Мультиканальная атрибуция на примере жизни Васи

rockstat Moscow Digital

Мультиканальная атрибуция на примере жизни Васи

Moscow Digitalrockstat

Знакомьтесь, это Вася

Вася очень любит женское внимание и хочет получить его как можно больше, при этом рационально расходуя свои деньги


Знакомство

Вася знает места, где можно познакомиться с девушками и регулярно их посещает

Бар Приложение Работа/Учеба

Спорт


Продолжение общения

В большинстве случаев необходимо продолжить общение. Для этого Вася приглашает девушек на свидания в кино, кафе и различные мероприятия

КафеКиноКино Активный отдых

Мероприятия


Входные данные

Бар

КиноКино

Кафе

Мериприятия

46,000 руб

35,500 руб

121,500 руб

69,000 руб

2,000 руб

х 10

х 25

х 81

х 46

Приложение

х 45


Модель атрибуции — это логика распределения ценности между каналами


Оценка по последнему касанию

Бар

Приложение Кафе

Бар Кафе Кино


Оценка по первому касанию

Бар




Линейное распределение

Бар




Расчеты

Расход Последнее касание

Первое касание

Линейное распред

Первое касание / CPL (руб)

Последнее касание / CPL (руб)

Линейное распред/ CPL (руб)

Бары 46 000 6 30 14,83 1 533 7 667 3 102

Приложение 2 000 0 15 5,16 133 2 000 388

Кафе 121 500 17 0 11,0 121 500 7 147 11 045

Мероприятия 69 000 11 0 8,33 69 000 6 273 8 283

Кино 37 500 11 0 5,66 37 500 3 409 6 625


Оценка по вовлеченности

Для каждой встречи вычисляем индексы активности:

Время

Кол-во взаимодействий

Интенсивность взаимодействий



Ratio

Расход Линейное распред

Вовлеченность

Линейное распред / CPL (руб)

Вовлеченность / CPL (руб)

Бары 46000 14,83 18,44 3 102 2 495

Приложение 2000 5,16 2,37 388 844

Кафе 121500 11,0 10,81 11 045 11 240

Мероприятия 69000 8,33 9,56 8 283 7 218

Кино 37500 5,66 3,79 6 625 9 894


Пожелаем Васе удачи

На самом деле Вася просто искал родственную душу и когда встретил Людмилу, завязал с разгульной жизнью


Пример последовательностей в интернете


Что пользователи делают на сайте

Выбирают

Получают информацию, помогающую сделать выбор

Получают информацию, нейтрализующую возражения

Оставляют заявку


Расчет индекса активности

где:a - весовой коэффициент скролловb - вес активностиy - вес кол-ва просмотренных страниц

Значения scroll length, activity blocks, pages with activity нормализуются в рамках всех сессий пользователя


Пример расчетов# date type ap_n s_n a_n score conv_lc conv_act

0 2016-07-10 organic 0,368421 0,591608 0,310460 0,787190 0 0,311525

1 2016-07-10 organic 0,368421 0,724569 0,850230 0,989009 0 0,391394

2 2016-07-10 campaign 0,052632 0,000000 0,347105 0,175282 0 0,069367

3 2016-07-10 campaign 0,210526 0,353553 0,245440 0,575410 1 0,227715

0 2016-07-18 organic 0,095238 0,353553 0,268328 0,415136 0 0,158575

1 2016-07-18 organic 0,047619 0,176777 0,154919 0,180461 0 0,068933

2 2016-07-18 campaign 0,190476 0,500000 0,428952 0,535829 0 0,204677

3 2016-07-18 campaign 0,047619 0,000000 0,268328 0,144784 0 0,055305

4 2016-07-18 campaign 0,619048 0,770552 0,804984 1,341708 1 0,512510

0 2016-07-06 campaign 0,078125 0,284398 0,256693 0,263601 0 0,092506

1 2016-07-06 organic 0,015625 0,121268 0,088045 0,083049 0 0,029144

2 2016-07-06 organic 0,000000 0,000000 0,000000 0,004630 0 0,001625

3 2016-07-06 campaign 0,265625 0,528594 0,577350 0,685371 0 0,240518

4 2016-07-06 organic 0,000000 0,000000 0,000000 0,004630 0 0,001625

5 2016-07-06 campaign 0,031250 0,171499 0,124515 0,133943 0 0,047005

6 2016-07-06 organic 0,015625 0,000000 0,062257 0,043561 0 0,015287

7 2016-07-06 organic 0,000000 0,000000 0,000000 0,004630 0 0,001625

8 2016-07-06 campaign 0,171875 0,437237 0,426814 0,546831 0 0,191900

9 2016-07-07 organic 0,015625 0,000000 0,186772 0,076286 0 0,026771

10 2016-07-07 organic 0,406250 0,635934 0,597151 1,003027 1 0,351994


Модель на основе вероятностного прохождения воронки


Комбинирование моделей

# date type conv_lc conv_act conv_fun conv_mix

0 2016-07-10 organic 0 0,311525 0,043520 0,177523

1 2016-07-10 organic 0 0,391394 0,592602 0,491998

2 2016-07-10 campaign 0 0,069367 0,000000 0,034683

3 2016-07-10 campaign 1 0,227715 0,363878 0,295796

0 2016-07-18 organic 0 0,158575 0,043520 0,101048

1 2016-07-18 organic 0 0,068933 0,000000 0,034467

2 2016-07-18 campaign 0 0,204677 0,000000 0,102339

3 2016-07-18 campaign 0 0,055305 0,000000 0,027653

4 2016-07-18 campaign 1 0,512510 0,956480 0,734495

0 2016-07-06 campaign 0 0,092506 0,043520 0,068013

1 2016-07-06 organic 0 0,029144 0,000000 0,014572

2 2016-07-06 organic 0 0,001625 0,000000 0,000812

3 2016-07-06 campaign 0 0,240518 0,000000 0,120259

4 2016-07-06 organic 0 0,001625 0,000000 0,000812

5 2016-07-06 campaign 0 0,047005 0,000000 0,023502

6 2016-07-06 organic 0 0,015287 0,000000 0,007644

7 2016-07-06 organic 0 0,001625 0,000000 0,000812

8 2016-07-06 campaign 0 0,191900 0,592602 0,392251

9 2016-07-07 organic 0 0,026771 0,000000 0,013386

10 2016-07-07 organic 1 0,351994 0,363878 0,357936


Вывод

Стандартные модели имеют значительный недостаток: игнорируются действия пользователей. Нужно стремиться использовать комбинированные модели, учитывающие поведение пользователей и особенности каналов


Дмитрий Родин

[email protected]/dmitrynr

Спасибо за внимание

mailto:[email protected]?subject=

http://facebook.com/dmitrynr

Marketing

Мультиканальная атрибуция на примере жизни Васи