{"id":36088,"date":"2020-04-16T13:32:24","date_gmt":"2020-04-16T11:32:24","guid":{"rendered":"https:\/\/sprawnymarketing.pl\/?p=36088"},"modified":"2020-04-16T13:32:26","modified_gmt":"2020-04-16T11:32:26","slug":"algorytmiczne-modelowanie-atrybucji-lancuchy-markowa","status":"publish","type":"post","link":"https:\/\/sprawnymarketing.pl\/blog\/algorytmiczne-modelowanie-atrybucji-lancuchy-markowa\/","title":{"rendered":"Algorytmiczne modelowanie atrybucji \u2013 \u0142a\u0144cuchy Markowa"},"content":{"rendered":"

Nie wiesz, kt\u00f3ry model atrybucji zastosowa\u0107? A co, gdyby to dane mog\u0142y dokona\u0107 wyboru za Ciebie i okre\u015bli\u0107 znaczenie ka\u017cdej z interakcji na \u015bcie\u017cce konwersji? Pr\u00f3b\u0105 rozwi\u0105zania tego problemu s\u0105 zyskuj\u0105ce ostatnio na popularno\u015bci algorytmiczne modele atrybucji oparte o \u0142a\u0144cuchy Markowa.<\/p>\n

Od dawna wiadomo, \u017ce do transakcji online nie dochodzi zazwyczaj po jednej interakcji; przewa\u017cnie jest to konsekwencja wielu wy\u015bwietle\u0144, obejrze\u0144 i klikni\u0119\u0107 w reklamy, a tak\u017ce konsumpcji innych tre\u015bci marketingowych. Narz\u0119dzia analityczne pozwalaj\u0105 na \u015bledzenie tych \u015bcie\u017cek i modelowanie atrybucji, czyli przypisywanie udzia\u0142u w konwersjach poszczeg\u00f3lnym interakcjom.<\/p>\n

Wyb\u00f3r modelu atrybucji<\/h2>\n

Jednym z najwi\u0119kszych dylemat\u00f3w, z jakimi si\u0119 obecnie mierzymy, jest wyb\u00f3r modelu atrybucji. Model liniowy? Rozk\u0142ad czasowy? A mo\u017ce w\u0142asny model niestandardowy? Szukaj\u0105c odpowiedzi na to pytanie, najprawdopodobniej znajdziesz wskaz\u00f3wki typu: \u201eZastan\u00f3w si\u0119, kt\u00f3re interakcje s\u0105 dla Ciebie wa\u017cniejsze i przypisz im wy\u017csz\u0105 wag\u0119\u201d lub \u201eTestuj r\u00f3\u017cne modele i wybierz ten, kt\u00f3ry si\u0119 najlepiej sprawdza\u201d. Przyznasz, \u017ce nie jest to zbyt pomocne.<\/p>\n

Jakakolwiek sztywna regu\u0142a zawsze b\u0119dzie pewnym uproszczeniem, bo ka\u017cda interakcja mo\u017ce u danego u\u017cytkownika odegra\u0107 inn\u0105, mniej lub bardziej znacz\u0105c\u0105 rol\u0119. W jednym przypadku kluczowe b\u0119dzie ostatnie klikni\u0119cie, w innym \u2013 wa\u017cniejsze b\u0119d\u0105 interakcje wcze\u015bniejsze. Tak naprawd\u0119 nale\u017ca\u0142oby ka\u017cd\u0105 ze \u015bcie\u017cek przeanalizowa\u0107 indywidualnie.<\/p>\n

W tym celu zacz\u0119to tworzy\u0107 algorytmiczne modele atrybucji, zwane te\u017c modelami opartymi na danych (data-driven attribution).<\/strong> Na podstawie analizy \u015bcie\u017cek konwersji, pr\u00f3buj\u0105 one okre\u015bli\u0107 znaczenie ka\u017cdej z interakcji i przypisa\u0107 im odpowiedni\u0105 wag\u0119, stosownie do roli odegranej na \u015bcie\u017cce. W ostatnim czasie coraz wi\u0119ksz\u0105 popularno\u015b\u0107 zyskuj\u0105 modele algorytmiczne wykorzystuj\u0105ce \u0142a\u0144cuchy Markowa.<\/p>\n

