01

電商歸因目的

對(duì)于電商平臺(tái)來(lái)說(shuō)，當(dāng)流量進(jìn)入時(shí)，我們需要引導(dǎo)其完成購(gòu)買任務(wù)，以實(shí)現(xiàn)流量?jī)r(jià)值最大化，在互聯(lián)網(wǎng)紅利消耗殆盡之時(shí)，流量會(huì)越來(lái)越貴，我們需要精細(xì)化運(yùn)營(yíng)每一份流量。

我們?cè)谧龈鞣Nbanner活動(dòng)、Feed流推薦優(yōu)化、活動(dòng)頁(yè)等進(jìn)行效果評(píng)估，無(wú)法知道該位置最終產(chǎn)生了多少收益，也就很難針對(duì)該位置進(jìn)行有效的改進(jìn)。

如果進(jìn)行單因數(shù)AB測(cè)試進(jìn)行改版的效果評(píng)估，那也會(huì)存在如下2個(gè)問(wèn)題：

單因素變量控制并不容易做到完全可控，如果產(chǎn)品處在增長(zhǎng)期，產(chǎn)品增長(zhǎng)本身就是一個(gè)影響因子，很容易忽略此類因素的影響。

評(píng)估方式低效，如果 2 天內(nèi)只控制 1 個(gè)坑位變動(dòng)，那么評(píng)估 20 個(gè)坑位內(nèi)容改變就需要 40 天時(shí)間，這樣的效率任何企業(yè)都無(wú)法接受。

因此，我們希望用數(shù)據(jù)分析中歸因的方式解決坑位運(yùn)營(yíng)中評(píng)估的問(wèn)題。

我們引入電商坑位歸因的概念，把每一筆的成交都?xì)w給轉(zhuǎn)化路徑中不同的坑位。根據(jù)坑位的曝光轉(zhuǎn)化價(jià)值來(lái)評(píng)判坑位的好與壞。把寶貴的流量盡可能都引導(dǎo)到轉(zhuǎn)化率更高的坑位，以此達(dá)到精細(xì)化運(yùn)營(yíng)的效果。當(dāng)然有了這個(gè)坑位價(jià)值評(píng)判的機(jī)制后各個(gè)坑位的改版也能準(zhǔn)確的評(píng)估，真正做到了數(shù)據(jù)驅(qū)動(dòng)增長(zhǎng)。

02

歸因類型簡(jiǎn)介

首次觸點(diǎn)模型：多個(gè)「待歸因事件」對(duì)同一個(gè)「目標(biāo)轉(zhuǎn)化事件」作出貢獻(xiàn)時(shí)，認(rèn)為第一個(gè)「待歸因事件」功勞為 100%。

末次觸點(diǎn)歸因：

多個(gè)「待歸因事件」對(duì)同一個(gè)「目標(biāo)轉(zhuǎn)化事件」作出貢獻(xiàn)時(shí)，認(rèn)為最后一個(gè)「待歸因事件」功勞為 100%。

線性歸因：

多個(gè)「待歸因事件」對(duì)同一個(gè)「目標(biāo)轉(zhuǎn)化事件」作出貢獻(xiàn)時(shí)，認(rèn)為每個(gè)「待歸因事件」平均分配此次功勞。

位置歸因：

多個(gè)「待歸因事件」對(duì)同一個(gè)「目標(biāo)轉(zhuǎn)化事件」作出貢獻(xiàn)時(shí)，認(rèn)為第一個(gè)和最后一個(gè)「待歸因事件」各占 40% 功勞，其余「待歸因事件」平分剩余的 20% 功勞。

時(shí)間衰減歸因：多個(gè)「待歸因事件」對(duì)同一個(gè)「目標(biāo)轉(zhuǎn)化事件」作出貢獻(xiàn)時(shí)，認(rèn)為越靠近「目標(biāo)轉(zhuǎn)化事件」做出的貢獻(xiàn)越大。

對(duì)于電商平臺(tái)來(lái)說(shuō)，末次觸點(diǎn)歸因是比較適合電商站內(nèi)銷售歸因的。雖然用末次觸點(diǎn)歸因?qū)崿F(xiàn)方案上比簡(jiǎn)單，但是直接將價(jià)值100%歸因給購(gòu)買或者轉(zhuǎn)化之前最后一次接觸的渠道，而完全不考慮整個(gè)過(guò)程中消費(fèi)者到底接觸過(guò)多少個(gè)觸點(diǎn)。轉(zhuǎn)化之前發(fā)生了太多的事情，該模型完全忽視了漏斗上層和中層部分的行為對(duì)轉(zhuǎn)化的影響。

