首頁>編程相關>其他源碼
下載

營銷歸因模型

1。關於課堂

Python班級創建的旨在解決有關數字營銷歸因的問題。

2。關於多通道歸因

在線瀏覽時，用戶在轉換之前具有多個接觸點，這可能會導致更長，更複雜的旅程。

如何適當的信用轉換並選擇對媒體的投資？

為此，我們應用歸因模型。

2.1歸因模型

啟發式模型：

  • 上次交互：

  • Gogle Analytics和其他媒體平台（例如Google Ads和Facebook Business Manager）中的默認歸因；

  • 只有最後一個接觸點才能歸功於轉換。

  • 上次點擊非直接：

  • 所有直接流量都被忽略了，因此結果的100％進入了客戶在轉換之前訪問網站的最後一個渠道。

  • 第一次交互：

  • 結果完全歸因於第一個接觸點。

  • 線性：

  • 每個接觸點都同樣值得注意。

  • 時間衰減：

  • 最近的一個接觸點越多，獲得的信譽就越多。

  • 位置：

  • 在該模型中，結果的40％歸因於最後一個接觸點，第一個接觸點又歸因於第一個接觸點，其餘20％平均分佈在中途通道之間。

算法模型

沙普利價值

在遊戲理論中，此值是對合作遊戲中每個玩家的貢獻的估計。

通過將旅程的過程歸功於渠道。在每個排列中，都會給出一個通道，以估計其整體上的實質性。

例如，讓我們看一下以下四義旅程：

有機搜索> Facebook>直接> $ 19 （作為收入）

為了獲取每個頻道的沙普利價值，我們首先需要考慮此給定旅程的組件排列的所有轉換值。

有機搜索> $ 7

Facebook> 6美元

直接> $ 4

有機搜索> Facebook> 15美元

有機搜索>直接> $ 7

Facebook> Direct> 9美元

有機搜索> Facebook>直接> 19美元

組件joneys的數量呈指數增加，您擁有的較截然不同的通道：對於n通道，速率為2^n（n的功率為2）。

換句話說，有3個不同的接觸點有8個排列。例如，超過15個過程是不可行的。

默認情況下，在計算莎普利價值時，僅考慮接觸點的順序，只有它們的存在或缺乏。為此，排列數量增加。

考慮到這一點，請注意，在考慮交互的順序時，很難使用此模型。對於n個通道，不僅有給定通道I的2^n排列，而且還存在包含不同位置的所有置換。

沙普利價值的一些問題和局限性

  • 不同通道的數量受置換的指數性質的限制。
  • 當不考慮接觸點的順序時，估計的通道A的貢獻被認為是在B或C之前。
  • 如果考慮到訂單，則組合數的數量以及在觀察值之間不存在任何組合，模型認為將旅行視為零轉換而存在。
  • 不經常出現或僅在更長的旅程中存在的接觸點被低估了。

馬爾可夫鏈是馬爾可夫鍊是一個特定的隨機過程，在該過程中，任何下一個狀態的概率分佈僅取決於當前狀態，而無視任何先前狀態及其序列。

在多通道屬性中，我們可以使用馬爾可夫鏈來計算媒體通道對與過渡矩陣之間的相互作用的概率。

關於每個通道在轉換方面的貢獻，刪除效果提出：對於每個jorney，刪除了給定的通道併計算了轉換概率。

因此，歸因於通道的值是通過轉換概率與一旦所述通道在一般概率上刪除的概率之間差的比率獲得的。

換句話說，頻道的去除效果越大，其貢獻就越大。

**使用馬爾可夫流程時，由於通道的數量或順序，沒有限制。它們的順序本身是該算法的基本組成部分。

2.2參考

  • 營銷中的歸因模型
  • 歸因理論：算法營銷歸因的兩個最佳模型 - 在Apache Spark和R中實現
  • 遊戲理論歸因：您可能從未聽說過的模型
  • Markov模型在R中的營銷渠道歸因
  • 多渠道Funnels數據驅動歸因
  • 用R的營銷多通道歸因模型（第1部分：馬爾可夫鏈概念）
  • 用R（第2部分：實際問題）營銷多通道歸因模型
  • ML-Book/Shapley
  • MCF中歸因建模的概述

3。導入班

 >> pip install marketing_attribution_models 
 from marketing_attribution_models import MAM

4。示範

創建媽媽對象

創建MAM對象時，兩個數據框架模板可以用作輸入，這取決於參數group_channels的值是什麼。

  • group_channels = true ：輸入數據框有每個用戶的jorney的一個會話。
    • 每行所需的值（換句話說，所需的列）是一些獨特的用戶標識，一個布爾的指示或缺少的convertion或會話的源通道。
  • group_channels = false ：輸入數據框具有每行每個用戶的整個旅程。如果您使用Google Analytics（分析），則可以通過下載頂部轉換路徑報告獲得此模板。
    • 在這種情況下，默認情況下，每個接觸點都被“ > ”（大於符號更大的）分開的頻道和轉換列的時間都是一致的。可以在path_separator參數中設置其他分離器。

