搜广推策略产品干货:广告归因策略(下)

1 评论 5110 浏览 44 收藏 15 分钟

在搜推广告策略方向中,归因策略是相对重要的一个模块,那么,你了解“归因”有哪些类型、以及其对应的类型有哪些应用场景吗?本篇文章里,作者便进行了一定总结,一起来看一下。

今天来接着分享一下搜推广告策略方向——归因策略,结合上一篇文章对于归因的定义和关键点说明,也给大家说清楚了为什么要做归因的这件事;接下来,我们需要详细展开讲讲关于归因的类型:【规则类归因】和【算法模型类归因】,以及对应的归因类型应用场景。

一、广告中的核心归因策略类型 & 应用场景

基于效果、品牌广告归因诉求以及使用场景,诞生了如下几类广告的归因类型,主要分为【规则类归因策略】与【算法类归因策略】。

平台根据发展阶段、广告投放场景以及价值引导会明确归因类型,少数头部平台会将归因的方式选择权利交由客户选择,例如Facebook,将归因方式交由客户去做自由选择是一个平台具备自信的体现,因为这是把渠道的投产转化效果价值由客户自己来明确,而不是平台来帮助客户进行定义,目前国内绝大多数的平台还是明确定义归因方式,客户不可自由选择。

1. 规则类归因

定义:基于一定的平台运营规则、价值导向的方式进行广告转化效果的归因,一般不受用户行为,渠道效果等因素的影响。

1)渠道包归因方式

多用于应用下载类广告,核心就是将一个APP下载拆分不同的渠道包去投放不同的媒体端(多用于Android端),根据渠道channel_id追踪最后效果。

“例如,一个游戏APP在vivo、oppo、华为以及应用宝各个市场都进行了APP广告投放,那么每个渠道都会生成一个渠道包id,根据用户发生的直接下载,根据渠道包归因最后的转化效果,我在vivo应用市场发生了下载,那么这一次下载的日志的channel_id就会打上vivo的编号,而不是oppo”。

但是,该归因方式其实忽略了广告投放路径上的“助攻”效果,即在最终发生成交之前其他广告给最终转化产生了下载心智。

2)首次点击触达归因(First-Click)

定义:假设用户在 1、2、3、4、5多个媒体渠道都触达了广告,并最终产生了转化,此时First-Click归因会将这个的转化会算到首次触达的渠道1上;例如京东用户在首页焦点图、信息流、搜索都对同一个商品广告进行了点击,最后再购物车场景下点击后完成了转化,但是广告模型是基于首次触达归因,所以会被算在首页焦点图这次广告触达上。

适用范围:一般品牌没有知名度的公司,会选择首次触达归因,关注营销链路当中最初渠道效果,根据投放路径拆分,用于市场对广告渠道拓展。

3)最后触达归因(Last-Click)

定义:假设用户在 1、2、3、4、5多个渠道都触达了广告并最终产生了转化,此时Last-Click归因模型会将这个用户的转化会算到末次渠道5触达的渠道上;例如京东用户在首页焦点图、信息流、搜索都对同一个商品广告进行了点击,最后再购物车场景下点击后完成了转化,但是广告模型是基于末次触达归因,所以会被算在购物车场景下推广的广告触达上。

适用范围:末次归因适合转化路径短、行为直接的广告场域,更多应用在京东、阿里、拼多多等电商广告场景下;缺点也比较的明显,因为搜索场域的强触达高转化特性,大量前期在信息流、首焦被点击的广告,最后在搜索场域广告被点击都归因到了搜索广告上,导致预算倾斜,所以电商平台都开始推MTA多触点归因的方式。

4)线性归因(Liner)

定义:平等对待每一个渠道对于广告投放转化带来归因效果贡献值,将投放转化归因效果进行多个渠道/平台均分,俗称“一碗水端平”。

适用范围:对于所有的渠道予以同样重视,适用于初期搭建的DSP,一般追求可解释性强的广告平台。

5)U型归因

定义:赋予首次和末次渠道下的更大的归因权重,结合了First-Click和Last-Click归因的方式,一般简单规则配置做法是给首次和末次各40%,其余20%的权重给到中间各个渠道,这么分配的比例主要是固定首位,其余的渠道可根据运营诉求进行归因配置。

适用范围:适用于巨量广告、腾讯广告中的线索、表单广告,这类广告注重线索来源和最后促成销售的渠道,所以一般会对首尾给予比较高的归因权重。

6)时间衰减归因

定义:伴随用户在渠道的行为时间周期,进行归因效果权重衰减;该模型基于一个假设,认为广告投放传达的触点越接近于转化的渠道,对转化的影响力就更大。

适用范围:衍生于末次点击归因,但是没有末次点击归因那么绝对,还是会考虑到渠道1、2、3、4对于最后转化的助攻贡献;该归因方式适合转化路径较短的广告类型,某些电商广告平台也在用时间衰减归因的模型方式,如果转化路径过长,早期曝光/点击的渠道广告不太友好。

