让我们采用以下数据集。在列中,我们有参与活动,并且我们有连续参与的渠道。该数据集保持时间顺序。我们为每个营销渠道分配了一个固定的数值,并以这样一种方式显示它们:在 x 列中,x 的参与度是从具有相应营销渠道的用户那里获取的。
我们已经转换了通道 21 中的数据。因此,数据集包含用户转换的旅程。
让我们通过导入必要的库来迈出第一步。在这里,您必须导入 Pandas 库进行数据操作,Seaborn进行数据分析,Matplotlib进行数据可视化,以及创建新流程的子流程。
下一步是加载数据集,您可以使用 pd.read_csv() 函数来完成。现在,您需要使用 df.columns 获取列列表。完成后,您可以遍历列以将所有整数更改为字符串。之后,必须清理数据点。
这里,需要用到马尔科夫链框架;因此,您需要将用户旅程放在一个变量中。您需要将其视为第一通道>第二通道>第三通道等形式。下一段代码将执行此活动。
在数据集中,通道号 21 是转换事件。因此,我们需要将此通道与原始路径分离。之后,您必须创建另一个转换变量来保存成功转换的数量。以下代码块将完成此操作。
恭喜,您已完成数据操作过程!
现在,您必须获取下一步需要转发的列子集,因为您的数据集仍然具有原始数据集。您还需要在此处对用户数据进行分组,因为许多用户可以进行相同的旅程。
您的转化变量将分别包含每个客户旅程的转化次数。此外,我们需要创建另一个 CSV 文件来存储路径数据。您可以使用此 CSV 文件来运行归因方法。
现在,您有两个选择。第一个是使用 pip 安装频道归因模块。要安装此模块,只需转到您的终端,然后编写以下内容:
pip install --upgrade setuptools
pip install Cython
pip install ChannelAttribution
第二种选择是您自己在Python中创建马尔可夫网络/链。尽管如此,将 Python 代码与 R 编程语言中的“ChannelAttribution”库集成会更快。该库包含频道归因的所有可执行组件。您可以使用 Python 库子流程来完成此操作。
如果您想计算第一次触摸归因,以下代码块将帮助您。
与第一次触摸类似,您也可以计算最后一次触摸的归因。以下代码块将完成此操作。
另外,如果需要计算线性归因,可以运行下面这段代码。
现在,您可以按照分步过程使用 Python 编程语言构建多渠道归因模型。试一试,看看结果。
实施数据驱动归因模型的挑战
=============
领先的营销人员依赖数据驱动的归因模型,因为它可以有效地确定接触点对客户旅程的影响。品牌现在可以获取他们需要的数据并进行分析,因为这有助于他们根据客户洞察改进营销策略。
但是,在实施数据驱动的归因模型时,您可能会面临各种挑战。这些包括:
-
采取行动或获得洞察力之间的两难选择可能是您将面临的根本挑战。您将始终希望添加一个新的数据点,这将为您提供更多见解。它可能会导致缓慢的改进和升级。
-
有各种可用的归因模型。因此,您需要从各种选项中进行选择。大多数情况下,特定的归因模型会带来优化的结果。因此,找到完美的模型具有挑战性,需要更多的研究。
-
你会发现各种工具来实现。但是你需要选择完美的组合。您的团队必须知识渊博,才能克服这一挑战。
-
您需要整合离线和在线接触点,以获得正确的客户洞察力。因此,您可能会面临许多挑战,例如准确记录客户洞察、识别每个接触点的唯一键、影响问题等。
每种情况都需要一个独特的解决方案。需要耐心分析问题以提出最佳解决方案。每个公司可能有不同的要求,团队成员之间需要出色的协调和同步来满足特定需求。
(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!