對於此解釋，我們將使用一個數據框架，其中尚未將旅程分組，每行都是不同的會話，沒有唯一的旅程ID。

注意： MAM類具有用於旅程ID創建的內置參數， create_journey_id_id_based_on_conversion ，如果為true ，則根據用戶ID創建ID，在group_channels_id_list參數中輸入，而列表示轉換是否有其轉換，名稱由瀏覽_WITH_CONV_COLNAME參數定義。

在這種情況下，將訂購每個不同用戶的所有會話，對於每次轉換，都會創建新的旅程ID。但是，我們強烈鼓勵此旅程ID創建是根據手頭和探索性結論的知識來定制的。例如，如果在給定的業務中註意到，平均旅行時間約為一周，則可以定義新的評論者，以便一旦任何用戶在7天內沒有任何互動，則在假設損失的假設下，旅程中斷感興趣的。

至於現在的參數，以下是它們為我們的group_ channels配置它們的方式= true方案：

  1. 熊貓數據框是輸入作為數據庫的；
  2. group_channels參數設置為true；
  3. 通過channels_colname參數，通知了包含原始數據幀中頻道的列的名稱；
  4. Boolean列的名稱確定是否有轉換是否通過roughter_with_with_conv_colname參數告知；
  5. 包含包含用於組合旅程ID的列的名稱的列表通過group_channels_by_id_list告知。儘管列表可能更長，但我們正在根據轉換創建此ID（請參閱項目7），因此僅用戶ID就足夠了。
  6. 每個會話的開始時間都在group_timestamp_colname參數中告知作為原始數據框中所述列的名稱。它可以是日期或時間戳。
  7. 最後，在我們的情況下，我們希望根據已在參數group_channels_by_id_list上已指示的列來生成一個旅程ID ，並且通過設置create_journey_id_id_id_baseased_on_on_conversion為true 。 
 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 )

為了探索和理解MAM的功能，通過使用Random_DF參數設置為true來實現“隨機數據幀發生器”。 

 attributions = MAM ( random_df = True )

創建對象MAM之後，我們可以通過添加我們的rowent_id並使用屬性“ .dataframe”來查看數據庫。 

 attributions . DataFrame
outhere_id channels_agg time_till_conv_agg converted_agg conversion_value
0 ID：0_J：0 Facebook 0.0真的1
1 ID：0_J：1 Google搜索0.0真的1
2 ID：0_J：10 Google搜索>有機>電子郵件營銷72.0> 24.0> 0.0真的1
3 ID：0_J：11有機的0.0真的1
4 ID：0_J：12電子郵件營銷> Facebook 432.0> 0.0真的1
... ... ... ... ... ...
20341 ID：9_J：5直接> Facebook 120.0> 0.0真的1
20342 ID：9_J：6 Google搜索> Google搜索> Google搜索48.0> 24.0> 0.0真的1
20343 ID：9_J：7有機>有機> Google搜索> Google搜索480.0> 480.0> 288.0> 0.0真的1
20344 ID：9_J：8直接>有機168.0> 0.0真的1
20345 ID：9_J：9 Google搜索>有機> Google搜索> EMAI ... 528.0> 528.0> 408.0> 240.0> 0.0真的1

為生成的每個歸因模型更新此屬性。僅在啟發式模型的情況下，一個新列附加了一個包含所述模型給出的歸因值。

注意：屬性.dataframe不會干擾任何模型計算。如果使用情況會改變，則以下結果不會受到影響。 

 attributions . attribution_last_click ()
attributions . DataFrame
outhere_id channels_agg time_till_conv_agg converted_agg conversion_value
0 ID：0_J：0 Facebook 0.0真的1
1 ID：0_J：1 Google搜索0.0真的1
2 ID：0_J：10 Google搜索>有機>電子郵件營銷72.0> 24.0> 0.0真的1
3 ID：0_J：11有機的0.0真的1
4 ID：0_J：12電子郵件營銷> Facebook 432.0> 0.0真的1
... ... ... ... ... ...
20341 ID：9_J：5直接> Facebook 120.0> 0.0真的1
20342 ID：9_J：6 Google搜索> Google搜索> Google搜索48.0> 24.0> 0.0真的1
20343 ID：9_J：7有機>有機> Google搜索> Google搜索480.0> 480.0> 288.0> 0.0真的1
20344 ID：9_J：8直接>有機168.0> 0.0真的1
20345 ID：9_J：9 Google搜索>有機> Google搜索> EMAI ... 528.0> 528.0> 408.0> 240.0> 0.0真的1

