5.模型计算规则

模型计算规则是为了满足特定功能而配置的计算逻辑,这种规则常见于高级网站分析系统。常见的模型计算规则配置包括订单归因模型配置、路径功能配置、关联模型配置、异常检测模型。

订单归因模型

归因模型是用来衡量在用户从第一次进入网站到最后一次进入网站成单时,所有来源渠道对订单的贡献作用。传统的网站分析工具把订单归因为最后一次来源渠道(在此不考虑渠道覆盖规则),但实际上其他渠道对用户订单转化同样具有贡献作用,该作用于直接“辅助”最后一个渠道成单。
举例:用户从周一到周三分别通过A/B/C进入网站,并在第三次成单,如图4-13所示。传统网站分析工具认为该订单由渠道C贡献,但渠道A和B同样具有订单贡献作用:渠道A起到了流量引入作用,是整个订单周期的开始;渠道B辅助用户进入,提高了用户的购买意向;渠道C也许只是用户最后的入口,如果没有A和B的“辅助”,也许不会出现C的订单贡献。

图4-13 用户通过A/B/C三个渠道进入网站

在实际业务中,SEM品牌词流量、直接输入流量、网址导航直接进入网站的流量质量都非常高,原因是用户认知度、认可度和忠诚度比较高。但如果因此只投放这些“收口”渠道而忽视其他其他渠道,这些“收口”渠道效果是否还能持续?

订单归因模型就是用来解决订单如何分配的问题。除了传统的归因于最后进入的渠道外,订单归因模型还包括归因于最初进入的渠道、线性平均归因、随时间衰减归因、根据位置的综合归因等。

下面以一个实际案例说明不同归因模型下各个渠道的订单贡献情况。案例说明:用户打算购买在某网站购买商品,第一天从Sina Banner进入浏览了该网站某个活动;第二天在微博上看到该活动的推广博文点击进入网站,并详细看了其中某个活动单品;第三天该用户在搜索引擎中搜索了该单品,并点击进入该网站继续查看;第四天用户在其他网站看到有该网站的合作推广单品,点击进入该网站但仍未成单;第五天该用户最终搜索品牌关键字,点击品牌区进入网站完成订单。用户整个订单周期内访问路径如图4-14所示。

图4-14用户整个订单周期内访问路径

不同的订单归因模型,各个渠道贡献如下:

  •  归因于最后进入的渠道:最终互动模型将100%的转化价值归功于客户在进行购买或转化之前与之互动的最后一个渠道。案例中,SEM品牌区订单贡献为100%,其他渠道订单贡献为0。适用场合:广告和推广活动的目的是在购买时吸引用户,或者企业业务主要参与的销售周期不涉及观望阶段。
  •  归因于最初进入的渠道:将100%的转化价值归功于客户与之互动的第一个渠道。案例中,Sina Banner订单贡献为100%,其他渠道订单贡献为0。适用场景:广告或推广旨在建立最初的认知度,品牌并不为人熟知,企业前期的推广重点放在品牌曝光下,那么首次进行品牌展示的媒介是重点关注媒介。
  •  线性平均归因:将功劳平均分配给转化路径中的每个渠道。案例中,每个渠道的订单贡献都是25%。适用场景:如果广告或推广活动的目的是在整个销售周期内保持与客户的联系并维持品牌的认知度,则适合使用此模型。在这种情况下,每个接触点在客户考虑的过程中都同等重要。
  •  随时间衰减归因:如果销售周期中涉及到的考虑阶段较短,那么更适合时间衰减模式,该模型向最接近转化发生时间的互动分配最多的功劳。案例中,不同渠道的订单贡献作用与其最后接触的时间相关,渠道位置离订单转化越近,订单贡献作用越大,因此各个渠道的订单贡献作用依次为:SEM品牌区>友情链接>SEM关键字>微博>Sina Banner。适用场合:如果投放短期的促销广告活动,可能希望将更多的功劳分配给促销期间的产生互动的媒介,在这种情况下,与接近转化的接触点相比,一周之前发生的互动只有很少的价值。通常企业大促销情况下这种模型较为合适,“时间衰减”模式能够适当地将功劳分配给促成转化前一两天的接触点。
  •  根据位置的综合归因:根据位置综合归因的模式结合了以上全部模型因素,根据不同渠道在整个订单周期内位置进行权重分配。案例中不同渠道的订单贡献根据设置而定,Google Analytics将权重划分为最终进入渠道、中间辅助渠道、最终转化渠道三类,Webtrekk将渠道归因细分到五种位置:第一进入渠道、第二渠道、中间渠道、倒数第二渠道、最后渠道。对位置的定义越详细,可以细分的维度和视角越多。图4-15是Webtrekk根据位置的多重归因模型。适用场合:侧重于对用户整个转化周期内所有渠道的评估,适用于大多数企业场景。

