近年來，購物方式發(fā)生了巨大變化。如今，知情的客戶在投資任何項(xiàng)目之前都會進(jìn)行研究，并且只有在通過多種渠道和網(wǎng)站為自己獲得最優(yōu)惠的價格后才能進(jìn)行在線購買。但是，這使得營銷人員很難在做出有意識的選擇之前正確確定客戶接觸了多少營銷渠道。

如果我們確定客戶在購買他們最喜歡的產(chǎn)品之前經(jīng)過的渠道路徑，我們可以使用渠道歸因模型分析哪個渠道幫助他們進(jìn)行了購買。這樣的多渠道報告將為我們提供兩個重要的轉(zhuǎn)化價值：最終點(diǎn)擊轉(zhuǎn)化和輔助轉(zhuǎn)化。

在這篇文章中，我將向您展示如何使用Python構(gòu)建多渠道歸因模型，然后可以將其用于檢索我上面提到的有價值的信息。這將極大地幫助任何企業(yè)甚至個人賣家的營銷策略。

傳統(tǒng)電子商務(wù)歸因模型

在我向您展示如何基于Python構(gòu)建歸因模型之前，首先快速瀏覽一些傳統(tǒng)的電子商務(wù)歸因模型會很有幫助。

由于客戶變得更加注重研究，并且更愿意在沉迷于產(chǎn)品之前探索所有渠道，因此市場機(jī)構(gòu)使用營銷歸因模型來追蹤影響客戶購買的渠道：

• 第一次接觸歸因模型——第一個渠道獲得 100% 的信用，因?yàn)樗徽J(rèn)為是負(fù)責(zé)客戶購買決策的第一個營銷渠道。
• 最后一次接觸歸因模型——最后一個渠道或最后一個接觸點(diǎn)在此模型中被賦予 100% 的功勞，因?yàn)檎J(rèn)為最后接觸的營銷渠道對客戶的購買選擇負(fù)責(zé)。
• 線性接觸歸因模型——在此歸因模型中，客戶旅程中存在的所有營銷渠道都被賦予同等的功勞。每個渠道都被視為平等地影響客戶的購買選擇。
• U 形或浴缸歸因模型——該模型將 40% 分配給第一個和最后一個通道，20% 平均分配給其余通道。這種渠道在電子商務(wù)公司中最為常見。

顯然，每種模型都可以對客戶行為提供不同的見解。具體細(xì)節(jié)在一定程度上取決于所涉及的業(yè)務(wù)，但這正是多渠道歸因模型的價值所在，因?yàn)樗刮覀兡軌蛄私庠诮o定上下文中最適合什么。

現(xiàn)在我們已經(jīng)簡要了解了各種模型，是時候看看我們?nèi)绾螛?gòu)建自己的多渠道歸因模型了。

構(gòu)建多渠道歸因模型的 Python 代碼

讓我們采用以下數(shù)據(jù)集。在列中，我們有參與活動，并且我們有連續(xù)參與的渠道。該數(shù)據(jù)集保持時間順序。我們?yōu)槊總€營銷渠道分配了一個固定的數(shù)值，并以這樣一種方式顯示它們：在 x 列中，x 的參與度是從具有相應(yīng)營銷渠道的用戶那里獲取的。

我們已經(jīng)轉(zhuǎn)換了通道 21 中的數(shù)據(jù)。因此，數(shù)據(jù)集包含用戶轉(zhuǎn)換的旅程。

讓我們通過導(dǎo)入必要的庫來邁出第一步。在這里，您必須導(dǎo)入 Pandas 庫進(jìn)行數(shù)據(jù)操作，Seaborn進(jìn)行數(shù)據(jù)分析，Matplotlib進(jìn)行數(shù)據(jù)可視化，以及創(chuàng)建新流程的子流程。

下一步是加載數(shù)據(jù)集，您可以使用 pd.read_csv() 函數(shù)來完成。現(xiàn)在，您需要使用 df.columns 獲取列列表。完成后，您可以遍歷列以將所有整數(shù)更改為字符串。之后，必須清理數(shù)據(jù)點(diǎn)。

這里，需要用到馬爾科夫鏈框架;因此，您需要將用戶旅程放在一個變量中。您需要將其視為第一通道>第二通道>第三通道等形式。下一段代碼將執(zhí)行此活動。

在數(shù)據(jù)集中，通道號 21 是轉(zhuǎn)換事件。因此，我們需要將此通道與原始路徑分離。之后，您必須創(chuàng)建另一個轉(zhuǎn)換變量來保存成功轉(zhuǎn)換的數(shù)量。以下代碼塊將完成此操作。

恭喜，您已完成數(shù)據(jù)操作過程!