通常，使用的數據量是廣泛的，因此不切實際甚至不可能分析歸因於每次交易旅程的結果。但是，使用屬性group_by_channels_models ，所有結果都可以通過頻道進行分組。

注意：如果在兩個不同的實例中使用相同的模型，則分組結果不會互相覆蓋。它們（甚至更多）都在“ group_by_channels_models ”中顯示。 

 attributions . group_by_channels_models
頻道attribution_last_click_heuristic
直接的2133
電子郵件營銷1033
Facebook 3168
Google顯示1073
Google搜索4255
Instagram 1028
有機的6322
Youtube 1093

與.dataframe屬性一樣，對於使用算法結果的每個模型也可以更新group_by_by_channels_models 。 

 attributions . attribution_shapley ()
attributions . group_by_channels_models
頻道attribution_last_click_heuristic attribution_shapley_size4_conv_rate_algorithmic
0直接的109 74.926849
1電子郵件營銷54 70.558428
2 Facebook 160 160.628945
3 Google顯示65 110.649352
4 Google搜索193 202.179519
5 Instagram 64 72.982433
6有機的315 265.768549
7 Youtube 58 60.305925

關於模型

如前所述，使用屬性.dataframe和.group_by_channels_models時，所有啟發式模型都相同，如前所述，所有啟發式模型的方法的輸出返回了一個包含兩個pandas系列的元組。 

 attribution_first_click = attributions . attribution_first_click ()

元組的第一個系列是旅程粒度的結果，類似於.dataframe屬性中觀察到的結果

 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

第二個包含帶有通道粒度的結果，如.group_by_channels_models屬性所示。 

 attribution_first_click [ 1 ]
頻道attribution_first_click_heuristic
0直接的2078
1電子郵件營銷1095
2 Facebook 3177
3 Google顯示1066
4 Google搜索4259
5 Instagram 1007
6有機的6361
7 Youtube 1062

定制模型

在對象MAM中存在的所有模型中，僅上一次單擊，首先單擊和線性沒有可自定義的參數，但是group_by_channels_models ，該參數具有布爾值，該值將設置為false時，該模型不會返回通道對false的歸屬。

上一次點擊非模型

創建的目的是複制Google Analytics的默認屬性（上次點擊非直接），在此，如果先前的介學在給定的時間板上具有直接的特定流量來源，則直接流量被覆蓋了（默認情況下為6個月）。

如果未指定，則參數but_not_this_channel設置為“直接” ，但可以將其設置為業務的任何其他感興趣的渠道。 

 attributions . attribution_last_click_non ( but_not_this_channel = 'Direct' )[ 1 ]
頻道attribution_last_click_non_direct_heuristic
0直接的11
1電子郵件營銷60
2 Facebook 172
3 Google顯示69
4 Google搜索224
5 Instagram 67
6有機的350
7 Youtube 65
基於位置的模型

該模型具有一個參數list_positions_first_middle_last ，其中每個旅程中頻道位置的權重可以根據與業務相關的決策指定。引入通道的參數的默認分佈為40％ ，轉換 /最後一個通道的默認分佈為40％ ，在層間通道中為20％ 。 

 attributions . attribution_position_based ( list_positions_first_middle_last = [ 0.3 , 0.3 , 0.4 ])[ 1 ]
頻道attribution_position_based_0.3_0.3_0.4_heuristic
0直接的95.685085
1電子郵件營銷57.617191
2 Facebook 145.817501
3 Google顯示56.340693
4 Google搜索193.282305
5 Instagram 54.678557
6有機的288.148896
7 Youtube 55.629772
時間衰減模型

有兩個可自定義的設置：衰減率，throght decay_over_time *參數，以及每個decaiment之間通過頻率參數之間的時間（小時）。

但是，值得注意的是，如果頻率間隔之間存在多個接觸點，則轉換值將平均分佈在這些通道之間。

例如：

  • 頻道： Facebook>有機>付費搜索
  • 接觸點之間的時間： 14> 12> 0
  • 衰減頻率： 7
  • 結果：
    • 25％去Facebook；
    • 25％轉到有機物；
    • 50％用於付費搜索； 
 attributions . attribution_time_decay (
    decay_over_time = 0.6 ,
    frequency = 7 )[ 1 ]
頻道attribution_time_decay0.6_freq7_heuristic
0直接的108.679538
1電子郵件營銷54.425914
2 Facebook 159.592216
3 Google顯示64.350107
4 Google搜索192.838844
5 Instagram 64.611414
6有機的314.920082
7 Youtube 58.581845
馬爾可夫連鎖店

uppon被稱為，該型號返回帶有四個組件的元組。前兩個（索引0和1）就像啟發式模型一樣，分別代表.dataframe和.group_by_channels_models 。至於第三組和第四個組件（索引2和3），結果是過渡矩陣和去除效應表。

