数据分析系列:归因分析原理、案例(附python代码)

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A15928413000159/3000=5.30%
渠道B463454350046/3500=1.31%
总计20562956500205/6500=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 C I e CI_e CIe是渠道A的转化率, C I u CI_u CIu是渠道B的转化率。

营销渠道转化未转化求和转化率
渠道A15928413000159/3000=5.30%
不暴露463454350046/3500=1.31%
总计20562956500205/6500=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 C I e CI_e CIe是渠道A的转化率, C I u CI_u CIu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:
R D / C I u = R R − 1 RD/CI_u=RR-1 RD/CIu=RR1
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
A P = 5.30 % − 1.31 % 5.30 % = 75.28 % AP = \frac{5.30\%-1.31\%}{5.30\%} = 75.28\% AP=5.30%5.30%1.31%=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 C I u CI_u CIu,则Attribution Proportion公式变为如下形式:
A P = R R − 1 R R AP = \frac{RR-1}{RR} AP=RRRR1

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
A P = 4.04 − 1 4.04 = 75.28 % AP = \frac{4.04-1}{4.04} = 75.28\% AP=4.044.041=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 p o p P_{pop} Ppop =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:
P A F = 0.4615 ∗ ( 4.04 − 1 ) 0.4615 ∗ ( 4.04 − 1 ) + 1 = 58.38 % PAF = \frac{0.4615*(4.04-1)}{0.4615*(4.04-1)+1} = 58.38\% PAF=0.4615(4.041)+10.4615(4.041)=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:
O R = Y 1 A / Y 1 B Y 2 A / Y 2 B OR= \frac{Y1_A/Y1_B}{Y2_A/Y2_B} OR=Y2A/Y2BY1A/Y1B

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:
O R = 159 / 46 2841 / 3454 = 4.258 OR= \frac{159/46}{2841/3454} =4.258 OR=2841/3454159/46=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:
A P = O R − 1 O R AP = \frac{OR-1}{OR} AP=OROR1
P A F = P p o p ∗ ( O R − 1 ) P p o p ∗ ( O R − 1 ) + 1 PAF = \frac{P_{pop}*(OR-1)}{P_{pop}*(OR-1)+1} PAF=Ppop(OR1)+1Ppop(OR1)

我们带入数据进行计算:
A P = 4.258 − 1 4.258 = 76.51 % AP = \frac{4.258-1}{4.258} =76.51\% AP=4.2584.2581=76.51%
P A F = 0.4615 ∗ ( 4.258 − 1 ) 0.4615 ∗ ( 4.258 − 1 ) + 1 = 60.05 % PAF = \frac{0.4615*(4.258-1)}{0.4615*(4.258-1)+1} = 60.05\% PAF=0.4615(4.2581)+10.4615(4.2581)=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 β 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%?)

  • 3
    点赞
  • 114
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
评论 5
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