渠道效果影响因素研究——选自《电商流量数据化运营》

发表评论
2280 浏览量

目录:

在渠道效果分析中，找到影响效果转化的主要因素是重中之重。它能直接帮助营销人员更好的了解渠道转化的影响因素，以及如何进行渠道效果优化和提升；同时，还可以基于分析得到的业务规则，直接应用到营销投放和操作过程，因此落地性和价值度都非常高。

该节内容可应用于任何带有转化目标的渠道中，且转化的定义可以包含任何目标场景，例如：

  • 动作场景：提交订单、按钮点击、线索填写、注册、登陆、抽奖等事件。
  • 非动作场景：停留超过30秒、看过超过10个页面、浏览过特定页面等过程性行为。

7.2.1 渠道效果影响因素概述

在“4.1.4 基于Lookalike的人群规则实现投放人群管理”中介绍了如何通过模型提取营销目标人群的列表；同时也通过“特征重要性”展示了哪些特征对于用户转化最为重要。“特征重要性”的具体含义，对于一般业务人员来讲比较难以理解，这里介绍一种新的解释影响重要程度的度量值——Shapley Values。

Shapley Values来源于博弈论，它将整个模型训练作为一局博弈，每个特征当作一个博弈者，而预测结果则是最终的结果。Shapley Values用来判断每个特征对预测结果做出了多大的贡献。这里引用一则的寓言故事来简单说明Shapley Values的计算逻辑。

约克和汤姆一起去旅游并准备吃午餐。约克带了3块饼，汤姆带了5块饼。这时，他们邀请一个路人一起吃饭。约克、汤姆和路人将8块饼全部吃完。路人送了8个金币来感谢他们的午餐。

约克和汤姆为这8个金币的分配发生了争执。汤姆认为自己带了5块饼，理应得5个金币，剩下3个金币给约克。约克则认为既然大家一起吃这8块饼，理应平分8个金币，即每人4个。

夏普里（Shapley）告诉约克，从公正的角度看，约克应当得到1个金币，而汤姆应当得到7个金币。原因是约克带了3块饼，汤姆带了5块，3个人一起吃了8块饼。约克吃了其中的1/3，即8/3块；路人吃了约克带的饼中的3-8/3=1/3；汤姆也吃了8/3，路人吃了他带的饼中的5-8/3=7/3。这样，路人所吃的8/3块饼中，有约克的1/3，汤姆的7/3。路人所吃的饼中，属于汤姆的是属于约克的7倍。因此，对于这8个金币，公平的分法是：约克得1个金币，汤姆得7个金币。

我们从这个故事中看出，夏普里（Shapley）所提出的对金币的“公平的”分法，遵循的原则是：所得与自己的贡献相等。这就是Shapley Values的含义。

7.2.2 分析特征对转化目标的正负向影响

本案例使用附件“第4章”-“4-1”数据，该数据与“4.1 基于Lookalike的投放人群管理”案例相同。

第一步 导入库

import pandas as pd                        #①   
from sklearn.tree import DecisionTreeClassifier           #②   
import shap                                            #③   
shap.initjs()                                      #④

代码①导入的pandas库用来读取和处理数据。代码②导入的DecisionTreeClassifier是的决策树模型，用来做分类训练使用。代码③导入shap用来解释模型信息，读者可使用pip install shap安装该库。代码④在Jupyter notebook环境下，加载用于shap可视化的JS代码。

第二步 准备数据

df = pd.read_excel('第4章.xlsx',sheet_name='4-1',comment='#',nrows=1000)#①   
x = df[['newVisits', 'hits','pageviews','timeOnSite','hour']]       #②   
y = df['goalAchieve']                            #③

代码①使用pandas的read_excel从附件第4章中读取名为4-1的工作簿，读取前1000行数据。代码②和③分别将要分析的字段获取出来，这里为了分析方便只选取少量的字段。

第三步 训练模型

clf =DecisionTreeClassifier(random_state=0)            #①   
clf.fit(x,y)                                           #②

代码①调用DecisionTreeClassifier创建一个决策树对象，random_state=0表示固定初始化随机种子的值。代码②调用该对象的fit方法，将x和y传入模型中训练。

第四步 创建解释模型

explainer = shap.TreeExplainer(clf)                     #①   
shap_values = explainer.shap_values(x)                  #②

代码①基于shap的TreeExplainer方法，创建一个用于树模型的解析对象explainer。代码②传入特征矩阵，计算SHAP值。

为了更好的了解shap值，通过如下代码构建数据框并做描述性统计分析。

shap_df = pd.DataFrame(shap_values[1],columns=x.columns)   #①   
print(shap_df.head(3))                                     #②   
print(shap_df.describe())                                  #③

