《商务与经济统计》学习笔记(二)---辛普森悖论

阅读之前看这里👉:博主是正在学习数据分析的一员,博客记录的是在学习过程中一些总结,也希望和大家一起进步,在记录之时,未免存在很多疏漏和不全,如有问题,还请私聊博主指正。
博客地址:天阑之蓝的博客,学习过程中不免有困难和迷茫,希望大家都能在这学习的过程中肯定自己,超越自己,最终创造自己。

辛普森悖论

定义:辛普森悖论为英国统计学家E.H.辛普森于1951年提出的悖论,即在某个条件下的两组数据,分别讨论时都会满足某种性质,可是一旦合并考虑,却可能导致相反的结论。
常见举例:
一所美国高校的两个学院,分别是:
在这里插入图片描述
法学院和商学院,新学期招生。人们怀疑这两个学院有性别歧视,现作如下统计:

从上图显示的数据我们可以看到,法学院男生的录取比例为8/53=15.1%,女生录取的比例为51/152=33.6%。同理,商学院男生的录取比例为80.1%,女生的录取比例为91.1%

无论在法学院还是在商学院,女生的录取比例都高于男生,由此可以推断学校在招生时更倾向于招女生吗?
在这里插入图片描述

当计算全校录取情况时,男生录取的比例为209/304=68.8%,女生录取的比例为143/253=56.5%。男生的录取率要高于女生,这下,恐怕要轮到女生感到不公了。

那么问题来了:该大学的招生政策,到底有没有性别歧视?到底是歧视男生还是女生?
先不说结论,我们再来看一个实际工作中会遇到的案例。

某产品的用户中有10000人使用Android设备、5000人使用IOS设备,整体的付费转化率应该是5%。细分发现其中IOS设备的转化率仅为4%,而Android设备则是5.5%。“聪明”的数据分析师得出结论:IOS平台的用户付费转化率低下,建议放弃IOS平台的研发。

一般来说,IOS平板的付费转化率比Android平板高出很多,而IOS手机的转化率也相对更好。这种情况下,设备类型就是复杂变量,如果数据是根据设备类型得到,那么其他的数据就可能被完全忽略。
接下来我们来对比这一组数据:
在这里插入图片描述
由此可见,Android设备转化率无论在平板端还是在手机端的转化率都小于IOS设备,这也很我们的常规预期相符。
在这里插入图片描述
当计算全设备情况时,Android的转化比例为550/10000=5.5%,IOS的转化比例只有200/5000=4.0%。这也是题干中“聪明”的数据分析师得出IOS版本应该下线的根源。
原因与应对策略:

误区产生的原因说起来也很简单,就在于将“值与量”两个维度的数据,归纳成了“值”一个维度的数据,并进行了合并

如果要避免“辛普森悖论”给我们带来的误区,就需要斟酌个别分组的权重,以一定的系数去消除以分组资料基数差异所造成的影响。而在实际转化例子中,就需要用如“ARPU”、“ARPPU”这样看似相似实际上有很大差异的指标来进行分割。

ARPU:每用户平均收入。这个指标计算的是某时间段内平均每个活跃用户为应用创造的收入。如果按天来计算,ARPU就是ARPDAU。
A R P U = 应 用 收 益 / 应 用 活 跃 用 户 ARPU=应用收益/应用活跃用户 ARPU=/

ARPU的计算中,所有的用户都被纳入了计算范围——无论是付费用户或非付费用户。ARPU是评估应用变现有效性的指标:ARPU越高,就代表用户在这段时间内为应用带来的变现收入就越多。

ARPU可用于评估应用中的变动是否能有效提升变现收益:如果ARPU提升,证明应用的变动有利于提升应用变现收益;如果ARPU不升反降,应用开发者可能就需要确认一下变动的有效性了。