Czym s\u0105 \u0142a\u0144cuchy Markowa?<\/h2>\n

\u0141a\u0144cuchy Markowa to proces losowy, w kt\u00f3rym prawdopodobie\u0144stwo ka\u017cdego zdarzenia zale\u017cy jedynie od zdarzenia poprzedniego.<\/p>\n

Przyk\u0142adem \u0142a\u0144cucha Markowa mo\u017ce by\u0107 nast\u0119puj\u0105cy proces:<\/p>\n

Wyje\u017cd\u017cam na tygodniowy urlop. To, czy podczas tego urlopu b\u0119d\u0119 uprawia\u0107 kontuzjogenny sport, czy oddawa\u0107 si\u0119 relaksowi, zale\u017cy od tego, gdzie b\u0119d\u0119 sp\u0119dza\u0107 wakacje. Ryzyko wypadku podczas relaksu jest znikome, natomiast sport wi\u0105\u017ce si\u0119 w 1\/10 prawdopodobie\u0144stwem wypadku:<\/p>\n

\"\u0142a\u0144cuchy<\/p>\n

Prawdopodobie\u0144stwo, \u017ce w dane wakacje wyjad\u0119 w g\u00f3ry i ulegn\u0119 tam wypadkowi, czyli przej\u015bcia START > W g\u00f3ry > Sport > Wracam po\u0142amany, wynosi:<\/p>\n

\"\"<\/p>\n

Z kolei szansa, \u017ce w wakacje wyjad\u0119 nad morze i ulegn\u0119 tam wypadkowi, czyli przej\u015bcia START > Nad morze > Sport > Wracam po\u0142amany, wynosi:<\/p>\n

\"\"<\/p>\n

Innej mo\u017cliwo\u015bci doj\u015bcia do wypadku nie ma. \u0141\u0105czne prawdopodobie\u0144stwo wypadku wynosi wi\u0119c:<\/p>\n

\"\"<\/strong>T\u0142umaczy to, dlaczego przy trzech wyjazdach w roku na urlop, co 5-6 lat wracam w gipsie.<\/p>\n

\u0141a\u0144cuch \u015bcie\u017cek konwersji<\/h2>\n

Za\u0142\u00f3\u017cmy, \u017ce mamy cztery \u015bcie\u017cki interakcji u\u017cytkownika z reklam\u0105, z kt\u00f3rych dwie doprowadzi\u0142y do konwersji:<\/p>\n

\"\u015bcie\u017cki<\/p>\n

\u015acie\u017cki te mo\u017cna przedstawi\u0107 w postaci grafu, w kt\u00f3rym w\u0119z\u0142ami s\u0105 poszczeg\u00f3lne kana\u0142y, po\u0142\u0105czone \u0142ukami w postaci strza\u0142ek (zob. rysunek poni\u017cej). U\u0142amek przy \u0142ukach wynika z liczby wyst\u0119puj\u0105cych przej\u015b\u0107 mi\u0119dzy w\u0119z\u0142ami grafu. Interpretujemy go jako prawdopodobie\u0144stwo przej\u015bcia po danym \u0142uku.<\/p>\n

Przyk\u0142adowo, po interakcji z Facebookiem na dw\u00f3ch \u015bcie\u017ckach nast\u0105pi interakcja z Google, a na jednej \u2013 z remarketingiem. \u0141\u0105cznie s\u0105 to trzy \u015bcie\u017cki, st\u0105d prawdopodobie\u0144stwo tych przej\u015b\u0107 wynosi odpowiednio 2\/3 i 1\/3:<\/p>\n

