所有用户的接触点并非“生而平等”,用户的行为路径复杂难测,企业迫切需要进行广告位或运营位的价值判断,从而优化广告资源组合与分配。归因分析已经成为企业精细化运营必不可少的利刃。

神策分析 1.14 版本正式上线的归因模型(如下图),支持深入业务场景,可完整还原用户行为序列,科学量化各引流位置的贡献结果,通过最优化资源分配实现投资回报率最大化。在《神策分析 1.14 版本上线,使用归因分析量化目标贡献占比》一文中我们初步介绍了归因分析给用户带来的价值。

图 归因分析界面

本文将围绕以下两个方面进行深入阐述。 客户案例:常见坑位运营场景解析 归因分析背后的计算原理及演绎

一、常见坑位运营场景解析:全面诊断首页坑位,定位优化点

A 公司是一家文化媒体电商平台,该公司通过神策分析实现用户行为分析,同时神策团队为其提供整体收益相关的咨询服务。其运营团队每天、每周、每月都会生成归因报告,用以阶段性评估产品的流量质量、流量引导效果,以及页面布局优化。

下面以其近期的一次首页坑位归因为例。坑位归因,顾名思义,是将产品最终收益的功劳分配给转化路径中各个不同的坑位上。坑位的核心目的是“流量引导”,当流量流入在线产品(如电商、在线教育等)后,运营人员需要引导其完成购买任务,以实现流量价值最大化。A 公司运营人员希望全面了解各坑位的运营状况,从而找到优化重点。

首先,运营人员通过神策分析的归因分析模型,以“支付订单”为“目标转化事件”,以“秒杀”“分类列表”“大专题”“直播”“每日好店”“我的频道”“快讯”“排行榜”为“待归因事件”。

图 诊断首页坑位运营状况示意图(点击放大可看高清大图) 在神策分析进行参数设置后,首页各坑位的运营情况一目了然。我们不难发现,不同坑位的贡献度差异很大,在当前的产品版本中,“秒杀”坑位的贡献度最高。此外,结合各坑位的总点击数和有效转化的点击率,会发现一些数据与团队最初“拍脑袋”的结论相差较大的问题,但同时也定位了优化点:

(1)在运营人员的传统认知中,一直认为“分类”功能较为难用,所以用户会很少使用,但认知与实际情况大相径庭。通过归因分析发现,实际上使用该功能的成交比率非常高,这警醒了产品人员:应立即开始着手优化目录引导功能。

(2)“大专题”导入用户流量高,但转化率相对较低。因此要么优化该页面的转化率,要么将用户流量导向其它页面更为合理。

(3)“直播”“快讯”等坑位转化率高,但流量相对少,后续应该进行页面设计以提供更便捷的入口。

综上,归因分析帮助运营人员全面诊断首页坑位,快速定位优化点。其实还可以针对不同的优化点进行深度下钻分析,查看每一个优化点对应的细分表现,例如查看不同的“大专题活动”,通过带来的贡献收入进行“大专题活动”的优化等。

二、归因分析背后的计算原理及演绎

神策归因分析背后的计算逻辑是如何的?本部分将从归因分析模型参数配置、归因分析模型的计算原理演绎两个方面来介绍。

(一)归因分析模型参数配置 依托神策分析全端数据采集,通过时间序列精准还原用户路径,运营人员可掌握“用户何时点击了某个运营位”以及“用户何时完成了目标事件”,再通过用户行为之间的关联关系,最终得到“用户点击了哪些运营位后发生了目标转化”的“运营位序列”。用户从浏览到最终转化路径的构建与完整还原,以及精准的“运营位序列”,为后续科学归因打下了良好的数据基础。基于此,用户经过参数设置,即可准确地衡量用户转化路径上每个接触点的贡献度。

在神策分析上,进行一次完整归因分析,用户首先需要进行归因分析模型参数的配置,即选择“目标转化事件”“前向关联事件”“待归因事件”的配置。下表给予了配置此参数的一些建议。 图 归因分析模型配置建议(点击放大可看高清大图)

事实上,用户对“归因窗口期”“目标转化事件时间范围”和“分析模型”的参数设置,控制了归因的计算数据范围和归因模型。

顾名思义,“归因窗口期”会将“目标转化事件”发生的前某段时间内的“待归因事件”会被计算在本次归因的贡献中;“目标转化事件时间范围”则筛选某时间段内的“目标转化事件”。

基于运营位序列,归因模型为“运营位序列”进行功劳的分配,神策数据支持 5 种归因模型的分析与结果查看,包括“首次触点归因”“末次触点归因”“线性归因”“位置归因”“时间衰减归因”。基于不同规则与算法的归因方法提供了强大的用户行为分析能力,运营人员可以根据自己的业务需求、与用户的实际交互模式灵活地选择最适合的分析模型,如下图。 图 五种归因模型(点击放大可看高清大图)

(二)归因分析模型的计算原理演绎 我们不妨进行一次计算演绎,下图是通过神策分析所得到某电商用户行为序列图示。在图示中,各字母代表的含义是 D-广告位、Q-商品详情页、D-推荐位、M-购买商品。目标转化事件是“购买商品”,为了更好地“配对”,运营人员将 M1(目标转化事件——购买商品1)与 Q1(前项关联事件——商品 1 详情)设置了属性关联,同样将 M2 与 Q2 进行关联。

该场景中,发生了两次购买行为,神策分析进行归因时会进行两轮计算,产生计算结果。

(一)第一轮计算: 第一步,从 M1 开始向前遍历寻找 Q1 以及离 Q1 最近发生的广告浏览。 如图所示,不难得到结果 M1=[Dc,Dc,Da]。 第二步,我们带入分析模型中,进行功劳的分配。运营人员选择“位置归因”的分析模型,根据“位置归因”的计算逻辑,第一个“待归因事件”和最后一个“待归因事件”各占 40%,中间平分 20%。 第一轮我们得到结果:Dc=0.4;Dc=0.2;Da=0.4

(二)第二轮计算 从 M2 开始向前遍历寻找 Q2 以及离 Q2 最近发生的广告浏览。

这里值得强调的是,即使第一轮中计算过该广告,在本轮计算时依然会参与到计算中,因为经常会出现一个广告位同时推荐多个商品的情况。

我们不难得到结论,M2=[Dc,Db]。基于这个结论,我们通过“位置归因” 得到结果:Dc=0.5;Db=0.5(不足 3 个时会有特殊处理)。

经过两轮计算,我们得出结论:Dc=1.1;Da=0.4;Db=0.5,则广告位 c 的贡献最大、广告位 b 贡献次之,广告位 a 的贡献最小。

综上所述,神策分析新版本的归因分析模型,依赖深度计算逻辑,精准还原用户行为序列。神策分析提供的 5 种分析模型,可以满结合业务的日常归因分析场景,让使用者得心应手,随心所欲进行深度分析用户行为,寻找工作的优化点,更靠谱地制定更加精细的运营策略。

更多互联网干货和案例,可关注【神策数据】公众号了解~