数据挖掘 - 转化归因的时间衰减公式 - 吾爱随笔录

问题：

网络分析包用于在转化前与用户关联的多个会话之间分配功劳的时间衰减公式是什么？

语境：

像 Google Analytics 这样的所有网络分析包都依赖于以下概念：

用户 访问者，即独特的 cookie 浏览器。用户有很多...
SESSIONS 访问，即近距离内的浏览量集。
转换 成功事件，例如可能在会话期间发生的注册。

这些分析包允许您将单个转化的功劳分配给所有先前的会话，因为每个会话都在引导用户进行转化方面发挥了作用。一种这样的模型是时间衰减，它为远离转换的会话提供了越来越少的功劳份额。

时间衰减视觉：（第 1 节）▂ ▃ ▅ ▆（转换）

有关归因模型的更多信息。

样本数据：

我假设所需的数据是：

n- 用户在转化前的总会话数
t- 从用户第一次会话到转化的总时长
tbc- 每个会话转换前的单独时间

因此，对于三个不同的示例用户，数据可能如下所示：

UserID n t Session# Timestamp TBC Conversion in session? User1 4 12 1 2015-10-01 12 No User1 4 12 2 2015-10-06 7 No User1 4 12 3 2015-10-11 2 No User1 4 12 4 2015-10-13 0 YES User2 3 4 1 2015-10-09 4 No User2 3 4 2 2015-10-09 4 No User2 3 4 3 2015-10-13 0 YES User3 1 0 1 2015-10-14 0 YES

这是一个解决方案：

使用以下数据：

用户级别：

fss 第一个会话开始（时间戳） - 该用户的第一个会话的第一次综合浏览时间

css 转换会话开始（时间戳）- 用户转换的会话的第一次综合浏览时间

ns 会话数 (int) - 用户转换前的总会话数

会话级别：

ss 会话开始（时间戳） - 会话中第一次综合浏览的时间戳

公式： 为每个会话计算

第一次会议：归因信用只是线性的：（或者真的是你想做的任何事情）

$sc\ =\ \frac{1}{ns}$

所有其他会话：

首先计算所有会话的“转换前时间”的总和：

$sum(tbc)=\frac{((css-fss)\ \times\ ns)-sum(ss)}{css-fss}$
然后计算每个会话的信用：

$sc\ =\ \frac{1\ -\ \frac{css\ -\ ss}{css\ -\ fss}}{ns\ -\ \frac{sum(tbc)}{css\ -\ fss}}\times\ \frac{ns-1}{ns}$

它并不完美，因为它根据用户生命周期中会话的相对位置分配信用。理想情况下，您有一个预设的半衰期（如 7 天），以便比较更加一致。