粗糙的贝叶斯转化概率预测模型
转化率是网站分析中最受关注的指标之一,如何设定转化率目标?哪些用户最有可能转化?他们有哪些特征?如何发现并找到这些用户?这些都是负责网站运营和市场营销的同学最关注的问题。本篇文章通过贝叶斯算法对网站中已经完成转化的历史用户数据进行分析,发现购买转化用户的特征,并通过交叉细分对不同用户购买转化的概率进行预测。
贝叶斯是分类和预测算法中的一种,我们在前面的文章中已经详细介绍过它的计算过程。贝叶斯通过已知的P(B|A)的概率计算P(A|B)的概率。如果P(A)和P(B)相互独立,成为朴素贝叶斯(Naive Bayes)。以下为贝叶斯的计算公式:
我们将通过这个公式对用户的转化概率进行预测。下面是一个人工生成的数据表截图(需要说明的是,这些数据都是人工生成的示例数据,并不代真实的品类及来源表现)。这类数据表可能来自网站的服务器日志,CRM系统,用户调研报告或者网站数据报告中。在这个简单的数据表里只包含有两个字段:品类和是否购买。其中品类表示用户访问过的页面所属的商品类别,是否购买表示用户最终是否付款。在这个数据表中,是否购买是我们所关注的结果。品类是维度。
在使用贝叶斯公式开始计算之前,我们首先需要将数据表转化为以维度和结果组成的频率表,频率表中包含4类信息:
每个品类用户的数量。
购买和未购买用户的数量。
不同品类购买和未购买的访问者数量。
用户的总数量。
我们将使用者四类信息来计算贝叶斯算法中所需要的概率值。在生成频率表的过程中有一点需要注意,结果信息(购买/未购买)要放在列的位置,维度信息(数码,家居)要放在行的位置。下面我们将通过频率表生成用于计算的似然表。
以下为似然表,其中包含了用于贝叶斯算法中所需要的概率值。我们与贝叶斯公式对照来看:P(A)=P(购买)是完成购买的概率,P(B)=P(数码)是数码类别的概率,P(B|A)=P(数码|购买)是已经购买的用户中数码品类的概率。下面的图表中标识了这几个概率和所对应的位置。
将各个对应的概率值代入到贝叶斯公式中,求出各品类的购买概率。下面是以数码品类为例计算出的购买概率。
将其他品类的数据分别代入到贝叶斯公式中,求出所有品类的购买概率。每个品类购买概率的数值如下表所示。
这个概率值可以理解为不同品类的转化率。这里有两个需要说明的问题。首先,预测的概率数据可能并不准确,因为我们只考虑了单一维度的因素(品类)。而影响用户购买的影响因素会有很多,并且品类维度也未必是最重要的影响因素。这就好像我们看见一个黑人就认为他来自非洲一样。只依靠肤色这个单一的维度来做判断结果可能并不准确。其次,这个分品类的转化率我们通过现有数据也能求出来,不需要通过复杂的贝叶斯算法计算。并且这个预测数据对于寻找新的转化用户,以及优化购买转化率并没有明显的支持作用。
因此,为了获得更准确并且有价值的预测数据,我们需要在更广泛的数据源中增加新的维度。下面的数据表与之前相比增加了新的维度“来源”,我们通过来源和品类两个维度重新计算转化概率。
计算的方法和之前一样,先分别计算并生成两个维度的频率表。下面是来源和品类维度各自的频率表。
在频率表的基础上分别对来源和品类维度生成似然表。下面的图表中标注了所需要的概率值。
将似然表中的概率值代入到公式中,求出所需的概率值。这里以SEM流量在数码品类的购买概率为例进行计算。
将渠道和品类的概率值分别代入公式获得分来源的品类购买概率。如下表所示。可以发现,与之前相比每个品类的转化概率都与来源维度进行了交叉细分。对细分后的品类转化概率进行对比后可以发现每个流量来源对于不同品类的转化概率。例如:对于数码品类,引荐流量,EDM流量和社交媒体的购买概率要高于其他来源。到了这一步也许你还想知道每个流量来源的特征和在不同品类中的转化概率。
我们以来源作为主维度来重新组织数据,分析不同流量来源的特征以及在不同品类中的转化概率。以SEM流量为例,在示例数据中,SEM流量在汽车,图书和户外品类中的转化概率较高,在数码和服装的转化概率一般,在家居品类的的转化概率则相对较差。
到这一步我们已经有了流量来源和品类交叉的概率。与之前的单一品类维度转化概率来看要更准确一些,并已经能对流量渠道选择和广告投放有一些初步的指导作用。但这些数据并不是基于人的,无法帮助我们发现用户的特征以及如何寻找更多的转化用户。因此,我们需要增加与人有关的维度。这些数据可能并不在网站日志中,他们可能来自用户调研或其他渠道。下面的数据表中增加了用户的人群属性信息,如月收入,婚姻状况,学历,和星座等信息,这也更贴近网站分析中的真实情况。
我们重新调整视角,把关注和分析的维度从流量来源转向与人有关的属性。首先是用户月收入属性和品类。这里我们假定品类是用户来访的目的。以服装品类为例,通过月收入和品类维度的交叉细分可以发现,月收入15000元以上用户完成购买的概率较高,而月收入在5001-10000元的用户完成购买的概率较低,为0.38。
重新整理两个细分维度的顺序,将月收入作为主维度可以发现不同收入区间用户对品类的网站商品购买的概率。以15001-20000元区间为例,购买图书,汽车,母婴和服装的概率较高,而购买家居和户外品类的概率则相对较低。
两个维度的购买概率预测明显要优于单一维度的结果。因为我们掌握了更多的信息,降低了结果的不确定性。但这还并不能回答本文开篇时的问题,哪些用户最有可能转化?如何找到这些用户?他们有哪些特征?因此,还需要引入更多的用户属性。下面我们将维度增加到3个,以更好的对用户进行细分和定位。
在下面的数据表中,我们使用品类,学历和婚姻状况三个维度进行交叉细分,建立不同用户的购买概率表。与两个维度的概率表相比,三个维度的概率表无论是在内容还是计算量上都增加了一倍(这还只是在增量了婚姻状况后的情况,如果增加星座维度,会更加复杂)。多维度的概率表应该由程序计算和维护,而不应该手动计算。
三个维度交叉后的购买概率表能够更加精准的描述用户属性,并定位用户的购买偏好。对于一个专科学历,未婚的用户,我们可以根据历史的购买数据来判断他有0.94的概率会购买户外用品。或者换个角度来看,对于汽车这个品类,寻找未婚的硕士研究生用户可能比寻找已婚小学用户购买概率高0.2(0.81-0.61)。
这个购买的预测概率准确吗?按照这个概率来寻找用户投放广告就一定能有收获吗?答案是不一定。概率只是这件事发生的可能性,并不是说这件事一定会发生。因为实际情况比模型要复杂的多,以服装品类为例,这其中可能还涉及到季节性因素和品牌因素和价格因素的影响。因此我们还需要按照每次预测的结果对模型进行不断的调整和优化。
最后再次说明,本文中的所有数据都是人工生成的示例数据,只为说明分析思路和计算过程,没有任何代表性。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11