Исходя из данных очевидно, что November Offer 1 в 2 раза эффективнее с точки зрения ДРР в сравнении с November Offer 2. Если бы мы знали это заранее, мы могли бы выделить больше бюджета в Offer 1, уменьшив вложения в Offer 2. Однако, повернуть время вспять, увы, невозможно.
Rocket science! Очень круто!
Да, статья весьма достойная!
Привет! Классная статья, спасибо за новое виденье подхода к аттрибуциям. Но есть несколько вопросов:
1) Получается модель обучается на сущностях из пользователей, у которых в фичах отражается вся их история с начала появления на сайте: сколько было сессий, какие события и в каком количестве были отправлены, сколько проходило времени между сессиями, Соц. Дем, Гео, платформа девайса итд. В Лейблы, соответственно, - оставил пользователь заявку или нет (Нет - например, если он не оставил еще заявку и не появлялся ни разу на сайте уже месяца 3).
Таким образом, модель оценивает количество «полезных» действий в каждой сессии; такой лидскоринг во имя аттрибуции:)
Так?
2) Помимо логистической регрессии ещё используете какие-нибудь модели?
1) Так
2) Использовали, но перестали. Это как из пушки по мухам стрелять.
Отличная статья, все по полочкам.
Я тогда ничего не найду.
В той же контекстной рекламе эти самые "паттерны" очень сильно зависят от ключей "купить машину" и "купить ВАЗ-2001 в Нижнем Новгороде авито не старше 50 лет" - просто 2 совсем разных паттерна. И без анализа на каком-то низовом уровне - ключей - говорить об анализе кампании, формировании на этом паттерна и его использования при предсказании результатов кампаний совсем на других ключах - невероятно :)
Модель атрибуции - это всегда про ретроспективу. Как разложить статистику так, чтобы вытащить оттуда максимально много пользы. Бизнесу нужно понимать не только, какой канал "недооценён", но и спуститься в этом канале - если говорим про контекст - до ключа.
Возможно, я немного зануден(