現(xiàn)在，您必須獲取下一步需要轉(zhuǎn)發(fā)的列子集，因?yàn)槟臄?shù)據(jù)集仍然具有原始數(shù)據(jù)集。您還需要在此處對用戶數(shù)據(jù)進(jìn)行分組，因?yàn)樵S多用戶可以進(jìn)行相同的旅程。

您的轉(zhuǎn)化變量將分別包含每個客戶旅程的轉(zhuǎn)化次數(shù)。此外，我們需要創(chuàng)建另一個 CSV 文件來存儲路徑數(shù)據(jù)。您可以使用此 CSV 文件來運(yùn)行歸因方法。

現(xiàn)在，您有兩個選擇。第一個是使用 pip 安裝頻道歸因模塊。要安裝此模塊，只需轉(zhuǎn)到您的終端，然后編寫以下內(nèi)容：

pip install --upgrade setuptools
pip install Cython
pip install ChannelAttribution

第二種選擇是您自己在Python中創(chuàng)建馬爾可夫網(wǎng)絡(luò)/鏈。盡管如此，將 Python 代碼與 R 編程語言中的“ChannelAttribution”庫集成會更快。該庫包含頻道歸因的所有可執(zhí)行組件。您可以使用 Python 庫子流程來完成此操作。

如果您想計算第一次觸摸歸因，以下代碼塊將幫助您。

與第一次觸摸類似，您也可以計算最后一次觸摸的歸因。以下代碼塊將完成此操作。

另外，如果需要計算線性歸因，可以運(yùn)行下面這段代碼。

現(xiàn)在，您可以按照分步過程使用 Python 編程語言構(gòu)建多渠道歸因模型。試一試，看看結(jié)果。

實(shí)施數(shù)據(jù)驅(qū)動歸因模型的挑戰(zhàn)

領(lǐng)先的營銷人員依賴數(shù)據(jù)驅(qū)動的歸因模型，因?yàn)樗梢杂行У卮_定接觸點(diǎn)對客戶旅程的影響。品牌現(xiàn)在可以獲取他們需要的數(shù)據(jù)并進(jìn)行分析，因?yàn)檫@有助于他們根據(jù)客戶洞察改進(jìn)營銷策略。

但是，在實(shí)施數(shù)據(jù)驅(qū)動的歸因模型時，您可能會面臨各種挑戰(zhàn)。這些包括：

• 采取行動或獲得洞察力之間的兩難選擇可能是您將面臨的根本挑戰(zhàn)。您將始終希望添加一個新的數(shù)據(jù)點(diǎn)，這將為您提供更多見解。它可能會導(dǎo)致緩慢的改進(jìn)和升級。
• 有各種可用的歸因模型。因此，您需要從各種選項(xiàng)中進(jìn)行選擇。大多數(shù)情況下，特定的歸因模型會帶來優(yōu)化的結(jié)果。因此，找到完美的模型具有挑戰(zhàn)性，需要更多的研究。
• 你會發(fā)現(xiàn)各種工具來實(shí)現(xiàn)。但是你需要選擇完美的組合。您的團(tuán)隊(duì)必須知識淵博，才能克服這一挑戰(zhàn)。
• 您需要整合離線和在線接觸點(diǎn)，以獲得正確的客戶洞察力。因此，您可能會面臨許多挑戰(zhàn)，例如準(zhǔn)確記錄客戶洞察、識別每個接觸點(diǎn)的唯一鍵、影響問題等。

每種情況都需要一個獨(dú)特的解決方案。需要耐心分析問題以提出最佳解決方案。每個公司可能有不同的要求，團(tuán)隊(duì)成員之間需要出色的協(xié)調(diào)和同步來滿足特定需求。

在任何時候不放棄都會引導(dǎo)你達(dá)到你的最終目標(biāo)。提出較小的改進(jìn)總有一天會讓你取得巨大的成功，所以要保持熱情，以積極的心態(tài)和樂觀的觀點(diǎn)面對每一個挑戰(zhàn)。

知識就是力量

在這篇文章中，我向您展示了如何使用 Python 制作多渠道歸因模型。如您所見，目前使用的電子商務(wù)歸因模型有很多種，每種模型都有自己的特點(diǎn)。

此外，使用數(shù)據(jù)驅(qū)動的歸因模型涉及某些挑戰(zhàn)，從采取行動或獲得洞察力之間的兩難選擇，到您必須做出的各種選擇。

盡管如此，知識就是力量：了解客戶旅程為您提供了采取適當(dāng)行動的資源。希望這篇文章能為您的知識提供最好的結(jié)果，并很好地服務(wù)于您的目的。