導航:首頁 > 數據分析 > 數據歸因分析什麼意思

數據歸因分析什麼意思

發布時間:2022-12-20 06:27:20

❶ 什麼是歸因分析,歸因分析如何計算

1、歸因理論,在日常的社會交往中,人們為了有效地控制和適應環境,往往對發生於周圍環境中的各種社會行為有意識或無意識地做出一定的解釋,即認知整體在認知過程中,根據他人某種特定的人格特徵或某種行為特點推論出其他未知的特點,以尋求各種特點之間的因果關系。

歸因理論由社會心理學家海德於1958年提出:歸因是指人們對自己或他人的行為進行分析,推論出這些行為的原因的過程。歸因方式影響到以後的行為方式和動機的強弱。

2、歸因分析的基本流程:

(1)感知,觀察,人必須感知和觀察行為。

(2)判斷,決定是否是故意的,人必須相信一個行為是故意做的。

(1)數據歸因分析什麼意思擴展閱讀:

三度歸因理論:

H.凱利提出的三度歸因理論,又被稱為多線索分析理論,或稱共變歸因理論,是凱利在吸收了海德的共變原則的基礎上提出的。他認為,人們多是在不確定條件下進行歸因的。人們從多種事件中積累信息,並且利用「共變原則」來解決不確定性的問題。

凱利認為,人們在試圖解釋某人的行為時,可能用到三種形式的歸因:歸因於行為者,歸因於客觀刺激物,歸因於行為者所處情境或關系。

❷ 品牌營銷的歸因分析是什麼應該怎麼做

首先要知道「歸因分析」,說的簡單點,就是原因分析,找出影響結果的主要原因進行歸納;
具體說到品牌營銷的歸因分析,就是要對影響品牌營銷效果的原因進行總結分析,只有準確的分析出影響品牌營銷效果的要素,才能夠更有針對性的設計營銷方案。否則,不知道影響營銷效果的要素,又如何能夠設計出有效果的營銷方案呢?
舉個簡單的不恰當的例子,比如某個品牌產品 的客戶群體都不看電視,那麼在營銷設計中就不應該考慮電視廣告。
所以歸因分析的目的就是要找出哪些是主要的影響要素,然後根據這些要素進行營銷設計

❸ 數據歸因

bug,往往在不經意出現,也可能解決一個,又出現一堆;

V產品接入了Firebase,每天都可以看到用戶崩潰數據,昨天查看了才看到有個030高量bug,為什麼沒人去處理?

事情的源頭起源於4月試用-訂閱的轉化降低,那麼這個降低的歸因該怎麼去找?下降的原因,追蹤到源頭,就是用戶,用戶在這段時間,發生了什麼呢?

從大盤上分析,世界疫情的影響是不是可作為猜測原因,競品在這期間表現如何

查看Appannie數據發現,競品在3月4月的收入和活躍都有不同程度的上升,那麼會是我們面對的國家疫情更為嚴重嗎?

V產品在巴西、菲律賓和俄羅斯的用戶群佔比最高,那麼,巴西在4月的疫情表現如何?

巴西的增長速度雖不及美國陡峭,但屬於速率較高國家之一,但對比其餘競品在巴西的4月數據,發現,疫情反而帶動了收入和活躍:

可以據此暫時排除疫情影響。

另外,從蘋果評價反饋結果上看,4月版本上線後出現很多僅該版本出現的發熱、閃退和崩潰現象,交給開發排查,果然分析出了失敗原因並緊急修復。這可能是試用-轉化的減半原因之一嗎?

4月上線新功能A,進行了A/B測試,發現實驗效果不加,無法成為最佳變體,最終選擇關閉該功能。新功能A晦澀難懂,猜測可能會是用戶放棄使用App的原因之一。

還有市場投放減少是否也是原因之一?本身投放的減少也使得自然新增對應減少了。

產品本身數據源的缺失也是一部分無法成功歸因的原因,沒有準確的數據,無法合理猜測,更沒法得出最終結論,事實告訴我們,數據說明一切,底層服務很重要

以上

❹ 數據分析中的歸因查找是什麼

對於歸因查找主要是解決業務中的常見問題,找出一件事件發生的主要原因。

對於業務中明確的業務目標(購買。留資料,充值)歸因,便可...

