#渠道效果分析：如何精准定位转化影响因素与落地应用

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地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、登录、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。

#渠道效果影响因素概述：引入 Shapley Values

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。 这里引用一则寓言故事来简单说明 Shapley Values 的计算逻辑：

Shapley Values 的寓言故事

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 的核心含义。

#实战解析：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：导入核心库

pythonCopy
1import pandas as pd                               # ①   
2from sklearn.tree import DecisionTreeClassifier   # ②   
3import shap                                       # ③   
4shap.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：准备与读取数据

pythonCopy
1df = pd.read_excel('第4章.xlsx', sheet_name='4-1', comment='#', nrows=1000) # ①   
2x = df[['newVisits', 'hits', 'pageviews', 'timeOnSite', 'hour']]            # ②   
3y = 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：训练决策树模型

pythonCopy
1clf = DecisionTreeClassifier(random_state=0) # ①   
2clf.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 Shapley 解释模型

pythonCopy
1explainer = shap.TreeExplainer(clf)    # ①   
2shap_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。

为了更好地了解 SHAP 值，通过如下代码构建数据框并做描述性统计分析：

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

codeCopy
1   newVisits      hits  pageviews  timeOnSite      hour   
20        0.0 -0.078217   0.009828   -0.093882 -0.024729   
31        0.0 -0.250762   0.054761    0.258116 -0.249115   
42        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：

codeCopy
1     newVisits         hits    pageviews   timeOnSite         hour   
2count     1000.0  1000.000000  1000.000000  1000.000000  1000.000000   
3mean         0.0    -0.008398    -0.009334     0.019369    -0.001636   
4std          0.0     0.147385     0.114187     0.219804     0.087543   
5min          0.0    -0.401172    -0.466117    -0.370827    -0.309737   
625%          0.0    -0.081857    -0.038209    -0.136498    -0.026109   
750%          0.0    -0.022047    -0.012394    -0.056446    -0.005865   
875%          0.0     0.056337     0.022589     0.111852     0.021564   
9max          0.0     0.521093     0.427002     0.772954     0.406068  

#第五步：可视化分析特征的正负向影响

pythonCopy
1shap.summary_plot(shap_values, x, plot_type="bar")                 # ①   
2print(shap_df.abs().mean(axis=0).to_frame().T)                     # ②   
3print(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 SHAP 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，条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。

codeCopy
1newVisits      hits  pageviews  timeOnSite      hour   
2      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：

codeCopy
1newVisits      hits  pageviews  timeOnSite     hour   
2      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。

为了更详细地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：

pythonCopy
1shap.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；图中间的散点为样本点，样本越聚集，则形成的区块面积越大。

图 7-3 特征 SHAP 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。

#深入微观：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：单样本预测结果解析

pythonCopy
1print(explainer.expected_value)                                                  # ①   
2print([1 - clf.predict(x).mean(0), clf.predict(x).mean(0)])                      # ②   
3shap.force_plot(explainer.expected_value[1], shap_values[1][0,:], x.iloc[0,:])   # ③   
4shap.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由 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。得到结果图 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 higher 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。图 ① 中的 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。图 ① 中的 timeOnSite=522 对 SHAP 值的负向影响最大，另外 hits=305 和 hour=22 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，图 ① 预测结果 f(x) = 0，低于总体转化均值；而图 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 higher 和 lower 区域的特征导致的。图 ② 中的 f(x) 显著正向贡献特征是 hits=245、hour=6 和 timeOnSite=861，这些特征显著地拉升了模型效果。

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）。

#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，综合业务可理解性、可解释性以及算法的简易实施性，以下两类模型比较适合应用到影响因素分析场景中：

1. 树模型：包括 CART（Classification and Regression Trees）等单一树，以及 GBDT（Gradient Boosting Decision Tree）、XGB（eXtreme Gradient Boosting）等集成树。它可以提供类似于人类思考逻辑的决策树规则。
2. 广义线性回归：包括简单线性回归、逻辑回归等。它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。