如何使用Adtributor算法執(zhí)行歸因分析，幫助廣告主精確評(píng)估各渠道的廣告效果呢？本文將通過(guò)實(shí)際應(yīng)用案例展示該算法如何迅速定位銷(xiāo)售異常的根本原因。這不僅能提升廣告的投入產(chǎn)出比，還能為未來(lái)的營(yíng)銷(xiāo)決策提供數(shù)據(jù)支持。

一、應(yīng)用場(chǎng)景

在數(shù)字營(yíng)銷(xiāo)領(lǐng)域，歸因分析被廣泛應(yīng)用于評(píng)估不同渠道的廣告投放效果。如一個(gè)用戶(hù)通過(guò)多個(gè)渠道接觸到同一品牌的廣告，并在最終決定購(gòu)買(mǎi)時(shí)，歸因分析可以幫助確定每個(gè)渠道對(duì)用戶(hù)購(gòu)買(mǎi)的貢獻(xiàn)程度。這有助于廣告主更準(zhǔn)確地了解哪些渠道的廣告投放更為有效，從而優(yōu)化未來(lái)的廣告投放策略。

簡(jiǎn)而言之，歸因分析通過(guò)合理地分配用戶(hù)行為的“貢獻(xiàn)”到每一個(gè)渠道或因素，幫助業(yè)務(wù)人員更好地理解用戶(hù)行為路徑，評(píng)估廣告和營(yíng)銷(xiāo)活動(dòng)的效果，并據(jù)此優(yōu)化策略，提高轉(zhuǎn)化率和投資回報(bào)率。

二、解決方案

Adtributor算法是微軟研究院于2014年提出的一種多維時(shí)間序列異常根因分析方法，在多維度復(fù)雜根因的場(chǎng)景下具有良好的可靠性。

算法完整過(guò)程包括數(shù)據(jù)預(yù)處理、異常檢測(cè)、根因分析和仿真可視化4個(gè)步驟，我們主要借鑒了根因分析環(huán)節(jié)的方法，該環(huán)節(jié)使用驚奇性和解釋力對(duì)指標(biāo)實(shí)際值和預(yù)測(cè)值之間的差異進(jìn)行解釋。

1. 解釋力（Explanatory power）

指標(biāo)的維度的解釋力是該維度指標(biāo)的變化額度在整體指標(biāo)變化額度的占比，如下面公式描述，其中Aij為某個(gè)維度的真實(shí)值、Fij為某個(gè)維度的指標(biāo)的預(yù)測(cè)值、A為某個(gè)指標(biāo)的真實(shí)值、F為某個(gè)指標(biāo)的預(yù)測(cè)值、i是維度{dim1, dim2 …dim n}， j為維度里的元素{e11, e12, e21, e22 …}。

在實(shí)際應(yīng)用中，我們需要人為確定一個(gè)解釋力的閾值，例如如果某個(gè)維度的某個(gè)元素的解釋力已經(jīng)超過(guò)了40%，我們就覺(jué)得這個(gè)維度的元素對(duì)于整體的變化有很高的解釋力度（可能是導(dǎo)致指標(biāo)變化的主要因素）。而一個(gè)維度可能有多個(gè)元素會(huì)超過(guò)這個(gè)閾值，我們就需要將多個(gè)元素的解釋力值進(jìn)行求和得到這個(gè)維度對(duì)于整體指標(biāo)的解釋力。

2. 驚奇指標(biāo)（Surprise）

在進(jìn)行歸因的時(shí)候，我們還面臨一個(gè)問(wèn)題就是排序問(wèn)題，哪些維度導(dǎo)致的指標(biāo)波動(dòng)的差異最大呢？

這個(gè)時(shí)候就引用了一個(gè)驚奇指標(biāo)，通過(guò)預(yù)測(cè)值的概率分布和真實(shí)值的概率分布的差異【Jensen-Shannon (JS) divergence】，來(lái)評(píng)估維度導(dǎo)致的指標(biāo)波動(dòng)的重要程度，這個(gè)數(shù)值范圍是0～1，越接近0說(shuō)明預(yù)測(cè)值和真實(shí)值的分布越接近，越接近1說(shuō)明預(yù)測(cè)值和真實(shí)值的分布差異越大。

計(jì)算公式如下：

3. 歸因流程

step1：先把數(shù)據(jù)提前處理好，預(yù)測(cè)指標(biāo)、計(jì)算p、q、S、EP這些指標(biāo)。
step2：循環(huán)迭代不同維度按照單個(gè)元素的EP閾值篩選維度元素?cái)?shù)據(jù)，對(duì)于EP值和S值進(jìn)行加和，并將數(shù)據(jù)寫(xiě)入結(jié)果集合之中。
step3：最后，對(duì)于循環(huán)之后的結(jié)果按照S值排序，并且基于二八原理，剔除維度EP值低于80%的數(shù)據(jù)，輸出結(jié)果。

三、應(yīng)用案例

以某產(chǎn)品購(gòu)卡行為為例，一級(jí)購(gòu)買(mǎi)分類(lèi)包括：（a）套餐 （b）扣款類(lèi)型 （c）業(yè)務(wù)區(qū) （d）渠道 （e）A大類(lèi) 。

其中一級(jí)類(lèi)別可繼續(xù)細(xì)分，如套餐可細(xì)分：（1）連續(xù)包月 （2）連續(xù)包季 （3）連續(xù)包半年 （4）SVIP月卡 （5）SVIP季卡 （6）SVIP半年卡。

當(dāng)某天卡購(gòu)買(mǎi)量有異常（通過(guò)預(yù)測(cè)值與真實(shí)值誤差來(lái)判斷，超過(guò)閾值則認(rèn)為當(dāng)天卡購(gòu)買(mǎi)量有異常，如下圖所示：藍(lán)色為預(yù)測(cè)值，綠色為實(shí)際值，折線(xiàn)誤差百分比），我們可以利用上文提到的Adtributor歸因來(lái)實(shí)現(xiàn)異常問(wèn)題的快速定位。

Adtributor歸因核心代碼如下：

以7月5號(hào)購(gòu)買(mǎi)異常波動(dòng)為例（在7月5號(hào)我們發(fā)現(xiàn)卡的購(gòu)買(mǎi)量t-1真實(shí)值與當(dāng)天的預(yù)測(cè)值出現(xiàn)顯著差異），我們利用Adtributor歸因在豐景臺(tái)數(shù)秒內(nèi)完成異常原因的自動(dòng)定位（通過(guò)歸因，如下圖所示我們可以立即知悉7月5號(hào)異動(dòng)是由扣款渠道的2個(gè)因子導(dǎo)致的（周期扣款、立即扣款）。

這樣基于歸因算法，我們很方便完成異常波動(dòng)的原因分析（即7月5號(hào)購(gòu)買(mǎi)量大幅下滑是由扣款渠道類(lèi)別下（a）周期扣款（b）立即扣款兩個(gè)因子導(dǎo)致），從而可針對(duì)這兩個(gè)因子調(diào)整我們的業(yè)務(wù)策略。