欧美vvv,亚洲第一成人在线,亚洲成人欧美日韩在线观看,日本猛少妇猛色XXXXX猛叫

碎碎念：

這周全國(guó)各地大大小小的朋友們都加入了羊群，小主我也未能幸免，雖然前2天高燒到40多度，燒到自己從來(lái)沒(méi)想過(guò)這輩子還能燒這么高，燒到自己都開(kāi)始懷疑，是不是要燒壞了咋還沒(méi)降溫，好在第3天慢慢恢復(fù)，目前仍有咳喘。期間精神正常，游離在各種群家人朋友同學(xué)同事間，相互關(guān)心相互幫助的狀態(tài)中。

坊間流傳的新冠10大酷刑，你目前經(jīng)歷了幾個(gè)

懂得都懂~

頭腦清醒，那就不要停下。還是把想到的東西記錄下來(lái)。

今天聊聊歸因分析模型。以及怎么用SQL實(shí)現(xiàn)。

1.歸因分析模型

在網(wǎng)上搜到一篇，寫(xiě)的很詳細(xì)，也很好理解。包括什么是歸因分析，幾種常見(jiàn)的歸因模型，以及如何選擇歸因模型，不明白的可以仔細(xì)看看。--不知道為什么粘貼不了鏈接和超鏈接。可自行搜索以下內(nèi)容即可。

(7條消息) 歸因分析( )模型解析_只有光頭才能強(qiáng)的博客-CSDN博客_歸因算法）

這里不再仔細(xì)介紹，以下會(huì)簡(jiǎn)要說(shuō)幾句什么是歸因分析，幾種常見(jiàn)的歸因模型。

1.1 什么是歸因分析？歸因，就是歸結(jié)原因，歸結(jié)源頭，歸功于誰(shuí)？大家常常聽(tīng)過(guò)廣告歸因，在互聯(lián)網(wǎng)廣告行業(yè)，廣告主在抖音，在頭條，朋友圈，在微博，在知乎等不同渠道都投放了廣告，用戶在多個(gè)渠道瀏覽并點(diǎn)擊了廣告，最后下載了某應(yīng)用或者購(gòu)買(mǎi)了某商品。那么，不同渠道對(duì)下載或成單的貢獻(xiàn)度如何？分別帶來(lái)了多少收入？再比如，在應(yīng)用內(nèi)，用戶進(jìn)行了關(guān)鍵詞搜索，推薦位點(diǎn)擊，運(yùn)營(yíng)位點(diǎn)擊后均進(jìn)行了商品詳情頁(yè)瀏覽，最后進(jìn)行了下單。那該筆訂單該貢獻(xiàn)給哪個(gè)運(yùn)營(yíng)活動(dòng)？不同運(yùn)營(yíng)位的貢獻(xiàn)如何？

歸因分析( )要解決的問(wèn)題就是廣告效果的產(chǎn)生，其功勞應(yīng)該如何合理的分配給哪些渠道。拓展下場(chǎng)景的話，歸因分析用于分析待歸因事件對(duì)目標(biāo)類事件的發(fā)生的轉(zhuǎn)化貢獻(xiàn)。對(duì)于上述廣告投放場(chǎng)景，目前最普遍的解決方案，是采用末次觸點(diǎn)歸因，即認(rèn)為是最后一次觸點(diǎn)促進(jìn)了下單或者下載。顯然這種歸因方式并不完全準(zhǔn)確。而對(duì)于站內(nèi)商品購(gòu)買(mǎi)來(lái)說(shuō)，各推廣位廣告欄位對(duì)目標(biāo)事件都有貢獻(xiàn)。我們需要依據(jù)業(yè)務(wù)特征，選擇相對(duì)合理的歸因方式來(lái)評(píng)估不同渠道或者不同推廣位的貢獻(xiàn)。當(dāng)我們知道不同位置對(duì)目標(biāo)轉(zhuǎn)化的貢獻(xiàn)，那么在內(nèi)部資源匱乏情況下，我們可以更加合理的分配業(yè)務(wù)比重，甚至據(jù)此評(píng)估各業(yè)務(wù)團(tuán)隊(duì)的貢獻(xiàn)。 1.2 常見(jiàn)的歸因分析模型包括首次觸點(diǎn)歸因，末次觸點(diǎn)歸因,線性歸因，位置歸因，時(shí)間遞減歸因等。其他參考(7條消息) 歸因分析( )模型解析_只有光頭才能強(qiáng)的博客-CSDN博客_歸因算法）或其他文獻(xiàn)。1.3歸因時(shí)間段在實(shí)現(xiàn)歸因分析之前。先再理一下歸因分析的幾個(gè)要素：目標(biāo)事件，待歸因事件，歸因模型以及歸因時(shí)間段。在上邊還未提到的是歸因時(shí)間段，也就是說(shuō)我們選擇目標(biāo)事件多久之前的待歸因事件拿來(lái)分析貢獻(xiàn)。這里的多久就是我們要限制的歸因時(shí)間段或者叫窗口期。因?yàn)楹芫煤芫弥叭绻邪l(fā)生過(guò)某個(gè)廣告位瀏覽，對(duì)目標(biāo)事件的影響其實(shí)是微乎其微的，用戶一般可能早已忘記之前曾經(jīng)瀏覽的內(nèi)容，而且用戶的決策周期和購(gòu)買(mǎi)周期一般也不必是幾個(gè)月，如果幾個(gè)月都沒(méi)有購(gòu)買(mǎi)或者做某事，可能當(dāng)時(shí)已經(jīng)買(mǎi)過(guò)了，本次再次發(fā)生購(gòu)買(mǎi)(目標(biāo)事件)，可能已經(jīng)是新的需求了。

