难于预测|归因分析指南v1.0( 三 )


Mix, match, or compare attribution models in your analysis
3 可视化的重要性
可视化图表的选择代表了所想要展示的规律,往往图就是结论。
 难于预测|归因分析指南v1.0
文章图片
- 功能2 预测分析
Predictive analytics.
Predicting the future is what data was made for.
数据的存在价值就是为了预测未来。
当我们收集了大量的客户数据,但是在许多情况下,我们并没有充分利用这一切收集而来的数据,因为我们依赖从手动挖掘到的很小比例的见解。
预测分析旨在帮助我们挖掘尚未开发的数据潜力。这些数据中隐藏着一些模式,这些模式可以揭示有意义的客户见解。预测功能依靠机器学习和高级统计模型来自动挖掘大量数据,以寻找大多数分析师根本没有时间寻找的那些模式。
- 什么是洞察?
Insight
我们首先需要发现有趣的模式interesting patterns,如何定义有趣?如下图所示,数据的趋势不稳定,就代表是有趣的:
 难于预测|归因分析指南v1.0
文章图片
为了把Insight自动挖掘出来,需要把所有可能的有趣模式分类出来,有趣的模式包括12种:Attribution贡献、Outstanding No. 1 第一名、Outstanding Top 2 第二名、Outstanding Last 最后一位、Evenness 均匀度、Change Point 转折点、Outlier 离群值、Seasonality 季节性、Trend 趋势、2D Clustering 聚类、Correlation 相关性、Cross-Measure Correlation 交叉测量相关。
可以分成3类,单点洞察、单形状洞察、复合洞察。
 难于预测|归因分析指南v1.0
文章图片
结合图表,我们看几个示例:
Outstanding No. 1
 难于预测|归因分析指南v1.0
文章图片
Outstanding Last
 难于预测|归因分析指南v1.0
文章图片
Attribution
 难于预测|归因分析指南v1.0
文章图片
Evenness
 难于预测|归因分析指南v1.0
文章图片
Change Point
 难于预测|归因分析指南v1.0
文章图片
Outlier
 难于预测|归因分析指南v1.0
文章图片
Trend
 难于预测|归因分析指南v1.0
文章图片
Seasonality
 难于预测|归因分析指南v1.0
文章图片
Correlation
 难于预测|归因分析指南v1.0
文章图片
Cross-Measure Correlation
 难于预测|归因分析指南v1.0
文章图片
2D Clustering
 难于预测|归因分析指南v1.0
文章图片
当把洞察的种类罗列完之后,就可以尝试使用机器学习来自动发现各种有价值的洞察啦~
- 产品案例
Amazon Attribution
亚马逊为品牌和零售商推出的工具。 该工具将帮助卖家了解亚马逊产品流量从何而来,从而更好地调整自己的营销策略。
Measure度量,卖家可以通过Amazon Attribution对各个广告渠道进行分析,来了解广告渠道的有效性。
Optimize优化,卖家可以根据自己的需求,通过Amazon Attribution报告的各个广告渠道的有效性来进行不断地优化(in-flight optimization)。
Plan计划,卖家可以通过Amazon Attribution查看各广告渠道的有效性和洞察相关的亚马逊细分受众群,来规划未来的营销策略。
度量-优化-计划,这是一个产品的最小闭环。
- 算法归因
也称为数据驱动归因,英文是Data-Driven Attribution,简称DDA。Google于2013年推出了Google Analytics Premium的数据驱动归因模型,并于2014年在AdWords中发布了该模型。
数据驱动归因是一种基于机器学习的归因模型,与基于规则的归因模型不同,数据驱动归因使用所有可用的路径数据,包括路径长度,曝光顺序和广告素材,来了解特定营销接触点的存在如何影响用户转化的可能性以更好地将功劳分配给任何接触点。
算法归因本质上是一个分类问题,理论上能用于分类的算法都可以用于算法归因的。常用的算法有马尔科夫链、沙普利值、生存分析和Harsanyi Dividend。
谷歌系的产品用的是基于Shapley值,如Google Attribution 360,Google Analytics 360,DoubleClick和AdWords。算法归因相比基础的模型如First Touch,Last Touch,Linear等有着优势,算法归因考虑到了更多渠道间的互动。
- 辛普森悖论VS归因分析
Simpson's paradox
当人们尝试探究两种变量(比如新生录取率与性别)是否具有相关性的时候,会分别对之进行分组研究。然而,在分组比较中都占优势的一方,在总评中有时反而是失势的一方。


推荐阅读