將目標的達成拆分到各個模塊,方便統計各模塊的貢獻

獲悉當前指標達成的主要因素,獲得如何提升業務指標的洞見

使用歸因(一般是工作中績效,產品可能爆發的點)

2.1末次歸因:轉化路徑短,且事件間關聯性強的場景

比如:一款陌生人社交 加好友有幾種模式,(號碼添加 漂流瓶話題廣場添加 等)最近新上隨機匹配加好友的功能,在這個場景裡面可以用末次歸因 把這次加好友事件的貢獻程度都給到隨機匹配上面。

案例:結束事件為充值用戶的行為路徑

我們通過最後一次用戶的操作得出百分之六十是在送禮中充值。百分之30是在私信時候充值。還有百分之10是在其他事件。運營頁可以得出很多充值並不是只發生在直播間裡面,在私信中頁會有。對於後續設計產品和用戶體驗頁有很大的幫助。

得出結果之後,這樣的話我們可以真對性的去優化功能。

2.1遞減歸因:轉化路徑長,非目標事件差異不大,沒有完全主導的。前面的非目標事件區分不是很高。

比如:一個在線的項目管理工具,提供代辦事件列表,時鍾等功能。最後付費升級之後可以消除廣告,觀察目標就是用戶消除廣告。這個時候是用戶在使用了產品之後喜歡裡面的功能,用戶幾個星期。用戶在時間段裡面養成的用戶習慣,都會促進消費廣告。我們要從最後一步把因子往前伸展,把路徑往前十步,每一步都分攤百分之十。但可能具體的產品也是有可以離消費最近的那幾步分攤更多一些,都是一個遞減的過程20%30%50%。

案例:常見游戲場景充值行為

因為游戲的路徑很多,如果我們在這里使用末次歸因的話,可能就會發現充值只是在游戲消費或者抽獎這個2個地方。這樣的話,我們觀察的點就會少很多。這時我們把行為拉長一些,就會得知在游戲合成裝備的時候就買一些東西,這個時候就產生充值。每個行為對於我們的轉化都有幫助。所以這個時候我們用遞減歸因比較合理 。我們把充值的行為往前傳遞。這個時候會得出的更好的結論和功能對於充值的幫助。

2.3首次歸因:強流量依賴的業務場景,拉人比後續所有的事都重要。

比如:只把最終事件的發生歸根到第一步 。

案例:小額貸款

他們(發展的比較粗暴)他們產品自己會有一些風控和審核。審核沒有問題就可以放貸,獲得利潤。對於他們來說,他們不愁後面能不能轉化,因為用戶都是來借錢的。有很主動的動力來完成每一個步驟,產品在不好用,都會走完借款成功。產品更的是多人來借錢,所以缺得是市場的流量。運營能不能拉用戶。所以在這樣的產品上就不需要做末次歸因和遞減歸因。他們只會做首次歸因,看看第一次借款的來源在哪裡。

❺ 歸因分析(Attribution Analysis)模型解析

在復雜的數據時代,我們每天都會面臨產生產生的大量的數據以及用戶復雜的消費行為路徑,特別是在互聯網廣告行業,在廣告投放的效果評估上,往往會產生一系列的問題:

· 哪些營銷渠道促成了銷售?
· 他們的貢獻率分別是多少?
· 而這些貢獻的背後,是源自於怎樣的用戶行為路徑而產生的?
· 如何使用歸因分析得到的結論,指導我們選擇轉化率更高的渠道組合?

你可能第一反應就是:當然是我點了哪個廣告,然後進去商品詳情頁產生了購買以後,這個功勞就全部歸功於這個廣告呀!沒有錯,這也是當今最流行的分析方法,最簡單粗暴的單渠道歸因模型------這種方法通常將銷售轉化歸功於消費者第一次 (首次互動模型,First Model) 或者最後一次接觸 (末次互動模型,Last Model) 的渠道。但是顯然,這是一個不夠嚴謹和准確的分析方法。

我們發現,現實情況往往是很復雜的多渠道投放,在衡量其貢獻價值以及做組合渠道投放力度的分配時,只依靠單渠道歸因分析得到的結果和指導是不科學的,於是引入了多渠道歸因分析的方法。當然,多渠道歸因分析也不是萬能的,使用怎樣的分析模型最終還是取決於業務本身的特性以及考慮投入其中的成本。