代码①构建了一个由shap值组成的数据框，列名与训练数据相同；由于shap_values返回的是一个包含了正负关系的列表，这里只保留正向预测结果shap数据，即列表中的第二组结果；代码②打印数据的前3条记录如下，其中正数表示有正向贡献，负数表示负向贡献：

   newVisits      hits  pageviews  timeOnSite      hour   
0        0.0 -0.078217   0.009828   -0.093882 -0.024729   
1        0.0 -0.250762   0.054761    0.258116 -0.249115   
2        0.0  0.051621  -0.042187   -0.176401 -0.020033

代码③调用数据框的describe方法做描述性统计，并打印输出，结果如下：

     newVisits         hits    pageviews   timeOnSite         hour   
count     1000.0  1000.000000  1000.000000  1000.000000  1000.000000   
mean         0.0    -0.008398    -0.009334     0.019369    -0.001636   
std          0.0     0.147385     0.114187     0.219804     0.087543   
min          0.0    -0.401172    -0.466117    -0.370827    -0.309737   
25%          0.0    -0.081857    -0.038209    -0.136498    -0.026109   
50%          0.0    -0.022047    -0.012394    -0.056446    -0.005865   
75%          0.0     0.056337     0.022589     0.111852     0.021564   
max          0.0     0.521093     0.427002     0.772954     0.406068

第五步 分析特征对转化目标的正负向影响

shap.summary_plot(shap_values, x, plot_type="bar")               #①   
print(shap_df.abs().mean(axis=0).to_frame().T)                   #②   
print(pd.DataFrame([clf.feature_importances_],columns=x.columns))#③

代码①使用summary_plot来展示原始数据特征计算后的shap值，计算逻辑为每个特征原始shap值先取绝对值，然后求均值；plot_type="bar"设置特征按shap计算结果展示条形图。

图7-2 shape特征重要程度柱形图

图7-2横坐标轴是特征的shap值的绝对值的均值，值越大代表越重要；纵坐标轴是特征，图形图越长表示越重要。图中timeOnSite最重要，其次是hits，最不重要的特征是newVisits。

代码②对图7-2中的特征重要性进行还原：先对shap_df调用abs方法求出绝对值，然后调用mean方法并通过axis=0指定按列计算均值，使用to_frame方法转换为数据框，使用T方法做转换，从多行一列转换为一行多列，便于展示结果。结果可以与图7-2的shap重要性结合起来一起分析。

newVisits      hits  pageviews  timeOnSite      hour   
      0.0  0.108243   0.070411    0.170209  0.053877

代码③输出原始决策树模型的特征重要性，便于与shap计算结果比较。通过pd.DataFrame 创建一个数据框，值为通过clf.feature_importances_属性取出的特征重要性结果，列名与训练集特征相同，结果如下：

newVisits      hits  pageviews  timeOnSite     hour   
      0.0  0.285795   0.171114    0.391201  0.15189

通过代码②和代码③的输出结果对比，虽然二者的值不同（原因是计算方法不同），但得到的结论趋势是一致的，特征间的大小排序为：timeOnSite> hits> pageviews > hour> newVisits。

为了更详细的展示每个特征对最终结果的影响，可以通过如下代码输出图形：

shap.summary_plot(shap_values[1], x)

如图7-3，上述代码的功能与之前的shap特征重要性的条形图相同，但展示的结果是一个类似散点图+条形图的结果。图中横坐标轴是shap原始值，值从左到右增大；右侧纵轴是特征值分布，特征值越大时颜色越深；图中间的三点为样本点，样本越聚集，则形成的区块面积越大。

图7-3 特征shape值排序

从图7-3可以看出，对所有渠道数据样本而言，各个特征对转化目标预测的影响如下：

  • Shap值会随着timeOnSite值的增加而增大，即二者具有较强的正向线性关系，因此更大的timeOnSite更利于对目标转化产生积极贡献；
  • Shap值会随着hits值的增加而下降，二者具有较强的负向线性关系，因此更小的hits值更利于对目标转化产生积极贡献；
  • Shap值总体上会随着pageviews的增加而增加，但在shap=0的位置附近存在大量的样本点，说明这些点对于shap值的增加没有贡献。
  • Shap值总体上增加或下降与hour的变化关系较弱，当hour值很大时会对shap值有正向和负向不同的作用。
  • Shap值与newVisits分布无明显关系，所有的数据都集中在shap=0的位置附近，即newVisits无论怎么变化都不影响预测结果。