\"\u015bcie\u017cki<\/p>\n

\u0141\u0105czne prawdopodobie\u0144stwo konwersji wynosi 1\/2 (s\u0105 tu cztery \u015bcie\u017cki, z kt\u00f3rych dwie konwertuj\u0105). Prawdopodobie\u0144stwo to mo\u017cna te\u017c obliczy\u0107, sumuj\u0105c prawdopodobie\u0144stwo przej\u015b\u0107 po wszystkich mo\u017cliwych \u015bcie\u017ckach w grafie, kt\u00f3re prowadz\u0105 od w\u0119z\u0142a START do w\u0119z\u0142a KONWERSJA:<\/p>\n

\"konwersja<\/p>\n

Zobacz teraz, jak zmieni si\u0119 prawdopodobie\u0144stwo konwersji w przypadku usuni\u0119cia jednego z kana\u0142\u00f3w. Po usuni\u0119ciu Facebooka jest tylko jedna \u015bcie\u017cka prowadz\u0105ca do konwersji z prawdopodobie\u0144stwem 1\/9:<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Analogicznie, po usuni\u0119ciu Google\u2019a, prawdopodobie\u0144stwo konwersji wynosi 1\/6:<\/p>\n

\"Algorytmiczne<\/p>\n

Z kolei usuni\u0119cie remarketingu powoduje, \u017ce po grafie nie mo\u017cna dotrze\u0107 do konwersji, czyli jej prawdopodobie\u0144stwo wynosi 0:<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Teraz trzeba obliczy\u0107 tzw. efekt usuni\u0119cia. Okre\u015bla on spadek prawdopodobie\u0144stwa konwersji na skutek usuni\u0119cia poszczeg\u00f3lnych kana\u0142\u00f3w. Przyk\u0142adowo, po usuni\u0119ciu Google\u2019a, prawdopodobie\u0144stwo konwersji spada z 1\/2 do 1\/6, czyli o 66,7% (zob. tabela poni\u017cej).<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Widzimy, \u017ce efekty usuni\u0119cia nie sumuj\u0105 si\u0119 do 100%. Z tego powodu, aby obliczy\u0107 udzia\u0142 w wyniku dla poszczeg\u00f3lnych kana\u0142\u00f3w, obni\u017camy je proporcjonalnie, tak by sumowa\u0142y si\u0119 do jedno\u015bci.<\/p>\n

Na koniec, aby obliczy\u0107 atrybucj\u0119 konwersji, mno\u017cymy \u0142\u0105czn\u0105 liczb\u0119 konwersji (w tym przyk\u0142adzie s\u0105 to dwie konwersje) przez udzia\u0142 w wyniku.<\/p>\n

Brak \u015bcie\u017cek niekonwertuj\u0105cych<\/h2>\n

Raport \u015bcie\u017cek konwersji Google Analytics zawiera jedynie \u015bcie\u017cki prowadz\u0105ce do konwersji:<\/p>\n

\"Raport<\/p>\n

Raporty dotycz\u0105ce \u015bcie\u017cek niekonwertuj\u0105cych nie s\u0105 bezpo\u015brednio dost\u0119pne. Na szcz\u0119\u015bcie, \u0142a\u0144cuchy Markowa mo\u017cna r\u00f3wnie\u017c tworzy\u0107 dla danych zawieraj\u0105cych wy\u0142\u0105cznie \u015bcie\u017cki konwertuj\u0105ce. \u015acie\u017cki konwertuj\u0105ce w omawianym wcze\u015bniej przyk\u0142adzie wygl\u0105daj\u0105 nast\u0119puj\u0105co:<\/p>\n

\"Algorytmiczne<\/p>\n

Po przekszta\u0142ceniu w graf:<\/p>\n

\"Algorytmiczne<\/p>\n

W takim \u0142a\u0144cuchu prawdopodobie\u0144stwo konwersji wynosi 1, poniewa\u017c wszystkie \u015bcie\u017cki do niej prowadz\u0105.<\/p>\n