也稱,最後點擊模型-----最後一次互動的渠道獲得100%的功勞,這是最簡單、直接,也是應用最為廣泛的歸因模型。

優點: 首先它是最容易測量的歸因模型,在分析計方面不容易發生錯誤。另外由於大部分追蹤的cookie存活期只有30-90天(淘寶廣告的計算周期最長只有15天),對於顧客的行為路徑、周期比較長的場景,在做歸因分析的時候可能就會發生數據的丟失,而對於末次互動模型,這個數據跟蹤周期就不是那麼特別重要了。

弊端: 這種模型的弊端也是比較明顯,比如客戶是從收藏夾進入商品詳情頁然後形成了成交的,按照末次歸因模型就會把100%的功勞都歸功於收藏夾(直接流量)。但是真實的用戶行為路徑更接近於產生興趣、信任、購買意向、信息對比等各種環節,這些都是其他渠道的功勞,在這個模型中則無法統計進來,而末次渠道的功勞評估會被大幅高估。

適用於: 轉化 路徑少、周期短 的業務,或者就是起臨門一腳作用的廣告,為了 吸引客戶購買 ,點擊直接落地到商品詳情頁。

上面講到的末次互動模型的弊端是數據分析的准確性受到了大量的"直接流量"所誤導,所以對於末次非直接點擊模型,在排除掉直接流量後會得到稍微准確一點的分析結果。

從上面的案例中,我們可以想像,用戶是從淘寶收藏夾里點了一個商品然後進行了購買,但是實際上他可能是點了淘寶直通車後把這個商品加入到收藏夾的,那麼在末次非直接點擊互動模型里,我們就可以把這個功勞歸功於淘寶直通車。

適用於 :如果你的公司認為,你們 業務的直接流量大部分都被來自於被其他渠道吸引的客戶 ,需要排除掉直接流量,那麼這種模型會很適合你們。

末次渠道互動模型會將100%的功勞歸於客戶在轉化前,最後一次點擊的廣告渠道。需要注意這里的"末次互動"是指任何你要測量的轉化目標之前的最後一次互動,轉化目標可能是銷售線索、銷售機會建立或者其他你可以自定義的目標。

優點: 這種模式的優點是通常跟各渠道的標准一致,如Facebook Insight使用末次Facebook互動模型,谷歌廣告分析用的是末次谷歌廣告互動模型等等。

弊端: 很明顯當你在多渠道同時投放的時候,會發生一個客戶在第一天點了Facebook的廣告,然後在第二天又點擊了谷歌廣告,最後並發生了轉化, 那麼在末次渠道模型中,Facebook和谷歌都會把這次轉化的100%功勞分別歸到自己的渠道上 。這就導致各個部門的數據都看起來挺好的,各個渠道都高估了自己影響力,而實際效果則可能是折半,如果單獨使用這些歸因模型並且把他們整合到一個報告中,你可能會得到"翻倍甚至三倍"的轉化數據。

適用於: 單一渠道,或者已知某個渠道的價值特別大

首次互動的渠道獲得100%的功勞。

換句話說, 首次互動模型更加強調的是驅動用戶認知的、位於轉化漏斗最頂端的渠道 。

優點 :是一種容易實施的單觸點模型

弊端 :受限於數據跟蹤周期,對於用戶路徑長、周期長的用戶行為可能無法採集真正的首次互動。

適用於 :這種模型適用於 沒什麼品牌知名度的公司,關注能給他們帶來客戶的最初的渠道 ,對於擴展市場很有幫助的渠道。

對於路徑上所有的渠道,平等地分配他們的貢獻權重。

線性歸因是多觸點歸因模型中的一種,也是最簡單的一種,他將功勞平均分配給用戶路徑中的每一個觸點。

優點: 他是一個多觸點歸因模型,可以將功勞劃分給轉化漏斗中每個不同階段的營銷渠道。另外,他的計算方法比較簡單,計算過程中的價值系數調整也比較方便。

弊端: 很明顯,線性平均劃分的方法不適用於某些渠道價值特別突出的業務。比如,一個客戶在線下某處看到了你的廣告,然後回家再用網路搜索,連續三天都通過網路進入了官網(真實用戶場景也許就是用戶懶得記錄或者收藏官網地址),並在第四天成交。那麼按照線性歸因模型,網路會分配到75%的權重,而線下某處的廣告得到了25%的權重,這很顯然並沒有給到線下廣告足夠的權重。

適用於: 根據線性歸因模型的特點, 他更適用於企業期望在整個銷售周期內保持與客戶的聯系,並維持品牌認知度的公司 。在這種情況下,各個渠道在客戶的考慮過程中,都起到相同的促進作用。

對於路徑上的渠道,距離轉化的時間越短的渠道,可以獲得越多的功勞權重。

時間衰減歸因模型基於一種假設,他認為 觸點越接近轉化,對轉化的影響力就越大。 這種模型基於一個指數衰減的概念,一般默認周期是7天。也就是說,以轉化當天相比,轉化前7天的渠道,能分配50%權重,前14天的渠道分25%的權重,以此類推...