7.2.3 分析特征如何影响单个样本的预测结果

在某些场景下，我们可能需要单独分析特征对于单个样本的预测结果的影响，例如特征如何影响某次广告的转化、如何影响单个客户的转化等。本案例来实现对单个样本的特征影响的解释。

本案例的数据延续“7.2.2 分析特征对转化目标的正负向影响”的结果，假设这些数据是不同的广告波次下的效果数据，这里分析单次广告下的特征影响因素。

第六步 分析特征如何影响单个样本的预测结果

print(explainer.expected_value)                                 #①   
print([1-clf.predict(x).mean(0),clf.predict(x).mean(0)])           #②   
shap.force_plot(explainer.expected_value[1], shap_values[1][0,:], x.iloc[0,:])   #③   
shap.force_plot(explainer.expected_value[1], shap_values[1][17,:], x.iloc[17,:]) #④

代码①打印输出shap对象的预测值，结果为[0.813 0.187]。

代码②通过树模型的预测计算来还原shap对象的预测值，通过clf.predict(x).mean(0)来实现对x的预测，得到的值为预测结果的均值，本案例中的预测结果值是0和1组成，因此值的含义为转化占比；通过1-clf.predict(x).mean(0)得到另一半的概率占比（非转化占比），得到与代码①相同的结果[0.813, 0.187]。

代码③和④通过shap的force_plot来显示特征对单个样本记录的影响。其中explainer.expected_value为通过shap对象预测得到的预期值，其中1代表第二个数据对象，表示预测为1的转化占比；shap_values[1]表示预测结果为1对应的shap值，[0,:]表示shap对象中的第1个数据行记录； x.iloc[0,:]为原始训练样本的第1个样本值；同理，代码④表示第18个样本预测值与模型基准的对照结果。得到结果7-4。

图7-4 特征对单个样本的影响

图7-4中，水平坐标轴是shap值分布。base value是全体样本Shap的平均值，它与树模型预测后的均值相等，输出结果都是0.187，表示所有样本的预测结果（值域为0和1）的平均值。f(x)是当前样本的Shap值，通过与base value的比较可以知道该条结果预测效果相对“标杆”的差距。在f(x)左侧的higer区域，为特征对shap值的正向影响区间，表示左侧的特征能增加预测的效果，①中的其中pageviews=20对于该样本预测起到积极贡献作用，但长度条很小表示贡献非常有限；在f(x)右侧的lower区域，表示特征对shap值的负向影响，①中的timeOnSite=522对shap值的负向影响最大，另外hits=305和hour=22与会显著降低模型预测效果。

图中所有样本的base value一致（全部样本的预测均值0.187）；通过对比两个样本的结果，①预测结果f(x)=0，低于总体转化均值；而②预测结果为1，则高于总体转化均值。二者预测结果的差异，主要是各自higer和lower区域的特征导致的；②中的f(x)显著正向贡献特征是hits=245、hour=6 和timeOnSite=861，这些特征显著的拉升了模型效果。

这种针对单个样本的预测解释，主要用在特定渠道、用户等焦点对象的预测结果的解读和分析，用于找到到底是什么因素导致预测结果更准（或不准）、产生转化（或不转化）。

7.2.4 知识拓展：渠道效果影响因素的落地应用

在所有数据挖掘和机器学习算法中，综合业务可理解、可解释性以及算法的简易实施性，树模型（包括Classification and Regression Trees（CART）等单一树以及Gradient Boosting Decision Tree（GBDT）、eXtreme Gradient Boosting（XGB）等集成树）、广义线性回归（包括简单线性回归、逻辑回归等）比较适合应用到影响因素分析场景中，前者可以提供类似于人类思考逻辑的决策树规则，后者可以提供在学校时期已经学过的数学公式。

通过本节以及“4.1 基于Lookalike的投放人群管理”知识，我们可以通过多种模式找到了影响渠道效果的重要特征，以及不同特征对结果的影响规则；在后续业务落地中，主要应用场景包括：

  • 投放人群圈选。具体用法参考“4.1 基于Lookalike的投放人群管理”。
  • 贡献价值分析。营销转化会涉及到站外广告投放、落地页设计、网站内部功能和体验优化、站内运营活动策划和执行等主要部门，各部门如何“分配”对转化的贡献，可考虑通过本节方法进行评估。
  • 效果优化提升。根据本节提供的方法，如果想要优化特定样本或总体预测结果（提高预测准确性或降低误差），则可以基于对预测结果shap值贡献最大的样本及其值的变化规律来优化结果；在营销执行过程中，通过素材和文案设计、渠道组合和投放触点、日期和时间等季节性控制、落地页选择、投放内容管理等方面来思考各个因素对转化的贡献价值。