数据分析系列：归因分析原理、案例（附python代码）

最新推荐文章于 2024-06-11 09:15:47 发布

nbszg

最新推荐文章于 2024-06-11 09:15:47 发布

阅读量1.9w

点赞数 3

分类专栏：数据分析数学文章标签：数据分析

本文链接：https://blog.csdn.net/u011517132/article/details/105489474

版权

数学同时被 2 个专栏收录

19 篇文章 8 订阅

订阅专栏

数据分析

13 篇文章 27 订阅

订阅专栏

本文主要对以下指标的计算和解释进行阐述，并使用案例说明，最后利用python编写代码进行计算：

risk ratios and rate ratios（风险比率和比率比率，RR）
risk difference and rate difference（风险差异和利率差异， RD）
attributable proportion (attributable risk percent) for the exposed（风险承担的可占比例（可归属风险百分比）， AP）
population attributable risk（人口归因风险，PAF）
odds ratio（比率， OR）

我们使用的案例如下，假设一种产品来源于两个营销渠道，我们记录了每个渠道的转化人数和未转化人数（转化可以定义为点击、充值等）

营销渠道	转化	未转化	求和	转化率
渠道A	159	2841	3000	159/3000=5.30%
渠道B	46	3454	3500	46/3500=1.31%
总计	205	6295	6500	205/6500=3.15%

归因分析指标计算

1：计算Risk Ratio（风险比率）、Rate Ratio（比率）

Risk Ratio（风险比率）通常也称为Rate Ratio（比率），表示一个相对于一个因素B，另一个因素A条件下转化率相对于因素B的转化率的倍数（A,B可以理解为实验组和对照组）。
在这里插入图片描述
其中 $CI_e$ 是渠道A的转化率， $CI_u$ 是渠道B的转化率。

营销渠道	转化	未转化	求和	转化率
渠道A	159	2841	3000	159/3000=5.30%
不暴露	46	3454	3500	46/3500=1.31%
总计	205	6295	6500	205/6500=3.15%

Risk Ration（RR） = 5.30%/1.31% = 4.04
解释：渠道A的转化率是不暴露组的转化率的4.04倍（Risk Ration（RR）=4.04），同时认为渠道A的转化率相比于比不暴露组的转化率提升了了404%-100%=304%（此处含义是以B为基准，相对的含义）

结论：

相对不暴露组的转化率而言，渠道A的转化率是不暴露组的4.04倍
相比于不暴露组而言，渠道A的转化率相对于B的转化率提升了304%（并不转化率是真的提升304%，而是在B的基础上提升了304%的B的转转化率）

若我们有多组实验，可以用同样的方法计算

2：计算Risk Difference（风险差异）、Rate Difference（比率差异）

Risk Difference（风险差异）也被称为Rate Difference（比率差异）
在这里插入图片描述
其中 $CI_e$ 是渠道A的转化率， $CI_u$ 是不暴露组的转化率。Risk Difference（风险差异）的理解非常直观。就是直观的两个渠道转化率的差异。
由RR与RD的公式可知两者的转换关系为：
$RD/CI_u=RR-1$
利用上面例子的数据，计算出RD = 5.30%-1.31%=3.99%。代表了渠道A去渠道B的转化率差异为3.99%。

Risk Ratio与Risk Difference的出发角度不同，Risk Ratio衡量的是
渠道A相对于不暴露组提升了多少，可用于衡量改进的效果，而Risk Difference直接衡量了转化率（收益）提升了多少。Risk Ratio是相对的，Risk Difference是绝对的

3：计算Attribution Proportion

Attribution Proportion（归因分数）表示了该渠道人群中有多少是因为该渠道发生转化的。
在这里插入图片描述
利用上面数据。计算出
$\frac{5.30\%-1.31\%}{5.30\%} = 75.28\%$

如果B代表是未参加渠道展示，则对于计算出的归因分数（Attribution Proportion），可以解释如下：渠道A展示的用户中，有75.28%的用户是因为渠道A的展示而发生了转化。

如果我们对Attribution Proportion的分子、分母同时除以 $CI_u$ ，则Attribution Proportion公式变为如下形式：
$\frac{RR-1}{RR}$