一般窗口期定義多久呢。比如7天、30天、90天、180天等，主要是為了規(guī)避掉一些時(shí)間上的干擾因素，具體我們還是要根據(jù)業(yè)務(wù)場(chǎng)景和分析需求而定，用戶大致會(huì)在多長(zhǎng)時(shí)間內(nèi)做決策?？梢苑治鐾ㄟ^(guò)分析用戶的需求間隔等等。

2.歸因分析的SQL實(shí)現(xiàn)

在說(shuō)到在有行為序列時(shí)，如何實(shí)現(xiàn)歸因分析。我們還是默認(rèn)會(huì)有一張用戶行為日志表。注：這里的SQL實(shí)現(xiàn)，絕不代表任何數(shù)據(jù)產(chǎn)品的底層技術(shù)，純屬個(gè)人興趣。

假設(shè)我們定義：

目標(biāo)轉(zhuǎn)化事件為：訂單結(jié)果，待歸因事件為：運(yùn)營(yíng)位點(diǎn)擊，搜索結(jié)果點(diǎn)擊歸因時(shí)間段：1天歸因模型：首次歸因("沒(méi)有理由選擇首次，僅做舉例演示")

在進(jìn)行歸因分析時(shí)，各歸因模型通用的計(jì)算邏輯:

1.首先找到時(shí)間范圍內(nèi)的目標(biāo)事件。然后找每個(gè)目標(biāo)事件往前推窗口期內(nèi)的待歸因事件。2.對(duì)每個(gè)目標(biāo)事件窗口期內(nèi)的待歸因事件按照時(shí)間進(jìn)行排序。3.對(duì)目標(biāo)事件窗口期內(nèi)的待歸因事件，按照不同的分析模型規(guī)則，設(shè)置權(quán)重。

2.1首次歸因：

按上述1，2步驟后找到每個(gè)目標(biāo)事件窗口期內(nèi)的待歸因事件并根據(jù)時(shí)間升序排序，首個(gè)事件的作用最強(qiáng)。篩選出首個(gè)事件即為貢獻(xiàn)最大的事件稱為功勞事件，而后統(tǒng)計(jì)功勞事件的貢獻(xiàn)次數(shù)，人數(shù)，貢獻(xiàn)總和，即為不同待歸因事件貢獻(xiàn)情況。具體如下：

##首次歸因select c.e2,count(distinct c.u1) as renshu,count(c.u1) as gongxian_cishu,sum(mm) as gongxian_moneyfrom(select a.user_id as u1,a.time as t1,a.event as e1,a.mm, b.event as e2,b.time as t2,rank() over (partition by a.user_id,a.time order by a.user_id,b.time asc) as rkfrom(select user_id,event,date,time,total_price_of_commodity as mmfrom eventswhere event='PayOrderDetail' and date>='2020-09-24' and date<='2020-09-30')aleft join(select user_id,event,time from eventswhere (event='BannerClick' or event='SearchResultClick') and date>='2020-09-22'and date<='2020-09-30')bon a.user_id=b.user_id and b.time>date_sub(a.time, interval 1 day) and b.time<=a.time)cwhere c.rk=1group?by?c.e2

2.2末次歸因：

按上述1，2步驟后找到每個(gè)目標(biāo)事件窗口期內(nèi)的待歸因事件并根據(jù)時(shí)間降序排序，首個(gè)事件的作用最強(qiáng)。篩選出首個(gè)事件即為貢獻(xiàn)最大的事件稱為功勞事件，而后統(tǒng)計(jì)功勞事件的貢獻(xiàn)次數(shù)，人數(shù)，貢獻(xiàn)總和，即為不同待歸因事件貢獻(xiàn)情況。具體如下：

##末次歸因select c.e2,count(distinct c.u1) as renshu,count(c.u1) as gongxian_cishu,sum(mm) as gongxian_moneyfrom(select a.user_id as u1,a.time as t1,a.event as e1,a.mm, b.event as e2,b.time as t2,rank() over (partition by a.user_id,a.time order by a.user_id,b.time desc) as rkfrom(select user_id,event,date,time,total_price_of_commodity as mmfrom eventswhere event='PayOrderDetail' and date>='2020-09-24' and date<='2020-09-30')aleft join(select user_id,event,time from eventswhere (event='BannerClick' or event='SearchResultClick') and date>='2020-09-22'and date<='2020-09-30')bon a.user_id=b.user_id and b.time>date_sub(a.time, interval 1 day) and b.time<=a.time)cwhere c.rk=1group?by?c.e2

