Algorithm:网络广告营销领域之归因分析/归因模型的简介、算法、案例应用之详细攻略

目录

归因分析/归因模型的简介

1、常见几种归因分析模型

2、单触点归因分析VS多触点归因分析

3、归因模型的应用领域—网络广告营销领域的ROI

归因分析/归因模型的案例应用


归因分析/归因模型的简介

归因理论的起源:Heider第一次写道归因理论是在他的那本《人际关系的心理学》(1958)一书中。这本书在归因理论的发源和定义上起到了主要作用。Jones和Davis的关于意图的理解的系统性假定是在1965年的一篇题为《从行动到部署》的文章中提出。Kelley1967年发表了《社会心理学的归因》。Kelley(1967)进一步提升了Heider的理论,通过增加了影响归因形成的因素的假设:一致性,特殊性和多数性。
        归因分析,从字面上来看,就是针对某件事或某个行为找一个原因出来。归因分析除了应用在心理学,还可以应用在如数据分析、网络广告营销领域分析中。在网络广告营销领域,实际上,归因分析就是做一个因果分析,来推测这个行为到底是哪些原因导致的。
        因为,在完成转化的路径中,客户可能会进行多次搜索,与同一广告客户的多个广告互动。通过指定归因模型,可以选择为每次点击分配多少转化功劳。也就是说,它可以把转化功劳归于用户的首次点击,最终点击或者一组点击等。
        通俗来说,归因模型可以帮助广告主更好的了解投放广告的效果,并优化用户的转化路径。随着平台越来越多,也日益分散,以及营销人员可以接触到的媒体类型越来越多,从营销测量的角度来看,归因分析也变得越来越重要。

1、常见几种归因分析模型

不管是第一次接触、最后一次接触,还是融合,实际上,​​​​​​​任何归因模型都是混乱的,找一个有一定道理的,然后坚持下去非常重要。

首次互动归因模型 指将贡献/功劳归功于第一次触达用户的互动上

末次互动归因模型

Last Touch

指将贡献/功劳归功于最后一次触达用户的互动上,缺点是忽略了对用户之前所有的营销活动

末次非直接点击归因 这是对末次归因模型的改进,适合购买周期长,直接流量来源于其他渠道的的场景。比如,在小红书写了很多的种草笔记,用户都阅读了,最后用户在淘宝购买了种草的产品,如果是末次归因模型,会归因为淘宝促使用户购买,而末次非直接点击归因,则归因为小红书种草。

线性归因模型

将贡献/功劳评分分配给所有的互动,该模型不会突出最有效的营销推广策略,但模型简单容易解释

时间衰减模型 加上了时间的因素,最后1次触达的贡献更高,适用于销售/购买周期非常长的场景

U型归因模型

指在首次和末次互动,分别分配40%的权重,其余20%分布在中间的其他互动中间

自定义归因模型 指按照自己的理解分配权重,自定义创建自己的归因模型
算法或数据驱动的归因模型 当通过算法处理归属时,它使用机器学习来分析每个接触点,并根据该数据创建归因模型。

2、单触点归因分析VS多触点归因分析

单触点归因

Single Touchpoint Attribution STA

就是基于某一个具体的触点【单一平台】进行归因,比如单独在QQ、微信、淘宝、抖音、小程序、官方网站等。

只要在当前平台中,用户的行为是可以记录的,被广告/推广触达的时间都是可以记录的,那我们就可以知道,最终购买的用户,是被那几个广告触达过,先后顺序又是怎样的。

多触点归因

Multiple Touchpoints Attribution MTA

多触点也就是【跨多个平台】追踪/记录用户行为,然后进行归因,比如我想看在微信和抖音上的两个平台的投放,对用户的影响。
这里就涉及到一个问题,就是用户是在两个平台上,如何识别出两个账号是同一个人呢?可以通过找到同一个用户在不同平台上的共同点,比如手机号、源端设备号、身份证号等,都可以作为识别唯一用户的标识。