2. 算法模型归因

1)马尔科夫链模型( Markov Chain Attribution )归因

定义:其描述了一种状态序列,是一种统计归因方式,其每个状态值取决于前面有限个状态,核心是分析渠道带来的归因价值。马尔科夫链是具有马尔科夫性质的随机变量的一个数列。通俗易懂的讲就是“今天的事情只取决于昨天,而明天的事情只取决于今天”,回归到归因模型上,访客下一次访问某个渠道的概率,取决于这一次访问的渠道、

“谷歌的PageRank,就是利用了马尔科夫模型。假设有A,B,C三个网页,A链向B,B链向C。那么C分到的PR权重只由B决定,和A没有任何关系。”

适用范围:本身马尔科夫模型是数据驱动类型的归因方式,因此适合渠道多、数量大、有建模分析能力的公司,像是Facebook、Google都属于比较适用马尔科夫链模型归因的广告平台;我们用下图来举例说明一下。

求解渠道贡献价值的方法:

第一步,求总体转化概率:

P(转化) = P(C1→C2→C3→转化)+ P(C2→C3→转化)=0.667*0.5*1*0.5+0.333*1*0.5=33.3%;

第二步:移除C1节点得到:

P(转化) =0.333*1*0.5=16.7%,所以C1移除节点的效应系数为1-0.167/0.333=0.5

同理移除C2和C3的效应系数为1和1

第三步,求得各个渠道的转化贡献价值:

渠道转化贡献值C1:0.5/(0.5+1+1)=0.2

渠道转化贡献值C2&C3:1 /(0.5+1+1)=0.4

2)多触点归因MTA(Multi Touch Attribution):CausalMTA: 基于因果推断的无偏广告多触点归因技术

背景:2022年阿里妈妈团队由SDS团队和中科院计算所提出的基于因果推断技术的无偏差广告多渠道归因模型策略MTA,主要是为了消除阿里多场景(搜索、展示、信息流、直播、视频等)用户静态与动态混淆偏差的影响,从而训练无偏的转化预测模型,通过理论分析论证了CausalMTA在给定充足广告路径下的有效性。

因为前文中硬规则的归因方式其实是高估或者低估了某些渠道的真实作用,难以知道广告主在各个渠道当中进行精准的合理预算分配。

实现方法概述:

Arthur在这里给大家简单介绍一下阿里妈妈这篇文章的核心思想,具体的策略会单独一篇文章来分享讲解,感兴趣论文的可以私信Arthur;如图所示。该框架有两大关键模块:用户浏览路径重加权(journey reweighting)、因果转化预测(causal conversion prediction),两大模块分别消除静态与动态特征的影响。

在用户浏览路径重加权中,使用变分循环自编码器学习广告序列的生成概率,然后采用密度比估计方式计算每条样本的权重,基于IPTW的方式对观测数据集重加权得到消除静态混淆变量影响的数据分布。

用策略产品可懂翻译的意思就是“分析对每一个用户转化的行为,在广告的每个投放渠道发生的行为样本(加购、点击、停留时长以及曝光次数等等)进行密度分解,判定渠道的归因权重”不同于马尔科夫对通盘归因的分析,MTA多触点归因是个性化到每个用户,更甚是每个用户的转化行为上,相对来说归因更加科学精准,但是可解释性相对来说规则类稍显欠缺。

在因果转化预测中,本文采用RNN来建模用户路径的动态特征,并采用梯度反转层得到解耦动态特征与广告曝光的均衡表征。从而得到无偏的转化预估模型。经过两个模块消除静态与动态特征的偏差后,得到无偏的预测模型,最后采用Shapley Values的计算方式完成触点权重的分配。

二、归因策略部分总结

总结:关于归因策略的介绍给大家就介绍这么多了,主要是想给大家尽可能的相近介绍目前国内外广告市场所应用的归因策略。

归因策略的选择核心还是和广告的场景和类型相关的,目前头部大厂为了体现出不同渠道的价值(例如信息流渠道对于搜索转化的助攻),结合用户在不同渠道上的行为、主体等因素来通过机器学习的方法给每个用户在每个渠道的归因权重进行个性化分类,更加精细化地切分每个渠道对于最终转化的效果,正确认识广告渠道的价值。

单纯的用硬规则归因会埋没掉很多渠道本来应该有点的价值,客户减少投放预算之后,渠道就会变得竞价不充分,平台收入就会骤减。

所以让广告主认识到渠道真实价值这就是归因策略发展的核心目的,归因在广告业务上也是非常难理解的部分,但是希望通过这篇文章的详尽、深入浅出梳理,能让大家学到相应的知识。

作者:策略产品Arthur,5年大厂策略产品专家,全网最专业的搜广推策略产品干货博主,帮助你成就策略产品专家之路

本文由 @策略产品Arthur 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 了解搜广推策略产品知识&社群可关注作者主页

    来自北京 回复