近年来，购物方式发生了巨大变化。如今，知情的客户在投资任何项目之前都会进行研究，并且只有在通过多种渠道和网站为自己获得最优惠的价格后才能进行在线购买。但是，这使得营销人员很难在做出有意识的选择之前正确确定客户接触了多少营销渠道。
如果我们确定客户在购买他们最喜欢的产品之前经过的渠道路径，我们可以使用渠道归因模型分析哪个渠道帮助他们进行了购买。这样的多渠道报告将为我们提供两个重要的转化价值：最终点击转化和辅助转化。
在这篇文章中，我将向您展示如何使用Python构建多渠道归因模型，然后可以将其用于检索我上面提到的有价值的信息。这将极大地帮助任何企业甚至个人卖家的营销策略。
传统电子商务归因模型
在我向您展示如何基于Python构建归因模型之前，首先快速浏览一些传统的电子商务归因模型会很有帮助。
由于客户变得更加注重研究，并且更愿意在沉迷于产品之前探索所有渠道，因此市场机构使用营销归因模型来追踪影响客户购买的渠道：
- 第一次接触归因模型——第一个渠道获得 100% 的信用，因为它被认为是负责客户购买决策的第一个营销渠道。
- 最后一次接触归因模型——最后一个渠道或最后一个接触点在此模型中被赋予 100% 的功劳，因为认为最后接触的营销渠道对客户的购买选择负责。
- 线性接触归因模型——在此归因模型中，客户旅程中存在的所有营销渠道都被赋予同等的功劳。每个渠道都被视为平等地影响客户的购买选择。
- U 形或浴缸归因模型——该模型将 40% 分配给第一个和最后一个通道，20% 平均分配给其余通道。这种渠道在电子商务公司中最为常见。
显然，每种模型都可以对客户行为提供不同的见解。具体细节在一定程度上取决于所涉及的业务，但这正是多渠道归因模型的价值所在，因为它使我们能够了解在给定上下文中最适合什么。
现在我们已经简要了解了各种模型，是时候看看我们如何构建自己的多渠道归因模型了。
构建多渠道归因模型的 Python 代码
让我们采用以下数据集。在列中，我们有参与活动，并且我们有连续参与的渠道。该数据集保持时间顺序。我们为每个营销渠道分配了一个固定的数值，并以这样一种方式显示它们：在 x 列中，x 的参与度是从具有相应营销渠道的用户那里获取的。
我们已经转换了通道 21 中的数据。因此，数据集包含用户转换的旅程。
让我们通过导入必要的库来迈出第一步。在这里，您必须导入 Pandas 库进行数据操作，Seaborn进行数据分析，Matplotlib进行数据可视化，以及创建新流程的子流程。
下一步是加载数据集，您可以使用 pd.read_csv() 函数来完成。现在，您需要使用 df.columns 获取列列表。完成后，您可以遍历列以将所有整数更改为字符串。之后，必须清理数据点。
这里，需要用到马尔科夫链框架;因此，您需要将用户旅程放在一个变量中。您需要将其视为第一通道>第二通道>第三通道等形式。下一段代码将执行此活动。
在数据集中，通道号 21 是转换事件。因此，我们需要将此通道与原始路径分离。之后，您必须创建另一个转换变量来保存成功转换的数量。以下代码块将完成此操作。
恭喜，您已完成数据操作过程!
现在，您必须获取下一步需要转发的列子集，因为您的数据集仍然具有原始数据集。您还需要在此处对用户数据进行分组，因为许多用户可以进行相同的旅程。
您的转化变量将分别包含每个客户旅程的转化次数。此外，我们需要创建另一个 CSV 文件来存储路径数据。您可以使用此 CSV 文件来运行归因方法。
现在，您有两个选择。第一个是使用 pip 安装频道归因模块。要安装此模块，只需转到您的终端，然后编写以下内容：
pip install --upgrade setuptools
pip install Cython
pip install ChannelAttribution
第二种选择是您自己在Python中创建马尔可夫网络/链。尽管如此，将 Python 代码与 R 编程语言中的“ChannelAttribution”库集成会更快。该库包含频道归因的所有可执行组件。您可以使用 Python 库子流程来完成此操作。
如果您想计算第一次触摸归因，以下代码块将帮助您。
与第一次触摸类似，您也可以计算最后一次触摸的归因。以下代码块将完成此操作。
另外，如果需要计算线性归因，可以运行下面这段代码。
现在，您可以按照分步过程使用 Python 编程语言构建多渠道归因模型。试一试，看看结果。
实施数据驱动归因模型的挑战
领先的营销人员依赖数据驱动的归因模型，因为它可以有效地确定接触点对客户旅程的影响。品牌现在可以获取他们需要的数据并进行分析，因为这有助于他们根据客户洞察改进营销策略。
但是，在实施数据驱动的归因模型时，您可能会面临各种挑战。这些包括：
- 采取行动或获得洞察力之间的两难选择可能是您将面临的根本挑战。您将始终希望添加一个新的数据点，这将为您提供更多见解。它可能会导致缓慢的改进和升级。
- 有各种可用的归因模型。因此，您需要从各种选项中进行选择。大多数情况下，特定的归因模型会带来优化的结果。因此，找到完美的模型具有挑战性，需要更多的研究。
- 你会发现各种工具来实现。但是你需要选择完美的组合。您的团队必须知识渊博，才能克服这一挑战。
- 您需要整合离线和在线接触点，以获得正确的客户洞察力。因此，您可能会面临许多挑战，例如准确记录客户洞察、识别每个接触点的唯一键、影响问题等。
每种情况都需要一个独特的解决方案。需要耐心分析问题以提出最佳解决方案。每个公司可能有不同的要求，团队成员之间需要出色的协调和同步来满足特定需求。
在任何时候不放弃都会引导你达到你的最终目标。提出较小的改进总有一天会让你取得巨大的成功，所以要保持热情，以积极的心态和乐观的观点面对每一个挑战。
知识就是力量
在这篇文章中，我向您展示了如何使用 Python 制作多渠道归因模型。如您所见，目前使用的电子商务归因模型有很多种，每种模型都有自己的特点。
此外，使用数据驱动的归因模型涉及某些挑战，从采取行动或获得洞察力之间的两难选择，到您必须做出的各种选择。
尽管如此，知识就是力量：了解客户旅程为您提供了采取适当行动的资源。希望这篇文章能为您的知识提供最好的结果，并很好地服务于您的目的。