首先，可以指示是否考慮相同的狀態轉換（例如直接直接）。 

 attribution_markov = attributions . attribution_markov ( transition_to_same_state = False )
頻道attribution_markov_algorithmic
0直接的2305.324362
1電子郵件營銷1237.400774
2 Facebook 3273.918832
3 Youtube 1231.183938
4 Google搜索4035.260685
5 Instagram 1205.949095
6有機的5358.270644
7 Google顯示1213.691671

此配置不會影響每個通道的總體歸因結果，而是在過渡矩陣中觀察到的值。因為我們將Transition_TO_SAME_STATE設置為false ，所以表明狀態過渡到自己的對角線是無效的。 

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

PNG

去除效果是第四屬性_Markov輸出，是通過轉換概率與一度概率之間的差異的比率獲得的，曾經在一般概率上刪除了該通道。 

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

PNG

沙普利價值

最後， MAM的第二個算法模型來自遊戲理論。這裡的目的是在使用有或沒有給定渠道的旅程組合計算的合作遊戲中分發每個玩家（在我們的情況下）的貢獻（在我們的情況下）。

參數大小定義了每次旅程中一系列通道鏈的限制。默認情況下，它的值設置為4 ，這意味著僅考慮轉換之前的最後四個通道。

每個通道的邊際貢獻的計算方法可以隨階參數而變化。默認情況下，它設置為false ，這意味著計算出貢獻，無視旅程中每個通道的順序。 

 attributions . attribution_shapley ( size = 4 , order = True , values_col = 'conv_rate' )[ 0 ]
組合轉換total_ sequences conversion_value cons_rate attribution_shapley_size4_conv_rate_order_algorithmic
0直接的909 926 909 0.981641 [909.0]
1直接>電子郵件營銷27 28 27 0.964286 [13.948270234099155，13.051729765900845]
2直接>電子郵件營銷> Facebook 5 5 5 1.000000 [1.663666232390172，1.583583671498818，1.752 ...
3直接>電子郵件營銷> Facebook> Google D ... 1 1 1 1.000000 [0.2563402919193473，0.23455607999963515，0.259 ...
4直接>電子郵件營銷> Facebook> Google S ... 1 1 1 1.000000 [0.2522517802130265，0.2401286956930936，0.255 ...
... ... ... ... ... ... ...
1278 YouTube>有機> Google搜索> Google dis ... 1 2 1 0.500000 [0.2514214624662836，0.24872101523605275，0.24 ...
1279 YouTube>有機> Google搜索> Instagram 1 1 1 1.000000 [0.2544401477637237，0.2541071889956603，0.253 ...
1280 YouTube>有機> Instagram 4 4 4 1.000000 [1.2757196742326997，1.4712839059493295，1.252 ...
1281 YouTube>有機> Instagram> Facebook 1 1 1 1.000000 [0.2357631944623868，0.2610913781266248，0.247 ...
1282 YouTube>有機> Instagram> Google搜索3 3 3 1.000000 [0.7223482210689489，0.7769049003203142，0.726 ...

最後，指示用於計算shapley值的參數是values_col ，默認情況下將其設置為轉換率。這樣，沒有轉換的旅程就會進入acount。

但是，在使用模型時，有可能僅考慮字面轉換。 

 attributions . attribution_shapley ( size = 3 , order = False , values_col = 'conversions' )[ 0 ]
組合轉換total_ sequences conversion_value cons_rate attribution_shapley_size3_conversions_algorithmic
0直接的11 18 18 0.611111 [11.0]
1直接>電子郵件營銷4 5 5 0.800000 [2.0，2.0]
2直接>電子郵件營銷> Google搜索1 2 2 0.500000 [-3.166666666666665，-7.666666666666666，11.8 ...
3直接>電子郵件營銷>有機4 6 6 0.666667 [-7.833333333333333，-10.833333333333332，22.6 ...
4直接> Facebook 3 4 4 0.750000 [-8.5，11.5]
... ... ... ... ... ... ...
75 Instagram>有機> YouTube 46 123 123 0.373984 [5.83333333333332，34.33333333333333，5.83333 ...
76 Instagram> YouTube 2 4 4 0.500000 [2.0，0.0]
77有機的64 92 92 0.695652 [64.0]
78有機> YouTube 8 11 11 0.727273 [30.5，-22.5]
79 Youtube 11 15 15 0.733333 [11.0]

可視化

從我們的.group_by_channels_models對像中獲取了存儲的不同模型的所有歸因之後，可以繪製和比較洞察力的結果

 attributions . plot ()

PNG

如果您只對算法模型感興趣，那麼我可以在model_type參數中指定。 

 attributions . plot ( model_type = 'algorithmic' )

PNG

展開
附加信息
相關應用
爲您推薦
相關資訊 全部