優點: 相比線性歸因模型的平均分權重的方式,時間衰減模型讓不同渠道得到了不同的權重分配,當然前提是基於 "觸點離轉化越近,對轉化影響力就越大" 的前提是准確的情況下,這種模型是相對較合理的。

弊端: 這種假設的問題就是,在漏洞頂部的營銷渠道永遠不會得到一個公平的分數,因為它們總是距離轉化最遠的那個。

適用於: 客戶 決策周期短、銷售周期短 的情況。比如,做短期的促銷,就打了兩天的廣告,那麼這兩天的廣告理應獲得較高的權重。

基於位置的歸因模型,也叫U型歸因模型,它其實是 混合使用了首次互動歸因和末次互動歸因 的結果。

U型歸因模型也是一種多觸點歸因模型,實質上是一種重視 最初帶來線索 和 最終促成成交 渠道的模型,一般它會給首次和末次互動渠道各分配40%的權重,給中間的渠道分配20%的權重,也可以根據實際情況來調整這里的比例。

U型歸因模型非常適合那些 十分重視線索來源和促成銷售渠道的公司 。該模型的缺點則是 它不會考慮線索轉化之後的觸點的營銷效果 ,而這也使得它成為銷售線索報告或者只有銷售線索階段目標的營銷組織的理想歸因模型。

以下,我們通過神策數據提供的歸因模式,做一次計算原理的演繹:

下圖是通過神策分析所得到某電商用戶行為序列圖示。在圖示中,各字母代表的含義是 D-廣告位、Q-商品詳情頁、D-推薦位、M-購買商品。目標轉化事件是「購買商品」,為了更好地「配對」,運營人員將 M1(目標轉化事件——購買商品1)與 Q1(前項關聯事件——商品 1 詳情)設置了屬性關聯,同樣將 M2 與 Q2 進行關聯。

該場景中,發生了兩次購買行為,神策分析進行歸因時會進行兩輪計算,產生計算結果。

(一)第一輪計算:

第一步,從 M1 開始向前遍歷尋找 Q1 以及離 Q1 最近發生的廣告瀏覽。

如圖所示,不難得到結果 M1=[Dc,Dc,Da]。

第二步,我們帶入分析模型中,進行功勞的分配。運營人員選擇 「位置歸因」 的分析模型,根據「位置歸因」的計算邏輯,第一個「待歸因事件」和最後一個「待歸因事件」各占 40%,中間平分 20%。

第一輪我們得到結果:Dc=0.4;Dc=0.2;Da=0.4

(二)第二輪計算

從 M2 開始向前遍歷尋找 Q2 以及離 Q2 最近發生的廣告瀏覽。

這里值得強調的是,即使第一輪中計算過該廣告,在本輪計算時依然會參與到計算中,因為經常會出現一個廣告位同時推薦多個商品的情況。

我們不難得到結論,M2=[Dc,Db]。基於這個結論,我們通過「位置歸因」 得到結果:Dc=0.5;Db=0.5 (不足 3 個時會有特殊處理) 。

經過兩輪計算,我們得出結論:Dc=1.1;Da=0.4;Db=0.5,則廣告位 c 的貢獻最大、廣告位 b 貢獻次之,廣告位 a 的貢獻最小。

馬爾科夫鏈思時間、狀態都是離散的馬爾科夫過程,是將來發生的事情,和過去的經理沒有任何關系(只和當前有關系)。通俗的講: 今天的事情只取決於昨天,而明天的事情只取決於今天。

回到歸因模型上,馬爾科夫鏈模型實質就是:訪客下一次訪問某個渠道的概率,取決於這次訪問的渠道。

歸因模型的選擇,很大程度上決定轉化率計算結果,像前面講的首次互動、末次互動等模型,實際上需要人工來分配規則的演算法,顯然它並不是一種「智能化」的模型選擇。而且因為各個推廣渠道的屬性和目的不同,我們也無法脫離用戶整個的轉化路徑來單獨進行計算。因此,馬爾科夫鏈歸因模型實質上是一種以數據驅動的(Data-Driven)、更准確的歸因演算法。

