = False , values_col = 'conversions' )[ 0 ]
การรวมกัน การแปลง Total_equences Conversion_value เชื่อมั่น attribution_shapley_size3_conversions_algorithmic
0 โดยตรง 11 18 18 0.611111 [11.0]
1 โดยตรง> การตลาดผ่านอีเมล 4 5 5 0.800000 [2.0, 2.0]
2 โดยตรง> การตลาดผ่านอีเมล> การค้นหาของ Google 1 2 2 0.500000 [-3.1666666666666665, -7.6666666666666666, 11.8 ...
3 โดยตรง> การตลาดผ่านอีเมล> ออร์แกนิก 4 6 6 0.666667 [-7.83333333333333333, -10.8333333333333332, 22.6 ...
4 โดยตรง> Facebook 3 4 4 0.750000 [-8.5, 11.5]
- - - - - - -
75 Instagram> Organic> YouTube 46 123 123 0.373984 [5.833333333333332, 34.33333333333333, 5.83333 ...
76 Instagram> YouTube 2 4 4 0.500000 [2.0, 0.0]
77 ออร์แกนิก 64 92 92 0.695652 [64.0]
78 ออร์แกนิก> YouTube 8 11 11 0.727273 [30.5, -22.5]
79 YouTube 11 15 15 0.733333 [11.0]

การแสดงภาพ

หลังจากได้รับการระบุแหล่งที่มาจากโมเดลที่แตกต่างกันที่เก็บไว้ในวัตถุ . group_by_channels_models ของเราแล้วมันเป็นไปได้ที่จะพล็อตและเปรียบเทียบผลลัพธ์สำหรับข้อมูลเชิงลึก 

 attributions . plot ()

png

ในกรณีที่คุณสนใจเฉพาะรุ่นอัลกอริทึมฉันสามารถระบุสิ่งนี้ในพารามิเตอร์ model_type 

 attributions . plot ( model_type = 'algorithmic' )

png

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด