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

歸因是個(gè)有意思的問題，許多領(lǐng)域都在研究，比如心理學(xué)中就有“基本歸因錯(cuò)誤”（Fundamental Attribution Error，F(xiàn)AE）；而廣告和金融領(lǐng)域更是對(duì)歸因進(jìn)行了深入研究，來輔助廣告主和投資人獲得更大的收益，避免損失。

一、歸因問題

在前一篇《數(shù)據(jù)產(chǎn)品經(jīng)理：6大數(shù)據(jù)分析平臺(tái)的“世界觀”》中主要講解了6個(gè)數(shù)據(jù)分析平臺(tái)的數(shù)據(jù)模型，這6個(gè)平臺(tái)都是大家耳熟能詳?shù)模貏e是對(duì)于中小型企業(yè)和團(tuán)隊(duì)，在保證數(shù)據(jù)分析效果的同時(shí)，能有力的減少創(chuàng)業(yè)初期階段在數(shù)據(jù)上的成本投入。

但在結(jié)尾的地方，我們留下了一個(gè)沒有展開的問題——?dú)w因。

事情是這樣發(fā)生的：

我們使用了LinkedIn經(jīng)典的“魔法數(shù)字”案例，也就是“1周內(nèi)增加5個(gè)社交好友的用戶更容易留存”。

但是這個(gè)結(jié)論是如何的出來的呢？

1周內(nèi)可能發(fā)生很多事情，比如用戶年齡段的改變、地理位置的改變、偏好的改變等等，我們是如何將最終的留存率“歸功于”社交好友數(shù)量的呢？而且這5位社交好友是否同等重要呢？

這就是歸因問題。

歸因的正面作用，它可能是全部數(shù)據(jù)分析要解決的唯一問題——解釋“為什么”，但反面作用，歸因不當(dāng)將會(huì)摧毀整個(gè)分析的可信度。而且，很可能我們從原始數(shù)據(jù)的收集和整理方法中，就已經(jīng)定下了一個(gè)大敗局——終將“潰于蟻穴”。

為了解決這樣的問題，在數(shù)據(jù)平臺(tái)上通常會(huì)提供幾種歸因的方案供客戶選擇：

1. 首次互動(dòng)歸因模型

也就是用戶第一次做某件事，在數(shù)據(jù)中通常表現(xiàn)為時(shí)間最早、順序號(hào)最小等等。當(dāng)然，這是理想情況。在現(xiàn)實(shí)中由于種種原因，我們無法從用戶的最終轉(zhuǎn)化一直向前追溯，直至真實(shí)的“首次互動(dòng)”。遇到這種情況，也就只好采用能追溯到的、并且與業(yè)務(wù)相關(guān)的首次行為了。

比如：在用戶的一次購買轉(zhuǎn)化中，我們可以用訂單號(hào)追蹤；沒有訂單號(hào)，可以用賬號(hào)；賬號(hào)沒有，可以用訪問會(huì)話（Session ID）；會(huì)話沒有，可以用設(shè)備ID；如果實(shí)在是什么都沒有了，那么用戶以前的行為，我們只好當(dāng)它不存在。

2. 最終互動(dòng)歸因模型

也就是用戶最后一次做某件事，對(duì)應(yīng)的在數(shù)據(jù)中就表現(xiàn)為時(shí)間最近、順序號(hào)最大等等。同樣，在最終互動(dòng)中也存在“數(shù)據(jù)問題”——直接訪問流量（Direct Traffic），也就是那些找不到前置行為卻完成了轉(zhuǎn)化的流量。為了排除它們的干擾，有時(shí)也采用最終非直接互動(dòng)歸因。

3. 線性歸因模型

也就是平均分。比如前面的LinkedIn的例子，如果用戶添加了5個(gè)社交好友并留存下來，那么前面的5個(gè)社交好友“同等重要”，全都是促成最終結(jié)果的重要因素。

4. 加權(quán)歸因模型

也就是給多個(gè)促成因素分配一定的權(quán)重。

比如：如果用戶從某商城中看了許多商品才下單，在訂單頁點(diǎn)擊了提交按鈕，在支付頁點(diǎn)擊了支付按鈕，在訂單完成頁點(diǎn)擊了查看訂單詳情按鈕。一套動(dòng)作下來，這筆訂單應(yīng)當(dāng)歸功于那個(gè)按鈕呢？

顯然在隨意瀏覽的過程中，點(diǎn)擊行為沒有那么重要。相比之下，后邊的三個(gè)按鈕就重要得多。

那么怎么定權(quán)重呢？前面的線性相當(dāng)于等權(quán)，還有時(shí)間衰減模型、U型/W型/Z型模型。這方面文章很多，不再展開。

以上幾種方法是比較簡單易懂的，而且可以想象計(jì)算量與計(jì)算復(fù)雜度都不大。但是對(duì)于歸因這么重要的一件事，只有這些簡單粗暴的辦法么？

當(dāng)然不是。

比如下面這個(gè)：

5. 馬爾科夫歸因

這是把用戶的轉(zhuǎn)化行為比作“馬爾科夫鏈”，來計(jì)算各個(gè)狀態(tài)之間的轉(zhuǎn)化概率。簡單來說，就是“明天只與今天有關(guān)，而與昨天無關(guān)”。這樣，我們也就可以計(jì)算出用戶轉(zhuǎn)化路徑中的各個(gè)步驟之間的概率，并最終算出權(quán)重。如果我們用這個(gè)權(quán)重來代入前面的加權(quán)歸因，是不是瞬間感覺高大上了么？（如果對(duì)概率論還有印象的同學(xué)，可能會(huì)想起一個(gè)十分類似的東西——貝葉斯公式。）

二、歸因模型的選擇

Well，不知道各位小伙伴是什么感覺，反正我每次看到這種“N種方法”的狀況是很頭疼的，究竟怎么選呢？

這是個(gè)問題。

我們?cè)榻B：GrowingIO只提供了兩種歸因模型——首次和最后（在手冊(cè)中“埋點(diǎn)事件”的“歸因方式”一節(jié)，參考：https://docs.growingio.com/docs/），而Google Analytics for Firebase則提供了歸因模型。

至于其他沒有“明說”的平臺(tái)，為了節(jié)（lan）?。╝i）時(shí)（wan）間（qi），我是沒有驗(yàn)證。

這樣看，似乎不同的平臺(tái)都有自己在模型上的取舍。那是否存在一套通用的模型呢？為什么我們不直接采用看上去就很高大上的馬爾科夫鏈，而還是要用最簡單粗暴的歸因方式呢？

這里主要考量兩個(gè)因素：

1. 業(yè)務(wù)形態(tài)

說是業(yè)務(wù)形態(tài)，但其實(shí)是個(gè)比較抽象的概念。落實(shí)到數(shù)據(jù)上，就是我們究竟能拿到什么樣的數(shù)據(jù)。（數(shù)據(jù)內(nèi)容是《數(shù)據(jù)產(chǎn)品經(jīng)理：6大數(shù)據(jù)分析平臺(tái)的“世界觀”》這篇的主題，有興趣的同學(xué)可以翻回去看看）。

第三方平臺(tái)通常以行為分析為重，但與業(yè)務(wù)相關(guān)的數(shù)據(jù)就不那么容易拿到了，比如商品ID、交易金額、支付渠道等等。

因此：即使我們把事件模型收集到的數(shù)據(jù)拼成一個(gè)長長的鏈條，但是除了直接導(dǎo)致最終轉(zhuǎn)化的這個(gè)環(huán)節(jié)以外，前面的環(huán)節(jié)很可能根本沒有上報(bào)業(yè)務(wù)相關(guān)的數(shù)據(jù)，或者上報(bào)的信息不完整、不準(zhǔn)確。所以我們可以輕松地追蹤行為，卻不太容易從促成轉(zhuǎn)化的角度追蹤所有相關(guān)的行為，除非詳細(xì)地配置了各種自定義事件。

因此，除非在業(yè)務(wù)形態(tài)（產(chǎn)品形態(tài)）上以用戶行為為主（比如短視頻類的瀏覽、點(diǎn)贊、收藏、轉(zhuǎn)發(fā)），否則只好在歸因方面采用相對(duì)簡單的歸因方法。

而企業(yè)內(nèi)部的數(shù)據(jù)則更加貼近自己的核心業(yè)務(wù)，可以方便的拿到核心業(yè)務(wù)數(shù)據(jù)。這就適合業(yè)務(wù)形態(tài)（產(chǎn)品形態(tài)）比較復(fù)雜的情況了。我們也可以相對(duì)容易地追蹤到促成轉(zhuǎn)化的整個(gè)流程。比如電商中的“逛”就是個(gè)挺難分析的過程，還有金融中的投資行為等等。它們都需要與業(yè)務(wù)數(shù)據(jù)深度結(jié)合進(jìn)行分析，也適合使用相對(duì)復(fù)雜的歸因模型。比如用來分析投資組合的Brinson模型。

2. 計(jì)算量

第二個(gè)要考慮的因素就是計(jì)算量。計(jì)算量主要來源于兩個(gè)方面：數(shù)據(jù)量與計(jì)算復(fù)雜度。

數(shù)據(jù)量比較好理解，典型的數(shù)據(jù)量爆發(fā)場景，就是每每有企業(yè)自豪地宣布日活數(shù)據(jù)、留存數(shù)據(jù)、交易額/交易人數(shù)等數(shù)字的時(shí)候。這些數(shù)字的背后，都是浩如煙海的數(shù)據(jù)內(nèi)容。

那么什么叫計(jì)算復(fù)雜度？這個(gè)概念可繁可簡。比如，我們拿到的數(shù)據(jù)是3和10兩個(gè)數(shù)字，你來體會(huì)一下心算“3×10”與“3的10次方”之間的區(qū)別吧，大概就是這個(gè)感覺。

三、歸因的延伸

前面講到的基本都是歸因模型的直接應(yīng)用，也就是“給轉(zhuǎn)化找原因”。

但是既然我們說了歸因是分析的全部目的也不為過，那么歸因模型也應(yīng)該有一些延伸應(yīng)用。比如看看下面這個(gè)問題：

既然歸因是給轉(zhuǎn)化找原因，而說到轉(zhuǎn)化大家一定會(huì)想起漏斗模型，那么歸因與漏斗之間是什么關(guān)系？還有前面提到的轉(zhuǎn)化路徑，難道不是漏斗么？嗯……我已經(jīng)表達(dá)過對(duì)于N多模型的厭惡之情，所以這幾個(gè)之間的關(guān)系一定要弄明白。

我們從各種數(shù)據(jù)采集中得到的信息是很有限的，它們不會(huì)超過我們預(yù)先能想到要看的那些指標(biāo)，包括頁面上元素的曝光、點(diǎn)擊、滑動(dòng)等基本行為，以及與業(yè)務(wù)相關(guān)的發(fā)布內(nèi)容、拍攝視頻、點(diǎn)贊、收藏、下訂單、完成支付等等行為。即使是“無埋點(diǎn)”方案，能夠采集到的內(nèi)容也是預(yù)先設(shè)計(jì)好的，并且是更基礎(chǔ)、更通用的指標(biāo)。

很顯然，這些基本的指標(biāo)決不能跟“用戶行為”劃等號(hào)，充其量是用戶行為的子集，并且是很小的一個(gè)子集。這其中有技術(shù)問題，有認(rèn)知問題，有各種各樣的問題。那么用戶行為到底是什么樣的呢？

其實(shí)這個(gè)問題不重要，重要的是，我們究竟關(guān)心哪些行為。這就是漏斗。

在當(dāng)今的分析中，大多數(shù)人會(huì)采使用轉(zhuǎn)化漏斗，來描繪一個(gè)對(duì)于業(yè)務(wù)或產(chǎn)品來說最關(guān)鍵的路徑。用戶在這個(gè)路徑上如何流動(dòng)，決定了業(yè)務(wù)或產(chǎn)品是否存在問題、是否還有發(fā)展空間。而這個(gè)轉(zhuǎn)化漏斗背后，則是一個(gè)價(jià)值產(chǎn)生的過程（消費(fèi)、投資、……），或者是用戶的一個(gè)心理過程（學(xué)習(xí)、表達(dá)、……）。

所以雖然都是行為，漏斗與行為軌跡的出發(fā)點(diǎn)就是不同的——漏斗是業(yè)務(wù)或產(chǎn)品的角度，行為軌跡是用戶的角度。兩個(gè)往一起一碰，這就有意思了——我希望用戶趕快買，但是用戶就是轉(zhuǎn)轉(zhuǎn)悠悠的不下單。TA在干什么呢？拼出來一個(gè)行為路徑看看TA到底在干什么。

總結(jié)起來，漏斗是從業(yè)務(wù)或產(chǎn)品自身的形態(tài)出發(fā)，在所有用戶可能產(chǎn)生的行為路徑中，尋找出真正重要的節(jié)點(diǎn)；而歸因則是將漏斗進(jìn)行橫向拆解，研究促成每一個(gè)節(jié)點(diǎn)的真正原因是什么，以及如何加強(qiáng)。

比如下面這張圖，綠色圓圈才是我們的轉(zhuǎn)化漏斗，與藍(lán)色箭頭則找出了每一段的“直接因素”。當(dāng)然，這畫的是理想情況。如果我們的產(chǎn)品設(shè)計(jì)出現(xiàn)問題了，則會(huì)看到越來越多的用戶經(jīng)過了其他的路徑。

不知道你有沒有這種感覺，面對(duì)表現(xiàn)不佳的漏斗，只能干著急而不知道從何下手。因?yàn)槁┒繁旧砭筒惶邆淇刹僮餍裕ˋctionable），畢竟節(jié)點(diǎn)是你選的，除非你承認(rèn)自己選錯(cuò)了。而行為路徑和歸因則給漏斗模型補(bǔ)上了可操作性。

所以真的有很多模型要學(xué)么？我沒覺得。

這個(gè)話題我們放在下一篇，嘿嘿……

本文由 @御豪同學(xué) 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。