ARPPU称为每付费用户平均收益。这个指标考核的是某时间段内平均每个付费用户为应用创造的收入。在用户数量上,ARPPU只考虑某一时间段内的付费用户,而非该时间段内所有的活跃用户。
A R P P U = 应 用 收 益 / 应 用 付 费 用 户 ARPPU = 应用收益/应用付费用户 ARPPU=/ 由于分母上数值较小(付费用户<全体活跃用户),对于同一时间的同一应用而言,ARPPU的数值会明显高于ARPU。
ARPPU能够反映付费用户为你的应用带来了多少收益,显示出一个忠诚付费用户实际上愿意支付的金额。同时,这个指标也可以显示用户对一些付费项目的反应。
应用提高收费价格,ARPPU会有一定的提升。但这并不意味着盈利也随之增长,因为涨价往往会让一些无法接受新价格的用户停止付费,导致付费用户规模下降。因此,ARPU与ARPPU两者的关系其实可以这样表达:
A R P U = A R P P U ∗ 付 费 用 户 比 例 ARPU = ARPPU * 付费用户比例 ARPU=ARPPU

在实际应用中,还有一个十分有用的指标:累计ARPU。

如果说ARPU计算的是一个时间段内全部用户产生的应用收益,累计ARPU则聚焦在一定时间段内的某组用户群体对应用产生的收益。

累计ARPU通常以一段时间为计算单位,比如说1天、7天、14天、30天等等。举个例子,ARPU可以用于计算10月1日下载应用的100名用户在30天内平均每人为应用带来了多少收益。

因此,累积ARPU是一个不断增长的数值,因为计算的用户对象数值不变,但是产生的收益却在一直增长。如果应用表现良好,流量购买就发挥效果,累积ARPU的值迟早都会超过CPI(cost per install,单次安装成本)。这就意味着,你买的量开始给你盈利了,ROI从此超过100%。

当时间范围延长,累积ARPU无限接近一个极限值,这就是我们常说的LTV指数了。

同样地,如果要更客观分析产品的运营情况,就需要设立更多角度去综合评判。还是拿上述的设备转化率为例,产品层考虑转化的前提会优先考虑分发量、用户量、运营思路、口碑等等。而往往为了实现最后的转化需要,需要更多前置目标做铺垫。
常用的前置目标:

  • 用户量:免费产品需要很大的用户量才能获得足够的总收入,因为该模式的转化率极低。而这些用户通常来自全球各个地区,使用各种不同类型的设备。针对不同的设备类型,采用通用的平均值是没有意义的。
  • LTV范围:免费产品需要很长的货币化周期,把用户消费当作玩家是否开心的依据,就像参与度和消费紧密相关一样,因此可以作为分类的标准。

大多数的用户是不会付费的,免费产品的综合付费转化率比较低,是因为把付费玩家和非付费玩家综合到了一起,所以任何对免费用户的衡量都是非常低的。因为大多数的用户是不付费的,所以ARPU以及ARPPU相差很多。

A/B测试中的注意点:

联想到产品运营的实践,一个常见的A/B测试误判例子是这样的:拿1%用户跑了一个重大版本,发现试验版本购买率比对照版本高,就说试验版本更好,我们应该发布试验版本

而事实上,我们选取的试验组里往往会挑选那些乐于交流、热衷产品、又或者是付费率高粘性高的用户,把他们的数据与全体用户对比是不客观的。当最后发布试验版本时,反而可能降低用户体验,甚至造成用户留存和营收数据的双双下降。

收获与总结

避免辛普森悖论的关键是要同时参考不同用户间的事实全貌

第一,准确的用户分群在数据分析中是非常重要的,尤其是在免费产品当中,平均用户不仅不存在,而且是误导研发的因素之一,所以关键在于利用特征将用户进行合理划分

第二,在一个具体的产品中,普适型的数据(如粗暴的对比IOS和Android总体情况)是没有多大参考意义的,一定要细分到具体设备、国家、获取渠道、消费能力等等再进行比对才有价值

第三,斟酌个别分组的权重,以一定的系数去消除以分组资料基数差异所造成的影响,同时必需了解该情境是否存在其他潜在要因而综合考虑

作者:数数科技,公众号,数数科技(ThinkingData)
转载微信链接
转载网址链接

  • 1
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值