我们再利用新公式计算一次，利用上面计算的RR= 4.04，计算出
$\frac{4.04-1}{4.04} = 75.28\%$

4：计算人口归因分数（PAF）

人口归因分数（PAF） Population Attributable Fraction也称为人群归因危险度PAR（Population Attributable Risk）。表示的是，所有转化人群中，有多少因为一个因素而进行转化的。

最直接的计算方式就是：渠道A转化人群占总转化人群比例*渠道A的AP，在上面例子中，转化人群中，有77.5%的人来自渠道A。因此，我们可以认为总人群中有77.5%*75.28%=58.38%的人是因为渠道A的展示发生了转化。

同时，我们也可以通过如下方式进行计算PAF
在这里插入图片描述
其中， $P_{pop}$ =渠道A人数占总人数比例。

我们利用上面公式进行计算，先计算渠道A人数占总人数比例=3000/6500=0.4615，之后计算PAF：
$\frac{0.4615*(4.04-1)}{0.4615*(4.04-1)+1} = 58.38\%$
计算出的PAF与上面采用直接结算得到结果是相同的。代表了，所有转化人数中，有58.38%的人是因为渠道A的展示发生了转化。

在应用中，因为转化率通常都比较低，因此，我们还可以用几率（Odds Ratio）近似代替RR，来计算每个因子的归因分数。

5：计算几率（Odds Ratio）

上面说到了，可以利用几率（Odds Ratio）近似代替RR，作为RR的估计。Odds Ratio（OR）的计算公式如下：
$\frac{Y1_A/Y1_B}{Y2_A/Y2_B}$

其中Y1_A是渠道A的转化人数，Y1_B是不暴露组的转化人数，Y2_A是渠道A的未转化人数， Y2_B是不暴露组的未转化人数。

我们将上面例子数据代入计算得到：
$\frac{159/46}{2841/3454} =4.258$

上面已经计算出RR=4.04。对比计算结果，OR与RR的结果近似。

当用OR代替RR后，AP和PAF的估计如下：
$\frac{OR-1}{OR}$
$\frac{P_{pop}*(OR-1)}{P_{pop}*(OR-1)+1}$

我们带入数据进行计算：
$\frac{4.258-1}{4.258} =76.51\%$
$\frac{0.4615*(4.258-1)}{0.4615*(4.258-1)+1} = 60.05\%$

其中AP=76.51%代表渠道A的转化用户中有76.51%是因为渠道A展示发生了转化，PAF=60.05%代表了，所有转化用户中，有60.05%是因为渠道A发生了转化。

为什么要利用OR作为RR的近似估计去计算AP和PAF？这主要是因为，在转化率比较低的情况下（现实中转化率通常比较低），OR约等于RR。还有一个原因是，在实际中，有一些未转化人群我们是统计不到的，此时渠道A的转化率和不暴露组的转化率就无法计算，就无法准确计算RR，此时可用OR近似代替。而且在一些归隐分析模型中，例如逻辑回归等，只能通过系数 $β$ 计算出OR，不能直接计算出RR。

归因分析python代码

我们使用上面案例数据，数据有三列，第一列为user_id(主键)，第二列为对应的营销渠道，第三列为是否转化。
导入数据后，对数据观察如下：

import pandas as pd
import numpy as np

AD_data = pd.read_csv("D:/data/Attribution_test/AD_data.csv")
print(AD_data.head(20))

在这里插入图片描述
接下来编写Attribution_Analysis类来进行归因分析：

import pandas as pd
import numpy as np

class Attribution_Analysis:
    def __init__(self, channel, label, user_id):
        self.AD_data = pd.DataFrame(np.array([channel, label, user_id]).T, columns=['channel', 'label', 'user_id'])
        
    #计算RR    
    def _RR_cul(self):
        self.RR=[]
        for chn1, chn2 in self.channel_comb:
            #计算要对比的两个渠道的转化率
            rr_value = float(self.AD_count[(self.AD_count['channel']==chn1)&(self.AD_count['label']==1)]['trans_rate'])/float(self.AD_count[(self.AD_count['channel']==chn2)&(self.AD_count['label']==1)]['trans_rate'])
            self.RR.append(rr_value)
            print("渠道{0}相对于渠道{1}的风险比率RR为:{2}".format(chn1,chn2,self.RR[-1]))
                    