3、归因模型的应用领域—网络广告营销领域的ROI

归因模型应用到网络营销时,归因模型的意义就是根据消费者的多渠道访问路径,合理分配各渠道对订单所贡献的价值。根据调查所知,国内约有90%左右的电商公司,是根据24小时的Last Touch来计算ROI,而在国外,一般按照30天的Last Touch来计算ROI。

完善广告效果评估

通常情况下,评估广告效果会包括曝光、点击、直接购买指标,但某些营销渠道对购买的贡献会表现在间接贡献上。如用户可能习惯于通过互联网广告渠道获得广告活动咨询,然后通过SEM关键字进入网站浏览活动并产生购买,在通常情况下会把订单贡献计算在SEM上,但互联网广告也会对订单产生广告曝光和间接支持作用。因此,这种对订单的间接贡献会使广告效果评估更加合理化。

合理安排SEM关键字策略

在SEM投放时,通常会分为品牌词、竞品词、产品词和通用词,用户在SEM渠道上会表现出一定的继承性。比如百度作为信息流的整合平台,是用户获取信息的重要渠道,如果部分用户想要购买长袖打底衫,可能会先在百度中搜索“长袖打底衫”,然后通过梦芭莎购买的百度关键字点击进入网站,这一次用户可能不会产生购。

因为用户通常会选择各网站比价格和口碑,用户确认完信息之后觉得梦芭莎便宜,直接搜索“梦芭莎”,点击品牌词进入网站形成订单。这个过程中,用户完成从产品词到品牌词的点击轨迹,产品词对品牌词产生了间接订单贡献。通过分析用户这种轨迹,可以分析产品词投放对品牌词产生的影响,特别在费用控制时,有效评估品牌区流量的变化和目标设定。

合理安排同一渠道广告投放策略

类似于不同上文提到的关键字影响因素,用户也会存在同一渠道的点击依赖性,比如用户在网易门户看到梦芭莎活动广告,首次点击后没有完成购买,但第二次用户可能也会习惯于从网易门户点击进入网站形成订单。这种情况下,我们可以通过分析用户在一个渠道中不同广告形式或媒介的点击,评估用户对某一广告渠道的依赖性,进而指导广告排期与执行。

有效安排多渠道间营销节奏

通常情况下,用户不会只点击一个渠道进入网站就会形成购买,因此多渠道覆盖或整合营销传播会成为营销的主要策略。如何评估在一次活动中用户的点击轨迹,抓住用户不同购买阶段的广告来源,进而有效安排营销节奏是关键。多渠道路径分析可以抓住不同用户的多渠道浏览轨迹并通过聚合发现用户的路径趋势,为知道营销节奏安排提供参考依据。

参考文章:什么是归因模型?网络营销中要怎么用? - 网推实训营

归因分析/归因模型的案例应用

更新中……

Algorithm:网络广告营销领域之归因分析/归因模型的简介、算法、案例应用之详细攻略相关推荐

  1. DL之FAN:FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略

    DL之FAN:FAN人脸对齐网络(Face Alignment depth Network)的论文简介.案例应用之详细攻略 目录 FAN人脸对齐网络(Face Alignment depth Netw ...

  2. DataScienceML:金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略

    DataScience&ML:金融科技领域之迁徙率(Flow Rate)表的简介.案例应用之详细攻略 目录 金融科技领域之迁徙率(Flow Rate)表的简介 迁徙率(Flow Rate)表案 ...

  3. DataScienceML:金融科技领域之风控的简介、类别、应用流程(定义目标变量→特征构建思路等)、案例集锦之详细攻略

    DataScience&ML:金融科技领域之风控的简介.类别.应用流程(定义目标变量→特征构建思路等).案例集锦之详细攻略 目录 金融科技领域之风控的简介 1.风控指标相关概念或口径逻辑 金融 ...

  4. DL之Transformer:Transformer的简介(优缺点/架构详解,基于Transformer的系列架构对比分析)、使用方法(NLP领域/CV领域)、案例应用之详细攻略

    DL之Transformer:Transformer的简介(优缺点/架构详解,基于Transformer的系列架构对比分析).使用方法(NLP领域/CV领域).案例应用之详细攻略 目录 Transfo ...

