#《电商流量数据化运营》读者常见问题解答（Q&A）

最近更新时间：2021-11-14

#一、资源获取与购买指南

#1. 本书的附件在哪里下载？

下载地址为：《电商流量数据化运营》附件

#2. 书在哪里可以买到？

通用的买书渠道（如在线渠道）均可购买：

• 京东
• 当当
• 亚马逊

线下书店可能也有销售，具体需视渠道而定，但网上购买最为方便。

另外，本书也提供电子书版本，大家可以前往京东读书、亚马逊 Kindle、微信读书查看。

#3. 书是黑白印刷的，有原始彩图吗？

书的彩图已经统一放在随书附件中。大家下载后，会看到压缩包里有一个专门的文件夹存放原始彩图，如下所示：

#二、内容定位与学习准备

#1. 本书与《Python 数据分析与数据化运营》有什么区别和联系？

两本书的区别与联系主要体现在以下三个方面：

• 逻辑上：《Python 数据分析与数据化运营》是**“总”，包含了更广泛的运营话题；而《电商流量数据化运营》是“分”**，是其中关于流量运营的分支。后续还会陆续推出会员运营、内容运营、商品运营、活动运营、网站运营等主题的专著。当然，前者也会继续改版以适应新时代的发展需求，内容结构将更加完整。
• 内容上：《Python 数据分析与数据化运营》更偏**“分析”，包含了大量的维度、指标、分析方法、数据模型与实战经验；而《电商流量数据化运营》更聚焦于业务实践，更偏“业务”**，内容围绕“如何做流量运营”的全过程展开，探讨数据如何发挥价值。
• 工具上：《Python 数据分析与数据化运营》完全使用 Python；而《电商流量数据化运营》则以 Excel 为主，辅以 Python 实现。

#2. 书里面的案例多吗？

本书从第 3 章到第 7 章，基本每个小节（二级标题）下都有 1~2 个案例。例如：

#3. 书里的案例使用的是什么工具或语言？

本书的案例实现工具主要有两个：

• Excel：案例实施占比约为 70%~80%（工具版本为 Office 2013）。
• Python：案例实施占比约为 20%~30%（版本为 3.8，同样适用于 3.9 及最新的 3.10）。

#三、核心业务与算法答疑

#1. 为什么需要将不同行为和场景的权重加权汇总？（4.2 节）

在 4.2 节**“基于用户喜好的投放内容管理”中，第四步“为商品增加权重”出现了两层权重：商品互动事件类型的权重和商品互动产生的场景的权重**。之所以需要如此复杂的权重关系，原因如下：

第一，用户表达喜好的行为存在差异。 不同的人对于喜好的表现行为不同。例如，有的人会多看，所以“浏览”是评价喜欢与否的重要标志；有的人表现为“搜索”，有的人则是“购买”。在用户行为上存在千差万别的“喜欢表现”，如果只使用 1 个字段（或单一商品互动事件），概括的行为就不够完整和全面，必然会有所偏颇。因此，需要综合考虑多个行为事件。

第二，场景与页面事件是多对多的关系。 既然针对不同行为设置不同权重即可，为什么还需要区分场景？因为场景和页面事件并不是一对一的关系。以“商品浏览”事件为例，它指的是商品的曝光（类似于站外广告的 Impression），而商品可以在多个场景下曝光（如产品 A 在首页、搜索页、个人中心页都有推荐展示）。

第三，不同的场景对核心 KPI 的影响是不同的。 这就好比站外广告渠道，对于同一个人，我们会认为从高质量渠道进入时，其“此次”的价值度更高。举个日常生活的例子：同一个人，由知名教授介绍给 A 认识，和由普通人介绍给 A 认识，A 会更倾向于认为知名教授介绍时认可度更高。两者的底层逻辑是相同的。

因此，才有了类型和场景分别产生权重再汇总计算的逻辑。

#2. 着陆页测试的贝叶斯评估方法原理解析（4.5.5 节）

关于贝叶斯原理的进一步解释与说明：

• A/B 测试：简单来说，就是为同一个目标制定两个方案，让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录用户的使用情况以评估哪个方案更符合设计预期。A 方案的转化率可以看作一个二项分布。传统的频率学派认为概率 p 是固定不变的（总转化数除以实验总数）。然而，贝叶斯学派不认为 p 是固定不变的，而是引入一个 Beta 分布作为二项分布的共轭先验，通过调整 Beta 分布参数，动态调整 p 的值。
• Beta 分布：Beta 分布是二项分布的共轭先验，描述了二项分布中 p 取值的可能性。Beta(m, n) 代表着 m+n 次试验中，m 次 A、n 次 B 的概率分布。