Podobnie jak w poprzednich przyk\u0142adach, trzeba teraz obliczy\u0107 efekt usuni\u0119cia dla poszczeg\u00f3lnych kana\u0142\u00f3w. Prawdopodobie\u0144stwo konwersji po usuni\u0119ciu Facebooka jest zerowe:<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Po usuni\u0119ciu Google\u2019a prawdopodobie\u0144stwo konwersji wynosi 1\/2:<\/p>\n

\"modelowanie<\/p>\n

Po usuni\u0119ciu remarketingu prawdopodobie\u0144stwo konwersji wynosi 0:<\/p>\n

\"Algorytmiczne<\/p>\n

W ten spos\u00f3b mo\u017cna obliczy\u0107 efekty usuni\u0119cia i udzia\u0142 w konwersjach dla poszczeg\u00f3lnych kana\u0142\u00f3w:<\/p>\n

\"udzia\u0142<\/p>\n

\u0141a\u0144cuchy Markowa wy\u017cszego rz\u0119du<\/h2>\n

Zgodnie z definicj\u0105, w \u0142a\u0144cuchach Markowa prawdopodobie\u0144stwo ka\u017cdego zdarzenia zale\u017cy jedynie od zdarzenia poprzedniego. M\u00f3wi si\u0119, \u017ce w\u0119z\u0142y klasycznego \u0142a\u0144cucha Markowa \u201enie maj\u0105 pami\u0119ci\u201d.<\/p>\n

Co to oznacza w praktyce? Sp\u00f3jrz na poni\u017cszy graf. Prawdopodobie\u0144stwo konwersji po interakcji z remarketingiem wynosi 2\/3, niezale\u017cnie od tego, czy wcze\u015bniejsza wizyta by\u0142a z Facebooka, czy z Google\u2019a:<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Wiemy, \u017ce w rzeczywisto\u015bci nie jest to prawda. Skuteczno\u015b\u0107 remarketingu b\u0119dzie diametralnie inna w zale\u017cno\u015bci od tego, sk\u0105d przyszed\u0142 dany u\u017cytkownik, czy b\u0119dzie to osoba, kt\u00f3ra wcze\u015bniej szuka\u0142a Twojego produktu w Google, czy kto\u015b, kogo zaciekawi\u0142 Tw\u00f3j post na Facebooku. T\u0119 kwesti\u0119 rozwi\u0105zuj\u0105 \u0142a\u0144cuchy Markowa wy\u017cszego rz\u0119du. W przypadku \u0142a\u0144cuch\u00f3w drugiego rz\u0119du, prawdopodobie\u0144stwo przej\u015bcia do kolejnych w\u0119z\u0142\u00f3w zale\u017cy r\u00f3wnie\u017c od stanu poprzedniego. Zamiast pojedynczych interakcji, nale\u017cy analizowa\u0107 ich pary:<\/p>\n

\"\u0142a\u0144cuchy<\/p>\n

Graf \u0142a\u0144cuch\u00f3w Markowa b\u0119dzie wygl\u0105da\u0142 w tym przypadku nast\u0119puj\u0105co:<\/p>\n

\"\u0142a\u0144cuchy<\/p>\n

Obliczenia prawdopodobie\u0144stwa wykonywane s\u0105 w analogiczny spos\u00f3b jak w przypadku \u0142a\u0144cuch\u00f3w Markowa pierwszego rz\u0119du. Prawdopodobie\u0144stwo przej\u015bcia do konwersji (mo\u017cliwe na trzy sposoby, zaznaczone kolorami) wyliczane na podstawie tego grafu wynosi niezmiennie 1\/2:<\/p>\n

\"Prawdopodobie\u0144stwo<\/p>\n

Podobnie jak we wcze\u015bniejszych przyk\u0142adach oblicza si\u0119 efekty usuni\u0119cia. Usuni\u0119cie Facebooka spowoduje znikni\u0119cie wszystkich w\u0119z\u0142\u00f3w par interakcji zawieraj\u0105cych Facebooka:<\/p>\n