  5. ML之FE:Vintage曲线/Vintage分析(观察用户的全周期风险情况/明确用户风险的成熟期/确定逾期率何时趋向于稳定/从而选择合适的表现期)的简介、计算逻辑、案例应用之详细攻略

    ML之FE:Vintage曲线/Vintage分析(观察用户的全周期风险情况/明确用户风险的成熟期/确定逾期率何时趋向于稳定/从而选择合适的表现期)的简介.计算逻辑.案例应用之详细攻略 目录 Vint ...

  6. Computer:互联网开放平台项目知识补充之开发-运维-网络-网关等术语(DMZ、负载均衡、F5、Nginx、容器)的简介、使用方法之详细攻略

    Computer:互联网开放平台项目知识补充之开发-运维-网络-网关等术语(DMZ.负载均衡.F5.Nginx.容器)的简介.使用方法之详细攻略 目录 DMZ(隔离区)的简介及其使用方法 1.DMZ区 ...

  7. Py之matplotlib-seaborn :核密度估计(KDE)分析/奇异点分析/相关性分析简、绘图的高级进阶之高级图可视化(直方图-箱线图-密度图-小提琴图等)简介、代码实现之详细攻略

    Py之matplotlib-seaborn :核密度估计(KDE)分析/奇异点分析/相关性分析简.绘图的高级进阶之高级图可视化(直方图-箱线图-密度图-小提琴图等)简介.代码实现之详细攻略 目录 根据 ...

  8. NLP之TEA:自然语言处理之文本情感分析的简介、算法、应用、实现流程方法、案例应用之详细攻略

    NLP之TEA:自然语言处理之文本情感分析的简介.算法.应用.实现流程.实现方法之详细攻略 目录 TEA的简介 TEA的应用 TEA的实现流程 TEA的实现方法 T1.词袋模型 TEA的案例应用 TE ...

  9. IRC/ML:金融智能风控领域相关术语解释(黑灰产群控、风控指标/字段、口径逻辑)、金融智能风控领域九大场景之详细攻略

    IRC/ML:金融智能风控领域相关术语解释(黑灰产群控.风控指标/字段.口径逻辑).金融智能风控领域九大场景之详细攻略 目录 金融智能风控领域的相关术语 1.如何判断黑灰产群控 风控指标/字段相关概念 ...

最新文章

  1. Struts2 关于返回type=chain的用法.
  2. java异步调用第三方接口_Java调用第三方系统接口获取数据
  3. bootstrap学习(三)表单
  4. C#设计模式——生成器模式(Builder Pattern)
  5. Flask系列06--(中间件)Flask的特殊装饰器 before_request,after_request, errorhandler
  6. html教程是语音版,【HTML教程】HTML 语言简介
  7. python 类继承 父类初始化_python之子类继承父类时进行初始化的一些问题
  8. POJ1321(KB1-A 简单搜索)
  9. NFine框架踩过的坑
  10. 编程路上,对于迷失者的一些小小建议
  11. python Pystaller 将python文件打包成exe
  12. 卸载CDH5.14.2
  13. 我爱民科,苍蝇越多越干净?!
  14. SQL Server+SSMS下载安装
  15. Oracle导入导出dmp文件步骤
  16. NTVDM遇到一个硬错误
  17. Linux下文件的备份
  18. 使用 eslint 自动调整 import 代码顺序
  19. 天天天蓝——第五章 四月的春天
  20. MATLAB 深度学习部署到树莓派问题解决方法

热门文章

  1. 开办企业的步骤和流程
  2. PO系列 目标系统对异步消息的处理
  3. AP-BSN: Self-Supervised Denoising for Real-World Imagesvia Asymmetric PD and Blind-Spot Network
  4. 打破企业管理边界,数字化供应链管理系统助力企业建设数字化韧性供应链
  5. 十大MySQL开发工具
  6. 搭建直播平台服务器什么配置最合适?直播平台专用服务器(驰网i9-13900k服务器)
  7. 基于Spring Boot的个人博客系统(源码+数据库)
  8. RxHttp 让你眼前一亮的Http请求框架
  9. Spring的三种Bean的实例化方法
  10. IntelliJ Idea 注册