如4-15 Webtrekk订单根据位置的多重归因模型

小提示 对于根据位置综合归因的模型,权重分配通常是为最初进入渠道和最末进入渠道订单贡献较大,其他渠道贡献较弱。如图中默认第一和末端渠道权重分别为30%和40%,其他渠道平均都是10%。

路径功能配置

路径指的是用户在网站不同页面间的流量动向,也可以指不同用户行为事件间的前后访问关系。所有的路径功能都是以用户ID或访客ID为唯一用户识别标识,以不同页面、事件、目标、转化等时间戳排序生成路径。路径功能是将网站分析由点带入线的重要功能,它拓展了传统网站分析只能针对某个维度分析的狭窄视角,使基于维度的前后关系的数据分析能力得到提升。

路径功能在页面、目标、事件和转化上应用较为广泛,形成页面流、目标流、事件流、转化流等。大多数情况下路径功能无需设置,只需要直接应用即可。

页面路径常用于分析不同页面引流和前后路径关系,如用户从活动页落地后如何分流、典型客户(购买某品类)的路径特征、客户网站访问动线、页面广告资源挖掘、站内多页面流程设计优化等。大多数网站分析系统只能提供基于流量(通常是PV)的单维度路径,有些强大的分析系统或插件能实现三维路径分析,图4-16展示的是Discover的页面路径分析功能,它提供了三个维度分析视角并通过立体图形展示,其中每个维度的指标都可以自定义。不仅如此,图中黄色区域是增强路径图,该图支持缩放功能,并且可以三维旋转。

图4-16 Discover三维页面路径图

小提示 Discover是Adobe Analytics的一部分,通常翻译为临时分析。Discover类似于一个数据分析的工作台,所有的数据维度、粒度、指标都可以任意拖拽,同时支持无限下钻,它的功能非常强大,在经验丰富、能力出众的分析师的应用下,它的分析能力几乎是无穷的。

目标路径、事件路径、转化路径是指用户在不同目标、事件和转化之间的流量转换和交互,应用侧重于不同转化之间的完成和流转关系。漏斗功能也可以实现不同对象间完成关系的分析,其与路径的区别在于:路径可以形象的表现用户在所有对象间的行为关系,表现在从任意一个节点转换到其他任意节点,完整覆盖用户在所有对象间的访问;而漏斗只能看到用户从上一级节点到下一级节点的转化关系。

图4-17是一个目标路径,其中定义了首页、Weanbeles列表页、Dragon T恤产品页、加入购物车这4个目标。根据目标路径发现,用户的路径不是完全按照网站设计的路径首页→列表页→产品页→购物车页行动:直接流量直接到达产品页,部分用户从列表页直接加入购物车而未查看商品详细信息,而且这部分用户的比例超过从产品页进入购物车的用户。

图4-17 Universal Analytics目标路径

路径功能的作用不限于站内用户行为分析,还可应用于站外渠道分析。通过站外渠道路径分析,我们不仅可以分析用户是从哪个渠道来的,更可以分析用户在该渠道之前是从哪个渠道来的,之后又会从哪个渠道进入网站,在最终形成的转化路径中,到底哪些路径是用户最常使用的“偏好路径”。如有的用户习惯于从A→B进入网站成单,有的用户习惯于A→C→B成单,还有的用户习惯于A→A→A→B成单。

站外渠道路径分析可以得到汇总级别的路径数据,如SEM、广告、新媒体等推广模块之间用户的交叉访问行为,又可以细分渠道如新浪广告、微博、暴风影音等渠道的用户访问行为,甚至还可以细分到SEM中用户到达网站关键字之间路径数据。图4-18为不同渠道之间的路径数据。

 

图4-18不同渠道间路径数据

基于以上推广模块、渠道设置细分关键字的路径信息,我们能应用到哪些业务场景?

 整合营销传播是否适用于企业推广?如果数据发现大部分用户只通过一个渠道进入网站就可以成单,而对其他渠道的交叉访问或依赖关系较弱,是否间接说明渠道整合程度较低或目前不具有太高的重要性?

 拓展了渠道评估的视野。在做渠道效果评估时,除了评估渠道的CPC、ROI、转化率、订单成本等指标外,还需要综合分析该渠道对其他渠道的“辅助”引流和订单贡献作用。

 渠道落地细节优化。在转化路径中,不同推广渠道是否具有明显的位置特点或集中趋势?如展示类、广告类渠道明显处于用户转化路径的前期,距离订单转化点较远;SEM和直接输入明显处于转化的末端,距离订单转化点较近。在广告投放时,是否可以综合考虑各个渠道的媒体排期?针对不同渠道间的交叉访问,是否存在流量交叉覆盖或需要关联投放?整个广告活动的前、中、后期推广策略,如何根据路径的渠道顺序、转化时间进行优化