因此我們公司融合首次觸點(diǎn)歸因和末次觸點(diǎn)歸因，計(jì)算用戶進(jìn)入一級(jí)流量入口后再到完成的完整購(gòu)物鏈接行為。一級(jí)流量流入的定義為：各個(gè)入口之間無(wú)法進(jìn)行跳轉(zhuǎn)，只能通過(guò)切換tab進(jìn)行跳轉(zhuǎn)或者返回初始位置后重新點(diǎn)擊進(jìn)入。這樣我們就可以基于購(gòu)物的完整鏈接的最外層進(jìn)行銷售歸因，并且也能知道用戶購(gòu)物的完整路徑，同時(shí)保證銷售歸因后各個(gè)入口坑位的銷售額之和等于當(dāng)日的銷售額。

使用這種融合歸因方式，也可能知道中間步驟的轉(zhuǎn)化率。比如活動(dòng)會(huì)場(chǎng)頁(yè)和商品詳情頁(yè)的相關(guān)推薦，雖然對(duì)電商平臺(tái)整體進(jìn)行銷售歸因時(shí)，不會(huì)計(jì)算活動(dòng)會(huì)場(chǎng)頁(yè)各個(gè)模型的銷售，也不會(huì)計(jì)算商品詳情頁(yè)的相關(guān)推薦。

但是由于我們記錄了用戶進(jìn)入一級(jí)流量入口后的詳細(xì)路徑，因此我們單獨(dú)研究活動(dòng)會(huì)場(chǎng)頁(yè)和商品詳情頁(yè)的效率時(shí)，也是可以計(jì)算得到各個(gè)模塊的銷售來(lái)進(jìn)行對(duì)比分析。但是切記不能和一級(jí)流量入口的銷售混合在一起看，這樣會(huì)導(dǎo)致銷售歸因發(fā)生重復(fù)。

03

電商歸因?qū)崿F(xiàn)方案

對(duì)于電商歸因我們進(jìn)行了三個(gè)方面的歸因，包括：曝光歸因、點(diǎn)擊歸因、銷售歸因。即歸因出所有的商品曝光來(lái)自哪里，所有的商品點(diǎn)擊來(lái)自哪里，所有的銷售來(lái)自哪里。這樣就可以追蹤各個(gè)流量入口的曝光鏈路歸因指標(biāo)。比如各個(gè)流量入口的商品曝光點(diǎn)擊率、商品點(diǎn)擊支付率、商品曝光價(jià)值等等核心監(jiān)控指標(biāo)來(lái)評(píng)價(jià)各個(gè)流量入口的效率。

電商歸因準(zhǔn)確的前提是埋點(diǎn)日志的完整性，因?yàn)槲覀兪峭ㄟ^(guò)需要?dú)w因的事件往前找到用戶的購(gòu)買路徑，這樣的好出是大大減少計(jì)算量，也基本解決的歸因的問(wèn)題。因此用戶行為日志的完整記錄才能真實(shí)還原用戶的購(gòu)買路徑，否則就可能導(dǎo)致歸因出錯(cuò)，最終造成錯(cuò)誤的評(píng)價(jià)數(shù)據(jù)。

首先需要在埋點(diǎn)體系中引入PageId的概念，PageId的作用是每當(dāng)用戶產(chǎn)生一次跳轉(zhuǎn)行為進(jìn)入一個(gè)新頁(yè)面時(shí)，為這個(gè)頁(yè)面賦予一個(gè)新的PageId；而當(dāng)用戶點(diǎn)擊返回時(shí)，不會(huì)產(chǎn)生新的PageId。PageId是越靠近的當(dāng)前時(shí)間的頁(yè)面瀏覽的行為越大，且不會(huì)重復(fù)，類似于自增ID的實(shí)現(xiàn)邏輯。PageId的實(shí)現(xiàn)當(dāng)然是寫入埋點(diǎn)SDK當(dāng)中，這樣保證所有的埋點(diǎn)事件都帶上PageId，并且也無(wú)需開(kāi)發(fā)同步每次單獨(dú)寫邏輯。

然后根據(jù)埋點(diǎn)日志去還原用戶的行為路徑，全程都可以僅僅使用SQL邏輯就能計(jì)算完成。

首先要確定所有要?dú)w因的end事件（末端事件），包括商品曝光、商品點(diǎn)擊、商品加購(gòu)成功（加購(gòu)后可以通過(guò)server的訂單表判斷用戶是否完成了付款，也達(dá)到了銷售的歸因目的）。

然后在確定所有歸因head事件（首端事件），即之前就定義的好的各個(gè)一級(jí)流量入口。

我們平臺(tái)比較特殊，是工具類App同時(shí)擁有電商業(yè)務(wù)，這樣一級(jí)流量入口會(huì)比較多，但是可以枚舉完成的，不僅僅包括常規(guī)電商App的流量入口，還可以在各個(gè)工具頁(yè)面嵌入電商入口，這樣復(fù)雜性要強(qiáng)于一般的電商App。

