标签：revenue AI sessions Morphl Budget cost model col Cost
文章目录
1 公司介绍
Morphl是一家国外提供AI解决方案的公司（PS：这家公司，web UI挺好看的~）：
网址：https://morphl.io/products/morphl-cloud.html
MorphL社区版
MorphL Community Edition使用大数据和机器学习来预测数字产品和服务中的用户行为，其目标是通过个性化来提高KPI（点击率，转换率等），主要涵盖的模型包括：
- 模型1 ： 人群购物阶段模型shopping stage - 高潜力购买人群圈选；
精确定位那些更有可能加入购物车、去结账或完成交易的用户。 - 模型2 ： 购物丢失模型 cart abandonment - 加购易丢失人群圈选 ；
精确定位那些更有可能在当前或下一回合放弃购物车的用户。 - 模型3 ： Customers LTV - 生命周期模型
通过关注具有较低或中等客户终身价值的用户，减少客户流失，将他们转变为忠实客户。 - 个性化推荐模型
- 关联产品模型
- 高频购买模型
- 搜索意图
- 人群分类
- 流失预警
2 预算分配
在morphl理论体系里面，预算分配包含两个步骤：
- 计算，budge -> revence 预算到收入之间的函数关系
- 计算，每个活动的预算分配优化模型
第一步 预算/收入预测函数
f(Cost) = f(Cost(t) | Cost(t-1), Revenue(t-1), ... Cost(t0), Revenue(t0)) = Revenue function
根据历史的预算/收入数据，进行预测
第二步 预算最优化问题
在有了每个活动预算/收入预测函数之后，就可以开始解决预算最优化，以下有三种情况：
黄线是预算/投入金额累计线；
蓝线是预算/投入效率曲线（原文表示：The blue line is the relation between the budget and the returning sum.）
曲线的顶点就是最佳的budge范围，可以帮助进行预算分配
3 相关案例解读
3.1 相关数据样式
github地址：Morphl-AI/Ecommerce-Marketing-Spend-Optimization
来看github放开的两个数据源格式：
- 市场花费数据，包括年份，总投入，TV/Digital 等渠道的收入
- 渠道转化数据，广告ID，FB活动ID，年龄，性别，曝光，点击，花费，转化等
其中的几个案例，介绍了几种他们常用的方法：
3.2 2. Budget optimization - basic statistical model
这里其实是非常简单的几种方法
- 收入 ~ 投入,直接除法算ROI
- 收入 ~ 曝光,曝光 ~ 投入,也是直接除法换算
3.3 4. Budget allocation - pseudo-revenue - first-revenue assumption - regressions
- 用上了回归模型来计算，Revenue~cost
- 举例了两种做法,Revenue ~ cost 两变量回归;rev ~ cost + click等协变量
这里有一个bucket index概念,还没特别看懂，猜测是一个合理的活动间隔期，类似session
Let a bucket be: C o s t B = [ 0 , 0 , 50 , 20 , 0 , 15 ] Cost_B=[0, 0, 50, 20, 0, 15] CostB=[0,0,50,20,0,15], R e v e n u e B = [ 30 , 100 ] Revenue_B=[30, 100] RevenueB=[30,100].
This means that the first revenue (30) was generated by the first two costs alone,
so we merged the next bucket as well.
We’ll sum them, getting C Σ B = 85 C_{\Sigma B}=85 CΣB=85 and R Σ B = 130 R_{\Sigma B}=130 RΣB=130. Then, the bucket constant is: α B = 130 / 85 = 1.529 \alpha_B=130/85=1.529 αB=130/85=1.529.
Then, our pseudo-revenues will be: P s e u d o − R e v e n u e B = [ 0 ∗ α B , 0 ∗ α B , 50 ∗ α B , 20 ∗ α B , 0 ∗ α B , 15 ∗ α B ] = [ 0 , 0 , 76.45 , 30.58 , 0 , 22.935 ] Pseudo-Revenue_{B} = [0*\alpha_B, 0*\alpha_B, 50*\alpha_B, 20*\alpha_B, 0*\alpha_B, 15*\alpha_B] = [0, 0, 76.45, 30.58, 0, 22.935] Pseudo−RevenueB=[0∗αB,0∗αB,50∗αB,20∗αB,0∗αB,15∗αB]=[0,0,76.45,30.58,0,22.935].