关联模型配置

数据挖掘和网站分析在大多数情况下属于两个领域,网站分析系统对数据挖掘算法的应用较少,现介绍Webtrekk系统集成的数据挖掘算法及其应用。

Webtrekk将关联模型算法封装到底层算法,该算法可以应用到页面关联分析、站内外搜索词关联分析、产品浏览关联分析、产品购买交叉分析、渠道访问交叉分析。在使用该报表和数据之前,需要先在Webtrekk中配置关联模型相关维度和参数,如图4-19所示。

  •  关联分析的算法支持交叉销售算法和向上销售算法两种;
  •  数据集都是基于Raw Data(原始在线采集数据);
  •  数据计算时间可设置为每天、每小时或一次;
  •  挖掘维度支持页面、渠道、产品、广告、站内外搜索词的浏览和购买关联;
  •  支持数据挖掘的高级配置。支持最小频繁度,分析类别选择追加销售序列分析时还可设置追加的数据集时间,支持基于细分群体的关联,如只看某个页面的关联效果,只需要过滤该页面即可。

图4-19 Webtrekk关联模型配置

实施配置并完成数据处理后,数据报告如下图4-20所示。

图4-20 Webtrekk渠道关联报表数据

Webtrekk的关联模型应用范围广泛,它可以提供以下数据价值洞察:

  •  用户搜索了站内A关键词之后通常会优化搜索哪个关键词
  •  用户在看了A页面之后,通常还会看哪个页面?
  •  用户买了A产品之后,还会一起买哪个产品?下次又会买哪个产品?
  •  用户从A渠道进入网站之后,通常还会从哪个渠道再次进入?

在所有的数据挖掘类算法中,规则提取类是最受业务应用关注的算法,原因是提取后的规则可直接帮助业务开展业务活动,实用价值最高(规则提取类算法包括关联、回归、决策树等以直接目标为分析导向,提取能实现目标规则的算法,如购买A的用户下一次通常会购买B)。

异常检测模型

异常检测模型是通过一定的数据挖掘算法,发现不符合数据趋势中异常点的一类数据分析方法,该模型目前仅在Adobe Analytics中提供。数据异常检测可以从“噪音”分开“真正的信号”,然后确定导致这些信号或异常现象的潜在因素。换句话说,它可以让你识别哪些是真正的异常,然后针对性的寻找原因。此外,还可以得到可靠的指标( KPI)预测值。常用场景包括:

  •  监测网站平均订单价值、订单量、订单转化率波动
  •  注册或登录的异常变化
  •  某个登陆页面浏览量趋势
  •  正在投入巨额广告费的渠道效果波动
  •  网站跳出率情况是否正常波动

如图4-21是某网站针对跳出率的一个异常检测报告结果,它提供了以下几个信息点:

  •  是否异常:是
  •  几个异常点:1个
  •  异常时间:11月12日
  •  如何异常:跳出率高于预测区间的上限

图4-21 Adobe Analytics异常检测报表

Adobe Analytics使用的是时间序列的预测方法,由三种算法组成:

  •  Holt Winters Multiplicative (Triple Exponential Smoothing)——霍尔特温特斯乘法(三重指数平滑法)
  •  Holt Winters Additive (Triple Exponential Smoothing)——霍尔特温特斯加法(三重指数平滑法)
  •  Holts Trend Corrected (Double Exponential Smoothing)——Holts趋势校正(双指数平滑法)

这三种算法实际上共同组成了温特斯季节指数平滑模型,其基本思想是把具体线性趋势、季节变动和随机变动的时间序列进行分解研究,并与指数平滑法相结合,分别对长期趋势(U t)、趋势的增量(B t)和季节变动(F t)作出估计,与指数平滑法结合起来,可以同时处理趋势和季节性变化,并能将随机波动的影响适当地过滤掉,然后建立预测模型,因此,特别适用于包含趋势和季节变化的时间序列的预测问题。

该模型配置比较简单,所有算法都已经封装到系统内部,用户只需要进入后台设置训练数据集、数据时间、数据维度即可:

  •  数据训练集时间:数据训练集,即要进行计算和处理的样本数据的时间范围,(默认截止到昨天)数据训练集的时间可选项为30天、60天、90天。
  •  数据查看集时间:与数据训练集时间选项相同,不同点在于数据直接用来验证训练集的结果。
  •  数据指标和维度:异常检测可以针对全站所有的维度和指标进行预测。默认情况下,系统后台是针对全站的异常检测配置,针对自定义维度设置预警需要额外配置。图4-22展示的是针对BD模块UV预警

图4-22 针对BD模块UV预警设置



除非注明,本博客文章均为 数据研究与商业应用(TonySong) 原创.
转载请注明本文地址: http://www.searchmarketingart.com/4-3system-config-2.html