2.3 線性歸因當(dāng)線性歸因時(shí)，按上述1，2步驟后找到每個(gè)目標(biāo)事件窗口期內(nèi)的待歸因事件并根據(jù)時(shí)間升序排序，計(jì)算鏈路上的總數(shù)量，并平均分配鏈路上每個(gè)事件的貢獻(xiàn)比例，則同時(shí)可計(jì)算鏈路上每個(gè)事件平均貢獻(xiàn)的總金額。最終統(tǒng)計(jì)所有目標(biāo)事件的鏈路情況，可得可得不同待歸因事件對(duì)目標(biāo)事件的總體貢獻(xiàn)情況，包括貢獻(xiàn)人數(shù)，貢獻(xiàn)次數(shù)，貢獻(xiàn)金額。

##線性歸因select d.e2,count(distinct d.u1) as renshu,sum(d.quanzhong) as gongxian_cishu,sum(d.mm*quanzhong) as gongxian_moneyfrom(select c.u1,c.t1,c.e1,c.mm,c.e2,c.t2,1/cn as quanzhong
from(select a.user_id as u1,a.time as t1,a.event as e1,a.mm,b.event as e2,b.time as t2,count() over (partition by a.user_id,a.time) as cn,rank() over (partition by a.user_id,a.time order by a.user_id,b.time asc) as rk1,rank() over (partition by a.user_id,a.time order by a.user_id,b.time desc) as rk2from(select user_id,event,date,time,total_price_of_commodity as mmfrom eventswhere event='PayOrderDetail' and date>='2020-09-24' and date<='2020-09-30')aleft join(select user_id,event,time from  eventswhere (event='BannerClick' or event='SearchResultClick') and date>='2020-09-22'and date<='2020-09-30')bon a.user_id=b.user_id and b.time>date_sub(a.time, interval 1 day) and b.time<=a.time)c)d
group by d.e2

2.4位置歸因當(dāng)位置歸因時(shí)，首先找到每個(gè)待歸因事件窗口期內(nèi)的待歸因事件并進(jìn)行升序排序。然后對(duì)首尾事件各分配40%sql 當(dāng)前時(shí)間的前一天，計(jì)算鏈路上的總數(shù)量，并將剩余的20%平均分配給鏈路上其他位置每個(gè)事件。根據(jù)所有目標(biāo)事件的鏈路情況，可得不同待歸因事件對(duì)目標(biāo)事件的總體貢獻(xiàn)情況，包括貢獻(xiàn)人數(shù)，貢獻(xiàn)次數(shù)，貢獻(xiàn)金額。代碼如下：

##位置歸因select d.e2,count(distinct d.u1) as renshu,sum(d.quanzhong) as cishu,sum(d.mm*d.quanzhong) as gongxian_money
from(selectc.u1,c.t1,c.mm,c.e1,c.e2,c.t2,(case when cn=1 then 1When cn=2 then 0.5when cn>=2 and (rk1=1 or rk2=1) then 0.2when cn>=2 and (rk1>1 and rk2>1) then 0.6/(cn-2) else 0 end )as quanzhong
from(select a.user_id as u1,a.time as t1,a.event as e1,a.mm, b.event as e2,b.time as t2, count() over (partition by a.user_id,a.time) as cn,rank() over (partition by a.user_id,a.time order by a.user_id,b.time asc) as rk1,rank() over (partition by a.user_id,a.time order by a.user_id,b.time asc) as rk2from(select user_id,event,date,time,total_price_of_commodity as mmfrom eventswhere event='PayOrderDetail' and date>='2020-09-24' and date<='2020-09-30')aleft join(select user_id,event,time from eventswhere (event='BannerClick' or event='SearchResultClick') and date>='2020-09-22'and date<='2020-09-30')bon a.user_id=b.user_id and b.time>date_sub(a.time, interval 1 day) and b.time<=a.time)c)dgroup by d.e2

2.5時(shí)間遞減歸因

看了上述模型的計(jì)算。應(yīng)該也看到了，各類歸因分析模型的區(qū)別主要是如何分配鏈路上待歸因事件的比重。假設(shè)時(shí)間遞減歸因中，待歸因事件比重根據(jù)距離歸因事件的時(shí)長(zhǎng)的倒數(shù)，則需再對(duì)倒數(shù)做歸一化， 【 1/(t(i)-t0)】除以所有【1/(t(i)-t0)】求和。其他亦可類比。

仔細(xì)看看，沒(méi)那么難吧。這次分享的主要就是這些。歡迎留言私聊：

最后碎碎的：

疫情即將迎來(lái)勝利。希望大家堅(jiān)持到最后，進(jìn)入決賽圈的繼續(xù)堅(jiān)持，注意防護(hù)。加入羊圈的不恐懼sql 當(dāng)前時(shí)間的前一天，注意好好休養(yǎng)，早日康復(fù)。楊過(guò)的注意防護(hù)以防2次感染。雖然致死率不高，但是生命只有一次，大家都好好照顧自己。

希望大家能早日摘下口罩，盡情的呼吸自由的空氣！