\"Prawdopodobie\u0144stwo<\/p>\n

Analogicznie wyliczany jest efekt usuni\u0119cia Google\u2019a:<\/p>\n

\"Prawdopodobie\u0144stwo<\/p>\n

…oraz remarketingu:<\/p>\n

\"Algorytmiczne<\/p>\n

Obliczenia efekt\u00f3w usuni\u0119cia i udzia\u0142\u00f3w w wyniku s\u0105 identyczne jak we wcze\u015bniejszych przyk\u0142adach:<\/p>\n

\"prawdopodobie\u0144stwo<\/p>\n

Mo\u017cna tworzy\u0107 te\u017c \u0142a\u0144cuchy Markowa trzeciego, czwartego i dalszych rz\u0119d\u00f3w. Ich w\u0119z\u0142y b\u0119d\u0105 mia\u0142y jeszcze d\u0142u\u017csz\u0105 \u201epami\u0119\u0107\u201d, a prawdopodobie\u0144stwo przej\u015bcia do kolejnych w\u0119z\u0142\u00f3w b\u0119dzie zale\u017ca\u0142o od dw\u00f3ch, trzech, itd. poprzednich stan\u00f3w. W praktyce rzadko u\u017cywa si\u0119 \u0142a\u0144cuch\u00f3w rz\u0119du wy\u017cszego ni\u017c czwarty.<\/p>\n

Je\u015bli chcesz pozna\u0107 wi\u0119cej aspekt\u00f3w zwi\u0105zanych z modelowaniem atrybucji z wykorzystaniem \u0142a\u0144cuch\u00f3w Markowa, przeczytaj artyku\u0142 na blogu Adequate.<\/a><\/strong><\/span><\/p>\n

Czy to ju\u017c model idealny?<\/h2>\n

\u0141a\u0144cuchy Markowa s\u0105 interesuj\u0105cym modelem algorytmicznym, pozwalaj\u0105cym uwzgl\u0119dnia\u0107 sekwencj\u0119 interakcji. Nie s\u0105 jednak pozbawione wad.<\/p>\n

Przy modelowaniu z wykorzystaniem \u0142a\u0144cuch\u00f3w Markowa b\u0119dziesz cz\u0119sto obserwowa\u0107, \u017ce kana\u0142y, kt\u00f3re wyst\u0119puj\u0105 jako jedyne na \u015bcie\u017cce (\u015bcie\u017cki jednokana\u0142owe), mog\u0105 traci\u0107 udzia\u0142 w konwersjach na rzecz innych kana\u0142\u00f3w. A przecie\u017c to nie ma sensu! Je\u015bli na \u015bcie\u017cce jest tylko jedna interakcja, ca\u0142o\u015b\u0107 konwersji powinna by\u0107 przypisana w\u0142a\u015bnie jej.<\/p>\n

Sposobem na poprawienie tego mankamentu jest wydzielenie \u015bcie\u017cek jednokana\u0142owych i analiza wy\u0142\u0105cznie tych \u015bcie\u017cek, kt\u00f3re zawieraj\u0105 dwie lub wi\u0119cej interakcji.<\/strong> Nie zmienia to faktu, \u017ce model oparty na \u0142a\u0144cuchach Markowa obarczony jest pewnym b\u0142\u0119dem, widocznym nawet w trywialnym przypadku \u015bcie\u017cek jednokana\u0142owych.<\/p>\n

Mimo \u017ce model ten wci\u0105\u017c jest pewnym przybli\u017ceniem, analiza atrybucji z wykorzystaniem \u0142a\u0144cuch\u00f3w Markowa \u2013 w por\u00f3wnaniu z liniowym i innymi modelami \u2013 mo\u017ce dostarczy\u0107 warto\u015bciowych sygna\u0142\u00f3w do analizy.<\/p>\n

PORADA<\/strong><\/p>\n

Na stronie: bit.ly\/MarkovTool <\/a>znajdziesz bezp\u0142atne narz\u0119dzie, kt\u00f3re umo\u017cliwia samodzielne wyliczenie atrybucji opartej o \u0142a\u0144cuchy Markowa z nast\u0119puj\u0105cymi opcjami:<\/strong><\/p>\n