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

一、應(yīng)用場景

在數(shù)字營銷領(lǐng)域，歸因分析被廣泛應(yīng)用于評估不同渠道的廣告投放效果。如一個用戶通過多個渠道接觸到同一品牌的廣告，并在最終決定購買時，歸因分析可以幫助確定每個渠道對用戶購買的貢獻(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)化未來的廣告投放策略。

簡而言之，歸因分析通過合理地分配用戶行為的“貢獻(xiàn)”到每一個渠道或因素，幫助業(yè)務(wù)人員更好地理解用戶行為路徑，評估廣告和營銷活動的效果，并據(jù)此優(yōu)化策略，提高轉(zhuǎn)化率和投資回報率。

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間序列異常根因分析方法，在多維度復(fù)雜根因的場景下具有良好的可靠性。

算法完整過程包括數(shù)據(jù)預(yù)處理、異常檢測、根因分析和仿真可視化4個步驟，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指標(biāo)實(shí)際值和預(yù)測值之間的差異進(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為某個維度的真實(shí)值、Fij為某個維度的指標(biāo)的預(yù)測值、A為某個指標(biāo)的真實(shí)值、F為某個指標(biāo)的預(yù)測值、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解釋力的閾值，例如如果某個維度的某個元素的解釋力已經(jīng)超過了40%，我們就覺得這個維度的元素對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）。而一個維度可能有多個元素會超過這個閾值，我們就需要將多個元素的解釋力值進(jìn)行求和得到這個維度對于整體指標(biāo)的解釋力。

2. 驚奇指標(biāo)（Surprise）

在進(jìn)行歸因的時候，我們還面臨一個問題就是排序問題，哪些維度導(dǎo)致的指標(biāo)波動的差異最大呢？

這個時候就引用了一個驚奇指標(biāo)，通過預(yù)測值的概率分布和真實(shí)值的概率分布的差異【Jensen-Shannon (JS) divergence】，來評估維度導(dǎo)致的指標(biāo)波動的重要程度，這個數(shù)值范圍是0～1，越接近0說明預(yù)測值和真實(shí)值的分布越接近，越接近1說明預(yù)測值和真實(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元素的EP閾值篩選維度元素數(shù)據(jù)，對于EP值和S值進(jìn)行加和，并將數(shù)據(jù)寫入結(jié)果集合之中。

step3：最后，對于循環(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)品購卡行為為例，一級購買分類包括：（a）套餐 （b）扣款類型 （c）業(yè)務(wù)區(qū) 。

其中一級類別可繼續(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)包年 （4）SVIP月卡 （5）SVIP季卡 （6）SVIP年卡。

當(dāng)某天卡購買量有異常（通過預(yù)測值與真實(shí)值誤差來判斷，超過閾值則認(rèn)為當(dāng)天卡購買量有異常（閾值基于歷史數(shù)據(jù)來制定），我們可以利用上文提到的Adtributor歸因來實(shí)現(xiàn)異常問題的快速定位。

Adtributor歸因核心代碼如下：

以7月5號購買異常波動為例（在7月5號我們發(fā)現(xiàn)卡的購買量t-1真實(shí)值與當(dāng)天的預(yù)測值出現(xiàn)顯著差異），我們利用Adtributor歸因在數(shù)秒內(nèi)完成異常原因的自動定位（通過歸因，如下圖所示我們可以立即知悉7月5號異動是由扣款渠道的2個因子導(dǎo)致的（扣款周期、扣款方式）。

這樣基于歸因算法，我們很方便完成異常波動的原因分析（即7月5號購買量大幅下滑是由扣款渠道類別下（a）扣款周期（b）扣款方式兩個因子導(dǎo)致），從而可針對這兩個因子調(diào)整我們的業(yè)務(wù)策略。