    
    #计算RD
    def _RD_cul(self):
        self.RD = []
        for chn1, chn2 in self.channel_comb:
            rd_value = float(self.AD_count[(self.AD_count['channel']==chn1)&(self.AD_count['label']==1)]['trans_rate'])-float(self.AD_count[(self.AD_count['channel']==chn2)&(self.AD_count['label']==1)]['trans_rate'])
            self.RD.append(rd_value)
            print("渠道{0}相对于渠道{1}的风险差异RD为:{2}".format(chn1,chn2,self.RD[-1]))
    
    #计算OR
    def _OR_cul(self):
        self.OR = []
        for chn1, chn2 in self.channel_comb:
            numerator = float(self.AD_count[(self.AD_count['channel']==chn1)&(self.AD_count['label']==1)]['user_count'])/float(self.AD_count[(self.AD_count['channel']==chn2)&(self.AD_count['label']==1)]['user_count'])
            denominator = float(self.AD_count[(self.AD_count['channel']==chn1)&(self.AD_count['label']==0)]['user_count'])/float(self.AD_count[(self.AD_count['channel']==chn2)&(self.AD_count['label']==0)]['user_count'])
            or_value = numerator/denominator
            self.OR.append(or_value)
            print("渠道{0}相对于渠道{1}的几率OR为:{2}".format(chn1,chn2,self.OR[-1]))
            
    #计算AP
    def _AP_cul(self):
        self.AP = []
        for i in range(len(self.channel_comb)):
            chn1 = self.channel_comb[i][0]
            chn2 = self.channel_comb[i][1]
            ap_value = (self.OR[i]-1)/self.OR[i]
            self.AP.append(ap_value)
            print("渠道{0}相对于渠道{1}的归因分数AP为：{2}".format(chn1,chn2,self.AP[-1]))
    
    #计算PAF
    def _PAF_cul(self):
        self.PAF = []
        for i in range(len(self.channel_comb)):
            chn1 = self.channel_comb[i][0]
            chn2 = self.channel_comb[i][1]
            pop = float(self.AD_count[(self.AD_count['channel']==chn1)&(self.AD_count['label']==1)]['total_count'])/self.AD_count['user_count'].sum()
            paf_value = (pop*(self.OR[i]-1))/(pop*(self.OR[i]-1)+1)
            self.PAF.append(paf_value)
            print("渠道{0}相对于渠道{1}的人口归因分数PAF为：{2}".format(chn1,chn2,self.PAF[-1]))
        
    
    #进行归因分析
    def attribution_analysis(self):
        self.AD_count = self.AD_data.groupby(['channel', 'label']).count().reset_index()
        self.AD_count.rename(columns={'user_id':'user_count'}, inplace = True)
        self.AD_count['total_count'] = self.AD_count.groupby("channel")["user_count"].transform('sum')
        self.AD_count['trans_rate'] = self.AD_count['user_count']/self.AD_count['total_count']
        print("各渠道用户转化和非转化用户量为：\n{}\n".format(self.AD_count))
        
        
        self.channel = np.unique(self.AD_count['channel'])
        #用于记录渠道对比组合
        self.channel_comb = []
        for chn1 in self.channel:
            for chn2 in self.channel:
                if chn1 != chn2:
                    self.channel_comb.append([chn1, chn2])
        
        self._RR_cul()
        print("\n")
        self._RD_cul()
        print("\n")
        self._OR_cul()
        print("\n")
        self._AP_cul()
        print("\n")
        self._PAF_cul()

if __name__ == "__main__":
    AD_data = pd.read_csv("D:/data/Attribution_test/AD_data.csv")
    attribution = Attribution_Analysis(AD_data['channel'], AD_data['label'], AD_data['user_id'])
    attribution.attribution_analysis()

程序运行结果如下：
在这里插入图片描述
不考虑计算精度，程序计算结果与上面例子手动计算结果是相等的。

可以看到。若以不暴露组为基准（可以是基础版本或以前版本），渠道A的转化效果明显比不暴露组好，在所有转化用户中，约有60%的用户是因为渠道A的展示发生了转化。若以渠道A为基准，不暴露组的效果比较差，在所有转化用户中，因为不暴露组的展示，转化用户丢失了69%（可以理解为，若都用渠道A进行展示，转化用户还会多69%？）