借助上述例子，猜测，
- 为什么不是一一对应：
[
0
,
0
,
50
,
20
,
0
,
15
]
−
>
[
r
1
,
r
2
,
r
3
,
r
4
,
r
5
]
[0,0,50,20,0,15] -> [r1,r2,r3,r4,r5]
[0,0,50,20,0,15]−>[r1,r2,r3,r4,r5]
因为投入 和 统计收入 不是同步的，投入之后会需要一段时间来统计。 - 如何一一对应？
可以采用一些数据插补策略，比如算一个总的bucket constant
3.4 5. Budget allocation - pseudo-revenue - one-week assumption - regressions
第四案例，可能是间断式的活动，那么第五个案例，可能是一个长期的案例，
所以这里的bucket时间间隔是固定的1周，以此进行计算。
4 代码测试
github地址：Morphl-AI/Ecommerce-Marketing-Spend-Optimization
来看github放开的两个数据源格式：
- 市场花费数据，包括年份，总投入，TV/Digital 等渠道的收入
- 渠道转化数据，广告ID，FB活动ID，年龄，性别，曝光，点击，花费，转化等
4.1 简单系数一阶收入预测
对应jupyter - 2. Budget optimization - basic statistical model
就是直接 => R e v / C o s t Rev / Cost Rev/Cost
import pandas as pd
'''
模型一：直接算个总的ROI
Directly modeling f(Cost) = Revenue
'''
class StatisticalModel:
def __init__(self):
# This model has just a single parameter, computed as the count between targets and inputs
self.param = np.nan
def fit(self, x, t):
assert self.param != self.param
self.param = t.sum() / x.sum() # 核心,非常简单的算一个ROI，作为系数进行计算
def predict(self, x):
assert self.param == self.param
return x * self.param
def errorL1(y, t):
return np.abs(y - t).mean()
def plot(model, valData, xKey, tKey):
validCampaigns = list(valData.keys())
ax = plt.subplots(len(validCampaigns), figsize=(5, 30))[1]
for i, k in enumerate(validCampaigns):
x = valData[k][xKey]
t = valData[k][tKey]
y = model[k].predict(x)
ax[i].scatter(x, y, label="%s Predicted" % (tKey))
ax[i].scatter(x, t)
ax[i].set_title(k)
ax[i].legend()
# 数据读入
conversion_data = pd.read_csv('Datasets/conversion_data.csv')
# marketing_spend_data = pd.read_csv('Datasets/marketing_spend_data.csv')
model_cost_revenue = {}
predictions_cost_revenue = {}
errors_cost_revenue = {}
displayDf = pd.DataFrame()
res_cost_revenue = []
campaigns = set(conversion_data['xyz_campaign_id'])
# from sklearn.model_selection import train_test_split
# X_train,X_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.3,random_state=0)
trainData = {}
valData = {}
for k in campaigns:
data = conversion_data[conversion_data['xyz_campaign_id'] == k]
num = int(len(data)*0.8)
trainData[k] = data[:num]
valData[k] = data[num:]
# Cost_col = 'Cost'
# Revenue_col = 'Revenue'
Cost_col = 'Spent' # 投入
Revenue_col = 'Total_Conversion' # 产出
for k in campaigns:
model_cost_revenue[k] = StatisticalModel()
model_cost_revenue[k].fit(trainData[k][Cost_col], trainData[k][Revenue_col])
predictions_cost_revenue[k] = model_cost_revenue[k].predict(valData[k][Cost_col])
errors_cost_revenue[k] = errorL1(predictions_cost_revenue[k], valData[k][Revenue_col])
res_cost_revenue.append([k, trainData[k][Cost_col].sum(), trainData[k][Revenue_col].sum(), \
model_cost_revenue[k].param, errors_cost_revenue[k]])
displayDf = pd.DataFrame(res_cost_revenue, columns=["Campaign", Cost_col, Revenue_col, "Fit", "Error (L1)"])
display(displayDf)
print("Mean error:", displayDf["Error (L1)"].mean())
plot(model_cost_revenue, valData, Cost_col, Revenue_col)
只是一个范例，
4.2 模型二:考虑曝光
类似：cost -> 曝光 -> 收入
Cost x Revenue ~= Cost x Sessions + Sessions x Revenue