通俗地讲，Beta 概率是对“正面概率应该为 p”这件事情的概率分布。

实验案例对比：

假设有一枚硬币，实验 A 抛 100 次有 16 次正面，实验 B 抛 50 次有 8 次正面。

• 频率学派认为：两次实验的正面概率都是 p = 0.16。
• 贝叶斯学派认为：Beta(16, 84) 和 Beta(8, 42) 是完全不同的概率分布。

上图为两个实验的数据分布图。在 Beta(α, β) 中，参数 α 的现实意义是正面次数，β 的现实意义是反面次数。

规律的进一步解释：

虽然上述两个实验只是规模不同，但其分布密度图存在显著差异：

1. 猜测值的差异：频率学派猜测正面概率 p = 0.16；而贝叶斯学派认为，以上两种情况的猜测 p 都小于 0.16，因为实验次数越少，真实的正面和反面差距就可能越大。
2. 决策信心的差异：实验次数越少，概率密度图越平缓（绿线），因为较少的实验次数不能增强决策信心；而 100 次实验（蓝线）明显有更大的信心猜测 p 更接近 0.16。
3. 大数定律的体现：实验次数越大，概率密度图的均值越接近 0.16，符合大数定律。

基于上述逻辑，贝叶斯方法被引入到 A/B 测试中，用于对比两个版本实验结果的差异。

推荐阅读材料：

• Bayesian_AB_wwwing_at_VWO.pdf
• Bayesian_Statistics.pdf

#3. 分析特征对转化目标的正负向影响时，Shapley 值输出为何选择第二个数组？（7.2.2 节）

首先需要明确的是，无论使用什么模型和算法，对于一个具有二分类结果（例如是否转化，预测结果是 0 或 1）的特征 x，预测得到的 y 一定包含两种可能的结果（要么为 0，要么为 1）。

因此，在模型输出时，预测结果有两种表示方法：

• 概率输出：即 clf.predict_proba(x) 得到的结果。它的值同时包含了结果为 0 和结果为 1 的概率，例如 [0.12, 0.82]。
• 标签输出：即 clf.predict(x) 得到的结果。它的值只包含 1 个最终结果（0 或 1），例如 [1]。

这两种表示方法如何对应？

默认情况下，预测模型判断结果是否转化有一个基准阈值 0.5。当预测概率值 > 0.5 时，预测的 Label 就是 1；否则就是 0。在上述例子中，由于第二个值的概率为 0.82，所以结果的 Label 为 1。

如果有自定义需求，也可以调整这个阈值。例如，定义“预测为 1 的概率达到 0.9 时才认为能转化”，那么此时该结果的预测标签就是 0（不转化）。这就好比考试达到 90 分才算合格，而不是 60 分。

回到 Shapley 值的选择逻辑：

shap_value 返回的结果包含 2 个数组，这两个数组与概率预测模型相对应，分别解释了当预测为 0 以及预测为 1 的情况下，各个特征对这两个结果的影响。

在书中，我们重点研究的是**“特征是如何影响转化的”（即预测结果为 1），所以我们提取第二个数组**。

在这两组 Shapley 检验结果中，结果值是以 0 为界限对称分布的。例如，当一个特征对 x=0 时的影响结果值是 0.07821677，那么对 x=1 时的影响结果值就是 -0.07821677。在 Shapley 结果中，0 表示“没有影响”，所以当 x=0 和 x=1 的 Shapley 值相加时，结果必然为 0。

下图打印出了两组 Shapley 结果值：

在研究 Shapley 的总体特征时，检验的是所有特征 Shapley 值的绝对值的均值。因此：

• 对于总体特征的重要性检验而言：使用第一个数组还是第二个数组，结果都是一样的。
• 对于特定预测结果的影响检验而言：要检验 Shapley 对特定结果（例如为 0 或为 1）的影响，就需要区分使用不同的数组。

进阶举例说明：

假设分类模型中有 3 个结果（例如预测用户的等级为高、中、低）。此时，我们要重点检验不同特征如何促进用户成为高价值客户，就必须选择结果数组中对应“高价值 Label”的结果值。这个值的选取与模型设置直接相关：

• 如果设置的 Label 0/1/2 分别表示低、中、高转化，那么就应该取 Shapley 检验结果返回的第 3 个数组。
• 如果设置的 Label 0/1/2 分别表示高、中、低转化，那么就应该取返回结果的第 1 个数组。