馬爾科夫鏈歸因模型適用於 渠道多、數量大、有建模分析能力 的公司。

那麼具體馬爾科夫鏈怎麼玩?(請自備圖論知識)

如果將各推廣渠道視為系統狀態,推廣渠道之間的轉化視為系統狀態之間的轉化,可以用馬爾科夫鏈表示用戶轉化路徑。

馬爾科夫鏈表示系統在t+1時間的狀態只與系統在t時間的狀態有關系,與系統在t-1,t-2,...,t0時間的狀態無關,平穩馬爾科夫鏈的轉化矩陣可以用最大似然估計,也就是統計各狀態之間的轉化概率計算得到。用馬爾科夫鏈圖定義渠道推廣歸因模型:

1、狀態集合,定義為 banner,text,keyword,link,video,mobile,unknown 7種推廣類型加上start,null,conversion 3種系統狀態
2、穩定狀態下的轉化矩陣,通過某公司web網站20天的原始click數據計算的得到如下狀態轉化矩陣

3、利用該轉化矩陣來構造 有向圖(Directed Graph) ,通過計算從節點start到節點conversion的所有非重復路徑(Simple Path)的累乘權重系數之和來計算 移除效應系數
4、通過移除效應系數,計算各個狀態的轉化貢獻值

什麼是移除效應?

我們可以把上面的案例簡化一下,嘗試具體計算下移除效應和各渠道的轉化貢獻值:

在以上系統中,總體的轉化率 = (0.667*0.5*1*0.5+0.333*1*0.5)= 33.3%

移除節點C1後,整體轉化率 = 0.333*0.1*0.5 = 16.7%,所以C1節點的移除效應系數 = 1-0.167/0.333=0.5
同理可計算節點C2和C3的移除效應分別是1和1
通過移除效應系數計算得到轉化貢獻值:
C1 : 0.5 / (0.5+1+1) = 0.2
C2 : 1 / (0.5+1+1) = 0.4
C3 : 1 / (0.5+1+1) = 0.4

如果你對馬爾科夫鏈有疑惑,可以 點擊這里 了解下

從上面這么多種歸因模型來看,我們大概可以把他們分成2類:
(1) 基於規則的 :預先為渠道設置了固定的權重值,他的好處是計算簡單、數據容易合並、渠道之間互不影響,當然你也可以根據實際需要去調整他們的權重配比
(2) 基於演算法的 :每個渠道的權重值不一樣,會根據演算法和時間,不同渠道的權重值會發生變化(數據驅動)

在選擇用何種歸因模型之前,我們應該先 想清楚業務模式!

如果是 新品牌、新產品推廣 ,企業應該給予能 給我們帶來更多新用戶的渠道 足夠的權重,那麼我們應該選擇首次互動模型;

如果是投放了 單一的競價渠道 ,那麼我們應該選取末次互動歸因模型或者渠道互動歸因模型;

如果公司很在乎 線索來源和促成銷售渠道 ,那麼我們應該選擇U型歸因模型;

如果公司的渠道多、數據量大,並且由永久用戶標識,基於演算法的歸因模型能夠為營銷分析提供巨大的幫助;

....

總的來說, 沒有完美的歸因模型 。任何模型都存在他的局限性和不足,如何有效地結合客觀數據與主觀推測,是用好歸因模型的重要能力前提。

這里拋出一個有趣的問題,大家可以通過思考他背後的分析邏輯,嘗試一下如何應用到歸因模型中

❻ 歸因分析:常見的歸因方法及產品化落地

「 歸因分析,用來解決不同渠道、不同觸點貢獻度的問題。歸因模型的選擇沒有對錯,只有場景是否適合。 」

歸因分析,是廣告投放同學的必備知識。

歸因分析具體是什麼,都有哪些歸因分析模型?不同分析模型的特點以及應用場景是啥?如何設計BI分析系統的歸因分析模塊?今天和大家簡單分享一下。

一、什麼是歸因分析

歸因分析,其實是解決不同渠道(或者觸點)貢獻度的分析方法。

現在的廣告投放,都在講求精細化運營。精細化運營的基礎是什麼?對,是數據。對於廣告投放而言,最基礎的一個方面,就是廣告效果數據了。廣告效果數據如何衡量、怎麼衡量,這就用到了歸因分析。

舉個簡單例子,廣告投放同學做了一次廣告投,最後有500個人最終發生了購買。但是這500個人呢,有的是通過投放鏈接直接完成了購買,有的是過了好幾天才完成購買,中間又發生了站內搜索行為、或者又看了其他渠道的廣告,這時,要把最終的成交貢獻計算在哪個渠道呢?

因此,歸因分析是通過一定的邏輯方法,計算每個渠道、或者觸點對最終結果貢獻程度的方法。有一套合理的歸因辦法,才能科學地衡量不同渠道的廣告價值,指導更好的投放。

二、歸因分析模型

按照不同的方法,常見的歸因分析模型有以下幾種。

(1)首次觸點歸因模型

模型邏輯:將首次互動的渠道獲得100%的功勞。舉個例子,一個用戶在統計時間內有廣告點擊、有站內搜索、站內點擊等多個行為,最終成交了。我們把最終的成交100%的功勞都記在第一次行為里。

【優缺點】這個邏輯是清晰可理解的,實施起來也是容易實施的,畢竟只用了第一次的行為,計算量可控。但帶來的問題也很清楚:首次互動後的所有行為,都沒有進行統計,這顯然在很多場景下不合理。

【適合場景】一般是需要進行拉新的時候,公司處於市場開拓的時候,這個時候我們關心把更多的用戶先圈過來,那麼用首次互動模型可以看出來哪些渠道對於業務拉新最有效。

(2)末次觸點歸因模型

模型邏輯:將發生轉化最近一次的互動渠道獲得100%的功勞。即不管用戶發生了啥行為,只關注最後一次。

【優缺點】末次歸因是應用非常廣泛的模型。一方面,和首次歸因一樣,邏輯簡單,很容易實施;另一方面,數據追蹤的數據也不易丟失。缺點和首次歸因類似,很多之前的行為沒有納入考慮,並不全面。比如很多用戶都是通過收藏夾頁面進入網址完成購買,但這個渠道並不能反映太多問題。

【適合場景】一般是公司想要做短期的投放,快速提升效果,這時按照末次歸因模型,能比較好了解到底是哪個渠道對於最終的轉化有比較好的促進作用。

(3)線性歸因模型

模型邏輯:線性歸因是把統計時間內所有的觸點的功勞進行平均分配。

【優缺點】優點是不用考慮不同渠道的價值權重,大家一視同仁,計算也不復雜。缺點是,部分情況下,若有的渠道價值異常高,可能會「被平均」,因為這種渠道是靠質量而不是數量贏得結果的。

【適合場景】比較適合公司內部使用……大鍋飯大家一般不會打架

(4)時間衰減歸因模型

模型邏輯:對於統計時間內的所有觸點,距離轉化越近的渠道獲得的貢獻越大。

【優缺點】這個模型考慮了時間的作用,通常也是時間越久對於用戶的轉化作用是越弱的。缺點是如果有的渠道天然處於轉化鏈路的起點,那麼對於這些渠道是不公正的

【適合場景】和末次歸因比較類似,適合促銷期間大量引用用戶完成轉化的場景。

(5)位置歸因模型

模型邏輯:綜合了首次歸因、末次歸因、線性歸因,將第一次和最後一次觸點各記貢獻40%,中間的所有觸點平均剩下的20%貢獻。

【優缺點】大雜燴。

【適合場景】沒用過

三、歸因分析的產品設計

以上介紹了一大堆歸因的模型,那對於一套BI分析系統,如何將歸因分析這個常用的分析項,產品化呢?

總結下來,想要完成歸因分析有這么幾步:

選擇目標轉化事件 (即你想要把什麼行為作為最終轉化行為,通常是成交,針對不同業務場景,比如一些時間周期長的類目,可能會選擇瀏覽詳情頁等)

選擇待歸因事件 (即你要把哪些觸點進行功勞劃分,比如購物車頁面,可能是你的必須流程,就不需要納入功勞來劃分了)

選擇時間窗口 (選擇你要統計的時間范圍,比如是7天、還是30天,還是更久,不同業務的場景有所差異)

選擇歸因模型 (根據業務目標不同,選擇不同的歸因模型進行分析。當然很多情況下,業務會選擇多個歸因模型進行一些對比分析)

基於以上的業務流程,可以進行歸因分析模塊的產品設計流程。最終的呈現往往分為兩部分:

(1)觸點路徑分析;(2)觸點價值報告

受限於時間問題,不展開這兩部份的詳細設計了,後續有機會補充。

以下是谷歌的歸因分析截圖(今天翻不了牆,只好網上網路的……後面能翻牆了我重新截圖):

以下是神策的歸因分析:

今天先分享到這,後續有時間可以簡單講講夏普利值的歸因方法。

❼ 數據分析利器之歸因分析

原文鏈接: 數據分析利器之歸因分析

廣義的歸因分析指找到事情發展的原因,我們介紹過的公式法、漏洞模型等核心都是為了定位原因。我們日常在互聯網廣告行業中常說的 歸因分析 特指渠道轉化的貢獻分析,如我們在四個渠道投放產品廣告,通過歸因分析判斷哪個渠道轉化效果最好,進而優化渠道投放策略。

有一天三貓依次在a、b、c、d這4個不同的app上都看到了同一款防脫洗發水廣告,並在最後看到的d這個app上點擊詳情頁並下單購買,那如何判斷每個渠道對三貓發生消費轉化的貢獻呢?

轉化功勞為最後一次互動的渠道,即三貓的購買轉化認為是通過d促成的。

優點 :容易測量,不必擔心業務周期長的場景可能會發生的數據損失,減少數據回溯處理成本。

弊端 :三貓是因為看了a、b、c三個app的廣告後不斷加深印象,才在d看到後發生購買行為,因此其他三個渠道也為轉化起到促進作用,而在這個模型中則無法統計進來,d渠道的功勞評估會被大幅高估。

適用場景 :投放周期短、轉化路徑少、周期短的業務。

轉化功勞為第一次互動的渠道,即三貓的購買轉化認為是通過a促成的。首次互動模型更加強調的是驅動用戶認知的、位於轉化漏斗最頂端的渠道。

優點 :容易統計。

弊端 :轉化路徑長時,不容易回溯到用戶第一個交互渠道。

適用場景: 沒什麼品牌知名度的公司,關注能給他們帶來客戶的最初的渠道,對於擴展市場很有幫助的渠道。

轉化功勞分配給每個互動渠道,分配權重可自行調節,即三貓的購買轉化由四個渠道共同促成。末次歸因和首次互動模型都可以認為是線性歸因的特殊情況。

優點 :計算方法簡單。

弊端 :某些渠道的重要性會被其他渠道平均掉。

適用場景: 企業期望在整個銷售周期內保持與客戶的聯系,並維持品牌認知度的公司。在這種情況下,各個渠道在客戶的考慮過程中,都起到一定的促進作用。

對於路徑上的渠道,距離轉化的時間越短的渠道,可以獲得越多的功勞權重。時間衰減歸因模型基於一種假設,他認為觸點越接近轉化,對轉化的影響力就越大。即三貓的購買轉化,四個渠道貢獻度d>c>b>a。

優點 :考慮時間因素,更為合理。

弊端 :如果有的渠道天然處於轉化鏈路的起點,那麼它們總是距離轉化最遠的那個,重要性會被低估。

適用場景 :客戶決策周期短、銷售周期短的情況。比如,做短期的促銷,就打了兩天的廣告,那麼這兩天的廣告理應獲得較高的權重。

對於路徑上的渠道,將第一次和最後一次觸點各貢獻40%,中間的所有觸點平均剩下的20%貢獻。即三貓的購買轉化,a和d的貢獻度分別為40%,b和c貢獻度分別為10%。

優點 :銷售線索報告或者只有銷售線索階段目標的營銷組織的理想歸因模型。

弊端 :對中間過程的促進作用考慮較少。

適用場景 :十分重視線索來源和促成銷售渠道的場景。

相關性分析是通過整體情況來確定渠道重要性的方法。通過計算各渠道直接轉化量與整體轉化量的相關性系數,確定各渠道的貢獻度。根據算出的渠道貢獻度,確定三貓此次的轉化主要貢獻渠道。

歸因模型有很多種,沒有一種方法可以適用於所有情況。實際使用時,應考慮業務場景與各模型適用場景的匹配度,進而選擇合適的方法。

下圖對相關性分析方法重點內容進行了羅列,可保存到相冊隨時查看。

參考文檔:

https://zhuanlan.hu.com/p/384442573

https://zhuanlan.hu.com/p/438797669

https://www.jianshu.com/p/a1fa42c5cc42

❽ 歸因分析(Attribution Analysis)

