近年來，購物方式發生了巨大變化。如今，知情的客戶在投資任何項目之前都會進行研究，并且只有在通過多種渠道和網站為自己獲得最優惠的價格后才能進行在線購買。但是，這使得營銷人員很難在做出有意識的選擇之前正確確定客戶接觸了多少營銷渠道。

如果我們確定客戶在購買他們最喜歡的產品之前經過的渠道路徑，我們可以使用渠道歸因模型分析哪個渠道幫助他們進行了購買。這樣的多渠道報告將為我們提供兩個重要的轉化價值：最終點擊轉化和輔助轉化。

在這篇文章中，我將向您展示如何使用Python構建多渠道歸因模型，然后可以將其用于檢索我上面提到的有價值的信息。這將極大地幫助任何企業甚至個人賣家的營銷策略。

傳統電子商務歸因模型

在我向您展示如何基于Python構建歸因模型之前，首先快速瀏覽一些傳統的電子商務歸因模型會很有幫助。

由于客戶變得更加注重研究，并且更愿意在沉迷于產品之前探索所有渠道，因此市場機構使用營銷歸因模型來追蹤影響客戶購買的渠道：

• 第一次接觸歸因模型——第一個渠道獲得 100% 的信用，因為它被認為是負責客戶購買決策的第一個營銷渠道。
• 最后一次接觸歸因模型——最后一個渠道或最后一個接觸點在此模型中被賦予 100% 的功勞，因為認為最后接觸的營銷渠道對客戶的購買選擇負責。
• 線性接觸歸因模型——在此歸因模型中，客戶旅程中存在的所有營銷渠道都被賦予同等的功勞。每個渠道都被視為平等地影響客戶的購買選擇。
• U 形或浴缸歸因模型——該模型將 40% 分配給第一個和最后一個通道，20% 平均分配給其余通道。這種渠道在電子商務公司中最為常見。

顯然，每種模型都可以對客戶行為提供不同的見解。具體細節在一定程度上取決于所涉及的業務，但這正是多渠道歸因模型的價值所在，因為它使我們能夠了解在給定上下文中最適合什么。

現在我們已經簡要了解了各種模型，是時候看看我們如何構建自己的多渠道歸因模型了。

構建多渠道歸因模型的 Python 代碼

讓我們采用以下數據集。在列中，我們有參與活動，并且我們有連續參與的渠道。該數據集保持時間順序。我們為每個營銷渠道分配了一個固定的數值，并以這樣一種方式顯示它們：在 x 列中，x 的參與度是從具有相應營銷渠道的用戶那里獲取的。

我們已經轉換了通道 21 中的數據。因此，數據集包含用戶轉換的旅程。

讓我們通過導入必要的庫來邁出第一步。在這里，您必須導入 Pandas 庫進行數據操作，Seaborn進行數據分析，Matplotlib進行數據可視化，以及創建新流程的子流程。

下一步是加載數據集，您可以使用 pd.read_csv() 函數來完成。現在，您需要使用 df.columns 獲取列列表。完成后，您可以遍歷列以將所有整數更改為字符串。之后，必須清理數據點。

這里，需要用到馬爾科夫鏈框架;因此，您需要將用戶旅程放在一個變量中。您需要將其視為第一通道>第二通道>第三通道等形式。下一段代碼將執行此活動。

在數據集中，通道號 21 是轉換事件。因此，我們需要將此通道與原始路徑分離。之后，您必須創建另一個轉換變量來保存成功轉換的數量。以下代碼塊將完成此操作。

恭喜，您已完成數據操作過程!

現在，您必須獲取下一步需要轉發的列子集，因為您的數據集仍然具有原始數據集。您還需要在此處對用戶數據進行分組，因為許多用戶可以進行相同的旅程。

您的轉化變量將分別包含每個客戶旅程的轉化次數。此外，我們需要創建另一個 CSV 文件來存儲路徑數據。您可以使用此 CSV 文件來運行歸因方法。

現在，您有兩個選擇。第一個是使用 pip 安裝頻道歸因模塊。要安裝此模塊，只需轉到您的終端，然后編寫以下內容：

pip install --upgrade setuptools
pip install Cython
pip install ChannelAttribution

第二種選擇是您自己在Python中創建馬爾可夫網絡/鏈。盡管如此，將 Python 代碼與 R 編程語言中的“ChannelAttribution”庫集成會更快。該庫包含頻道歸因的所有可執行組件。您可以使用 Python 庫子流程來完成此操作。

如果您想計算第一次觸摸歸因，以下代碼塊將幫助您。

與第一次觸摸類似，您也可以計算最后一次觸摸的歸因。以下代碼塊將完成此操作。

另外，如果需要計算線性歸因，可以運行下面這段代碼。

現在，您可以按照分步過程使用 Python 編程語言構建多渠道歸因模型。試一試，看看結果。

實施數據驅動歸因模型的挑戰

領先的營銷人員依賴數據驅動的歸因模型，因為它可以有效地確定接觸點對客戶旅程的影響。品牌現在可以獲取他們需要的數據并進行分析，因為這有助于他們根據客戶洞察改進營銷策略。

但是，在實施數據驅動的歸因模型時，您可能會面臨各種挑戰。這些包括：

• 采取行動或獲得洞察力之間的兩難選擇可能是您將面臨的根本挑戰。您將始終希望添加一個新的數據點，這將為您提供更多見解。它可能會導致緩慢的改進和升級。
• 有各種可用的歸因模型。因此，您需要從各種選項中進行選擇。大多數情況下，特定的歸因模型會帶來優化的結果。因此，找到完美的模型具有挑戰性，需要更多的研究。
• 你會發現各種工具來實現。但是你需要選擇完美的組合。您的團隊必須知識淵博，才能克服這一挑戰。
• 您需要整合離線和在線接觸點，以獲得正確的客戶洞察力。因此，您可能會面臨許多挑戰，例如準確記錄客戶洞察、識別每個接觸點的唯一鍵、影響問題等。

每種情況都需要一個獨特的解決方案。需要耐心分析問題以提出最佳解決方案。每個公司可能有不同的要求，團隊成員之間需要出色的協調和同步來滿足特定需求。

在任何時候不放棄都會引導你達到你的最終目標。提出較小的改進總有一天會讓你取得巨大的成功，所以要保持熱情，以積極的心態和樂觀的觀點面對每一個挑戰。

知識就是力量

在這篇文章中，我向您展示了如何使用 Python 制作多渠道歸因模型。如您所見，目前使用的電子商務歸因模型有很多種，每種模型都有自己的特點。

此外，使用數據驅動的歸因模型涉及某些挑戰，從采取行動或獲得洞察力之間的兩難選擇，到您必須做出的各種選擇。

盡管如此，知識就是力量：了解客戶旅程為您提供了采取適當行動的資源。希望這篇文章能為您的知識提供最好的結果，并很好地服務于您的目的。