曝光 = a1 * cost
收入 = a2 * 曝光
分两步走，主要截取的也是2. Budget optimization - basic statistical model
# 随机设定一个session
session_col = 'Impressions' # 曝光
Cost_col = 'Spent' # 投入
Revenue_col = 'Total_Conversion' # 产出
# 第一步：曝光 = a1 * cost
model_cost_sessions = {}
predictions_cost_sessions = {}
errors_cost_sessions = {}
displayDf = pd.DataFrame()
res_cost_sessions = []
for k in campaigns:
model_cost_sessions[k] = StatisticalModel()
model_cost_sessions[k].fit(trainData[k][Cost_col], trainData[k][session_col])
predictions_cost_sessions[k] = model_cost_sessions[k].predict(valData[k][Cost_col])
errors_cost_sessions[k] = errorL1(predictions_cost_sessions[k], valData[k][session_col])
res_cost_sessions.append([k, trainData[k][Cost_col].sum(), trainData[k][session_col].sum(), \
model_cost_sessions[k].param, errors_cost_sessions[k]])
displayDf = pd.DataFrame(res_cost_sessions, columns=["Campaign", Cost_col, session_col, "Fit", "Error (L1)"])
display(displayDf)
print("Mean error:", displayDf["Error (L1)"].mean())
plot(model_cost_sessions, valData, Cost_col, session_col)
# 第二步：收入 = a2 * 曝光
model_sessions_revenue = {}
predictions_sessions_revenue = {}
errors_sessions_revenue = {}
displayDf = pd.DataFrame()
res_sessions_revenue = []
for k in campaigns:
model_sessions_revenue[k] = StatisticalModel()
model_sessions_revenue[k].fit(trainData[k][session_col], trainData[k][Revenue_col])
predictions_sessions_revenue[k] = model_sessions_revenue[k].predict(valData[k][session_col])
errors_sessions_revenue[k] = errorL1(predictions_sessions_revenue[k], valData[k][Revenue_col])
res_sessions_revenue.append([k, trainData[k][session_col].sum(), trainData[k][Revenue_col].sum(), \
model_sessions_revenue[k].param, errors_sessions_revenue[k]])
displayDf = pd.DataFrame(res_sessions_revenue, columns=["Campaign", session_col, Revenue_col, "Fit", "Error (L1)"])
display(displayDf)
print("Mean error:", displayDf["Error (L1)"].mean())
plot(model_sessions_revenue, valData, session_col, Revenue_col)
# 第三步：合并
displayDf = pd.DataFrame()
errors_cost_revenue = {}
res_cost_revenue_combined = []
class TwoModel(object):
def __init__(self, modelA, modelB):
self.modelA = modelA
self.modelB = modelB
def predict(self, x):
return self.modelA.predict(self.modelB.predict(x))
models_cost_revenue = {k : TwoModel(model_cost_sessions[k], model_sessions_revenue[k]) for k in valData}
for k in campaigns:
predictions_cost_revenue[k] = models_cost_revenue[k].predict(valData[k][Cost_col])
errors_cost_revenue[k] = errorL1(predictions_cost_revenue[k], valData[k][Revenue_col])
res_cost_revenue_combined.append([k, errors_cost_revenue[k]])
displayDf = pd.DataFrame(res_cost_revenue_combined, columns=["Campaign", "Error (L1)"])
display(displayDf)
print("Mean error:", displayDf["Error (L1)"].mean())
plot(models_cost_revenue, valData, Cost_col, Revenue_col)
标签：revenue,AI,sessions,Morphl,Budget,cost,model,col,Cost 来源： https://blog.csdn.net/sinat_26917383/article/details/117663751
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。