中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：當一個消費者完成多觸點消費旅程后，品牌分不清究竟是哪個渠道的功勞。面臨多渠道消費，企業該如何選擇一種有效的渠道評估手段？作者分享了兩類常見的歸因分析：規則歸因和算法歸因，幫助我們更好地進行渠道評估，一起來看下。

企業在做全渠道營銷時，希望找到一種簡單、有效的方式來評估渠道質量，以此為依據來動態優化資源投放優先級。一般企業用渠道點擊率或轉化金額來直接評估渠道質量，這也是最容易理解、操作最簡單的一種渠道質量評估手段。當面臨的渠道越來越多時，怎樣才是一種有效的渠道評估手段呢？

首先，看一下某品牌典型的全渠道用戶旅程：

一個消費者在朋友圈看到品牌發布的廣告，點擊查看了廣告詳情；第二天，他訪問了品牌的微信公眾號，了解了更多信息；接下來多次訪問了品牌微商城，并到就近門店體驗后領取了一張優惠券，最后下載了品牌 APP 并使用優惠券完成下單。

這樣一個多觸點消費者旅程在當下全渠道品牌企業中非常普遍，但品牌一直有一個疑問，最終這一筆轉化的功勞到底如何算到到各個渠道呢？

歸因分析就是為解決這一類問題而生的，只有算清楚了各渠道貢獻度，才能把有限的市場費用投入得恰到好處，帶來更大的收益。

常見有兩類歸因分析：規則歸因和算法歸因。

一、規則歸因：基于人工的啟發式歸因分析

規則歸因是一種基于運營人員經驗的歸因手段，帶有比較明顯的主觀判斷，可能因為運營的選擇帶來完全不同的結果。主要包括如下：

1. 末歸因

在這幾個規則模型中，末歸因應用最廣，也最容易理解。100% 功勞計算在最終轉化渠道。稍微思考一下會發現末歸因有一些問題。以足球隊為類比，渠道就是球員，每個球員都為最終獲勝做出了貢獻，但獎金只發給臨門一腳的人，這顯然是不公平的，會導致所有球員爭搶臨門一腳，不愿意配合，會導致整體能力退化。

這種規則適用于轉化路徑比較短，渠道比較單一的業務，觸達既轉化，這是符合廣告初衷的，希望每一次都是臨門一腳，亞馬遜廣告采用的就是這種模型。

2. 首歸因

第一個渠道獲得 100% 的功勞。類比足球比賽中每一次進攻發起者獲得所有功勞，獎金只發給發起進攻的人，這顯然也不是很公平。

這個模型側重于引流，強調獲客，適用于知名度低、新品牌建設和產品推廣初期進行歸因分析。比較有經驗的新銳品牌創始人在推廣產品初期非常喜歡用這種模型評估各個渠道價值，以此來加大渠道投入。

3. 線性歸因

每個渠道平均分配 100% 的功勞。類比球場上每個球員不管貢獻大小，平分獎金。這種模型也明顯具有弊端，容易造成吃大鍋飯，某些渠道的作用被夸大，同時某些渠道的作用被低估。相比前兩種模型，線性歸因最大優點是一個多觸點歸因模型，可以將功勞劃分給每個不同階段的營銷渠道。

線性歸因不適用于某些渠道價值特別突出的業務。比如，一個消費者在線下門店體驗了商品，然后回家搜索，連續三天都通過微商城了解商品信息，并在第四天成交。那么按照線性歸因模型，微商城會分配到 75% 的權重，而線下門店只得到了 25% 的權重，這種情況線下門店的重要性便被忽視了。

根據線性歸因模型的特點，更適用于品牌期望在整個消費者生命周期內保持與客戶的聯系，并維持品牌忠誠度的公司，比如一些決策周期長，購買頻率低的商品。這種情況各個渠道在消費者轉化過程中起到相同的促進作用。

4. 時間衰減歸因

越靠近轉化時間的渠道功勞越大，這個模型兼顧了末歸因優點同時兼顧了之前各個渠道的貢獻，相比線性歸因模型的平均分配，時間衰減模型讓不同渠道得到了不同的權重，符合生活經驗和思維模式，容易被接受。

當然時間衰減模型問題是，在漏洞頂部的營銷渠道永遠得不到高分，因為它們總是距離轉化最遠的那個，這樣就會忽略某些渠道在業務增長中的重要性。

根據時間衰減模型的特點，更適用于消費決策周期短、銷售周期短的商品。比如，做短期促銷、快閃店等，就做了兩天的營銷，那么這兩天的渠道應獲得更高的功勞。

5. 原始歸因

這種模型就不解釋了，基本沒人用。

二、算法歸因：基于數據驅動的全局概率歸因分析

以上這些規則歸因都是基于一系列人工規則，獨立看每一次轉化，進行功勞分配，再把相同渠道的功勞相加，得到每個渠道功勞。而隨著大數據和機器學習的發展，一種新的歸因手段逐漸發展，這就是算法歸因，也叫數據驅動歸因（DDA）。與人工規則最大的不同是，算法歸因站在整個轉化大數據的基礎上，全局的看各渠道與最終轉化的關系，自動生成更加客觀，更加實證和科學的歸因結果。

在許多的算法歸因模型中，有兩種算法歸因效果十分顯著，夏普利值歸因（Shapley Value Attribution）和馬爾科夫鏈歸因（Markov-Chain Attribution），兩種算法的差別如下：

相同點：都是基于全局視角，理清關系后求整體的渠道影響力。

不同點：馬爾科夫鏈更加突出轉化路徑中各個渠道的先后順序，而沙普利值的計算只需知道有哪些渠道參與了轉化，對于數據量大，渠道多的業務，沙普利值的算力要求會小一些。比如谷歌就采用了沙普利值歸因。

本文會重點介紹馬爾科夫鏈歸因。

數學家-安德雷·馬爾科夫

戰斗民族的數學家安德雷.馬爾科夫對決策的貢獻普遍應用到了歸因上，下面舉一個例子說明多渠道下馬爾科夫鏈的計算過程：

假設某品牌做了一次營銷活動，在朋友圈（P），抖音（O），門店（S）三個渠道一共產生了八次互動，其中兩個轉化（C），兩個未轉化（N）。

第一步：把三個渠道的八次互動畫成以下 4 條路徑。

第二步：把路徑拆成對子。

第三步：根據每個節點到其他節點的概率我們可以畫下面這張全路徑概率圖——決策樹。

第四步，計算出決策樹中 C 的概率。

由于決策樹里有三條路徑中含有無限循環 PS，在計算 TOT2、TOT3、TOT4 時需要用無限等比數列求和公式，Sum = a / ( 1 – q )，計算過程省略，最后得到 C 概率 TOT 為 4/7。

第五步，利用損失效應，衡量每個渠道對于 C 概率的影響，也就是衡量渠道的重要性。

把 P 去掉，決策樹如下：

P 不存在，則 S 也無法實現轉化。轉化只能通過 StarOC ，轉化概率從原始的 4 / 7 降到 1 / 8，因此 P 在轉化率中的 attribution 應該是 1 – ( 1 / 8 ) / ( 4 / 7 ) = 25 / 32。

把 O 去掉，決策樹如下：

O不存在，路徑只剩下 TOT3 和 TOT 4，TOT = 11 / 28，轉化概率從原始的 4 / 7 降到 11 / 28，因此 O 在轉化率中的 attribution 應該是 1 – ( 11 / 28 ) / ( 4 / 7 ) = 5 / 16。

把 S 去掉，決策樹如下：

S不存在，只剩下以上幾條路徑，TOT = 1/4。轉化概率從原始的 4 / 7 降到 1 / 4 因此 S 在轉化率中的 attribution 應該是1 – ( 1 / 4 ) / ( 4 / 7 ) = 9 / 16。

綜上匯總，按照馬爾科夫鏈歸因三個渠道的 attribution 如下：

P : O : S = 25 : 10 : 18

對比規則歸因的三種模型結果：

（1）按照首歸因

P : O : S = 0 : 0 : 2

（2）按照末歸因

P : O : S = 1 : 1 : 0

（3）按照線性歸因

P : O : S = 5 : 2 : 5

首歸因，完全忽略了 P 和 O 渠道的貢獻，高估了 S；末歸因則相反，完全忽略渠道 S 的貢獻；線性歸因雖然三個渠道都考慮到，但實際上高估了渠道 S 的貢獻。

案例：

最后用 Python 對一份網上找到真實數據進行計算，其中包括 1 w 條互動路徑、轉化數、轉化金額、無轉化數，實際看一下馬爾科夫鏈算法歸因的效果。

以下為原始數據和代碼截圖：

以下為首歸因、末歸因、線性歸因、馬爾科夫鏈對轉化次數歸因的對比：

以下為首歸因、末歸因、線性歸因、馬爾科夫鏈對轉化金額歸因的對比：

作者：劉生，公眾號：直隸暗察史

本文由 @劉生 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議