約克和湯姆結對旅遊,他們准備吃午餐。約克帶了3塊餅,湯姆帶了5塊餅。這時,有一個路人路過,路人餓了。約克和湯姆邀請他一起吃飯。路人接受了邀請。約克、湯姆和路人將8塊餅全部吃完。吃完飯後,路人感謝他們的午餐,給了他們8個金幣。路人繼續趕路。

約克和湯姆為這8個金幣的分配展開了爭執。湯姆說:「我帶了5塊餅,理應我得5個金幣,你得3個金幣。」約克不同意:「既然我們在一起吃這8塊餅,理應平分這8個金幣。」 約克堅持認為每人各4塊金幣。為此,約克找到公正的夏普里。

夏普里說:「孩子,湯姆給你3個金幣,因為你們是朋友,你應該接受它;如果你要公正的話,那麼我告訴你,公正的分法是,你應當得到1個金幣,而你的朋友湯姆應當得到7個金幣。」

約克不理解。

夏普里說:「是這樣的,孩子。你們3人吃了8塊餅,其中,你帶了3塊餅,湯姆帶了5塊,一共是8塊餅。你吃了其中的1/3,即8/3塊,路人吃了你帶的餅中的3-8/3=1/3;你的朋友湯姆也吃了8/3,路人吃了他帶的餅中的5-8/3=7/3。這樣,路人所吃的8/3塊餅中,有你的1/3,湯姆的7/3。路人所吃的餅中,屬於湯姆的是屬於你的的7倍。因此,對於這8個金幣,公平的分法是:你得1個金幣,湯姆得7個金幣。你看有沒有道理?」

約克聽了夏普里的分析,認為有道理,愉快地接受了1個金幣,而讓湯姆得到7個金幣。

這是個著名的歸因分析模型,夏普里值(Shapley Value)法,用於計算不同渠道貢獻值。

歸因分析 ,可應用的領域頗廣,從心理學到消費者行為,再到人力資源管理、績效評估和團隊領導力,甚至延伸到互聯網廣告的效果優化,它是一種抽象的思維模式和方法論,能幫助我們看清影響結果的關鍵因素,從而不會輕易被表象所迷惑。

我當前所在的計算廣告領域,營銷效果的多點歸因分析,不止能為廣告主的投放提供可靠的參考,也是推動整個程序化購買技術不斷進步的一個關鍵點,當然,這也是個大家正在摸索和想辦法攻克的難點。

說到底,這是個建模並不斷完善模型的過程,需要一套嚴謹的演算法,並在不斷的數據積累和訓練中逐步優化,似乎這沒夠一個確切的答案(或者說最優解),只是在這個過程中不斷尋找數據的「真相」。

有人說,這個世界是離散而隨機的,盲目的歸因並沒有任何意義,只是人們在尋找自我安慰和假裝了解世界的安全感。

但我覺得,在浩瀚的宇宙(乃至更宏觀的空間里),趨勢是存在的,你可能不知道下一秒確切地會發生什麼,但至少我們可以知道,吃了會覺得飽,吃多了很可能會長胖。

就像我現在做的工作,雖然大多數時候不知道做的方向是否會有預期的好結果,但我知道你不去這么做,是更不可能有收獲的。人生嘛,盡力而為,真誠、努力、有分寸,工作生活如此,待人接物亦如此。

挫敗時,多多內在歸因;進步時,內在外在都要歸因;成功時,理智地外在歸因。人性弱點不可迴避,但要努力成為值得被善待的人。

閱讀全文

與數據歸因分析什麼意思相關的資料

熱點內容
dtv網路電視手機版下載 瀏覽:954
mfc100u放在哪個文件夾 瀏覽:359
javaweb插件 瀏覽:58
pto密碼忘記 瀏覽:567
logo競賽教程 瀏覽:481
貴陽去哪裡學編程比較好 瀏覽:132
java將string轉為json 瀏覽:291
ppt2013製作exe文件 瀏覽:80
linux文件只讀不能復制 瀏覽:597
開關代碼 瀏覽:91
word繪圖板 瀏覽:359
蘋果minecraftpe注冊 瀏覽:775
ps怎麼存儲文件卡 瀏覽:728
微信清除緩存圖片恢復 瀏覽:305
安卓app會閃退怎麼解決 瀏覽:429
哪些app背單詞是免費的 瀏覽:889
cf擊殺圖標放哪個文件夾 瀏覽:208
為什麼我的爐石不能查看完整數據 瀏覽:179
蘋果7音量按鍵不回彈 瀏覽:296
u盤兩個系統可以放一個文件夾嗎 瀏覽:538

友情鏈接