归因分析计算因子贡献度常见的方法

原创

已于 2023-01-31 15:01:41 修改 · 4.6w 阅读

176

标签

#数据挖掘 #数据分析

于 2023-01-31 15:00:22 首次发布

本文介绍了归因分析中常用的计算方法，包括替代法、加法-直接拆解、乘法-log转化等，帮助读者理解如何量化不同因素对核心指标的贡献度。

在归因分析中，我们一般都需要计算出每个因子的贡献度是多少，比如产品DAU上升，对年龄段维度进行拆解，看是不同年龄段的用户对DAU上升的贡献度是多少，一般根据指标的类型，计算贡献度的方法也不一样，下面就列出一些常见的归因分析贡献度的计算方法。

1、指标类型

2、贡献度计算

2.1、替代法：A/B或者A*B*C类型指标

2.5、加法-加权占比法：M=A+B+C（纵向对比，分解维度）

1、指标类型

指标类型一般可以直接分为两类，原子指标和复合指标，原子指标就是DAU、GMV这种单值，不依赖其他变量独立统计的指标。复合指标是在原子指标上进行数学计算加工，需要通过两个或多个变量做除法计算的指标，比如购买率=购买人数/浏览商品人数。

2、贡献度计算

2.1、替代法：A/B或者ABC类型指标

2.1.1、连环替代法

公式定义：

假设核心经营指标及计算公式为：M = a * b *c，
对比周期指标值为 M1 = a1 * b1 * c1，本期指标值为 M2 = a2 * b2 * c2；本期对比上期的偏移量为 M2 - M1
确定先后替换顺序为：a、b、c，找出最大的核心指标影响因子
先替换a，得到Ma = a2 * b1 * c1，那么因子a对核心指标的影响为 Ha = Ma - M1
再替换b，得到Mb = a2 * b2 * c1，那么因子b对核心指标的影响为 Hb = Mb - Ma
再替换c，得到Mc = a2 * b2 * c2，那么因子c对核心指标的影响为 Hc = Mc - Mb
比较影响因子a、b、c对核心指标的影响值Ha、Hb、Hc的大小，其中各因子的差异值之和等于核心指标差异值（Ha + Hb + Hc = M2 - M1），从而找到影响核心指标最大的因素。
进一步Ha / (M2 - M1)可以表示a指标带来的影响比例大小。跟预期相比，M2 - M1这么大差额由于a指标降低（提升）的影响，对实际总指标M造成了Ha大小的损失（提高）

优势&局限性：
优势：通过上面的拆解可以发现，该方法满足所有下级指标的波动之和等于核心指标的波动，使得波动可以用瀑布图完美呈现。
局限：
● 贡献值的大小与替换顺序强相关，甚至会因为替换顺序的改变影响贡献值的排序结果；虽然理论上可以通过数量指标-质量指标-价值指标的顺序来尽量保证结果的可靠性，但对于大部分产品用户而言并不一定清楚了解内在逻辑并如此配置，会导致结论严谨性受损。
● 无法保证下级指标的贡献度在[-100%,100%]的范围，业务解释性较差

2.1.2、控制替代法

公式定义

控制其他指标不变，替换a指标，得到Ma = a2*b1*c1，那么因子a对核心指标的影响为 Ha = Ma - M1
控制其他指标不变，替换b指标，得到Mb = a1*b2*c1，那么因子b对核心指标的影响为 Hb = Mb - M1
控制其他指标不变，替换c指标，得到Mc = a1*b1*c2，那么因子c对核心指标的影响为 Hc = Mc - M1

a指标的贡献度可以计算为：Contri_a = Ha/|Ha|+|Hb|+|Hc|
b指标的贡献度可以计算为：Contri_b = Hb/|Ha|+|Hb|+|Hc|
c指标的贡献度可以计算为：Contri_c = Hc/|Ha|+|Hb|+|Hc|

优势&局限性：
● 替换顺序的影响被消除，无论先替换哪个指标，因子贡献值的组合唯一。
● 每个因子的贡献值均落在[-100%,100%]的范围，业务解释性更强。
● 无法保证各指标影响之和为指标本身偏差。