我們的埋點(diǎn)日志都會(huì)記錄用戶發(fā)生各個(gè)行為的本地時(shí)間，用end事件時(shí)間去找最接近的這個(gè)時(shí)間的head事件，直接用SQL的left jon關(guān)聯(lián)日志表就能完成計(jì)算。

這樣在首尾2段時(shí)間內(nèi)的所有埋點(diǎn)日志行為就是我們需要日志。

然后篩選出這些日志中的所有點(diǎn)擊事件，過(guò)濾掉其他無(wú)效事件。

再對(duì)所有剩下的日志進(jìn)行排序，按照本地時(shí)間排序，這樣就得到了一條完整的用戶有效行為的路徑記錄。

對(duì)于這部分?jǐn)?shù)據(jù)我們就可以進(jìn)行存儲(chǔ)使用了，這部分?jǐn)?shù)據(jù)為歸因后用戶完整鏈路記錄數(shù)據(jù)。

再基于PageId過(guò)濾掉同個(gè)頁(yè)面相同PageId的事件，保留本地時(shí)間最晚的那一條事件記錄。

這樣就得到了用戶進(jìn)入一級(jí)流量入口后真正進(jìn)行末端事件的有效路勁。

這部分?jǐn)?shù)據(jù)也需要存儲(chǔ)記錄，并且這個(gè)部分真正歸因完成的用戶行為路徑，此時(shí)的得到各個(gè)一級(jí)流量入口就行歸因得到此末端事件的來(lái)源。

通過(guò)這樣計(jì)算后就了解各個(gè)一級(jí)流量入口的商品曝光點(diǎn)擊情況，也能知道銷售情況。

利用這些數(shù)據(jù)就能衡量各個(gè)流量入口的效率情況，也同樣也可以中間承載頁(yè)面的效率如何。

就能幫助產(chǎn)品運(yùn)營(yíng)更好的改善各個(gè)功能以及迭代各式各樣的活動(dòng)。

用戶進(jìn)行一次加購(gòu)的路徑還原

通過(guò)上述方法的計(jì)算，我們最終得到的用戶加過(guò)鏈路步驟為：【1，2，9，10，11】，并且入口事件【1】就此次加購(gòu)事件的歸因來(lái)源。

另外再來(lái)舉個(gè)商品詳情頁(yè)相關(guān)推薦的例子，下圖所示的用戶行為最終得到的鏈路步驟為：【1，2，9，10，11，12】，由于我們是完整保留用戶的路徑，因此我也只能這次加購(gòu)事件不僅來(lái)源于1，也有一部分功能功能來(lái)于11，也就是商品詳情頁(yè)的推薦，因此我們也能計(jì)算出商品詳情頁(yè)的推薦效率如何，后續(xù)算法團(tuán)隊(duì)迭代模型時(shí)也能根據(jù)這個(gè)數(shù)據(jù)來(lái)衡量?jī)?yōu)化的好與壞。

04

總結(jié)

通過(guò)以上方案得到電商歸因模型數(shù)據(jù)，可以大大提高運(yùn)營(yíng)同學(xué)的運(yùn)營(yíng)效率，不再是盲人過(guò)河實(shí)的憑感覺(jué)去優(yōu)化各個(gè)坑位和活動(dòng)，已經(jīng)可以通過(guò)數(shù)據(jù)清晰公平的判斷運(yùn)營(yíng)每一次迭代的結(jié)果。

但是僅僅根據(jù)坑位歸因決定坑位價(jià)值，容易出現(xiàn)短期偏見(jiàn)，即追求短期利益，比如在一款內(nèi)容產(chǎn)品中鑲嵌一些游戲元素，可以讓用戶停留更久、數(shù)據(jù)表現(xiàn)更好。但從長(zhǎng)期來(lái)看，這種行為破壞了整個(gè)產(chǎn)品的價(jià)值定位，因?yàn)閮?nèi)容產(chǎn)品原本提供的是內(nèi)容并不是游戲，產(chǎn)品也不并是為了追求用戶停留時(shí)長(zhǎng)而是為了實(shí)現(xiàn)價(jià)值。這是兩者都存在的短期偏見(jiàn)。

因此不能僅僅根據(jù)坑位歸因后的銷售轉(zhuǎn)化價(jià)值來(lái)評(píng)價(jià)坑位，還需要綜合考慮產(chǎn)品價(jià)值定位、戰(zhàn)略發(fā)展等因素，才能圍繞長(zhǎng)期目標(biāo)進(jìn)行健康發(fā)展。

責(zé)任編輯：haq