Spelling suggestions: "subject:"simpel probabilistic"" "subject:"simpel probabilistische""
1 |
Insights on Creating a Growth Machine Using Attribution Modelling / Insikter kring skapandet av en tillväxtmaskin med attributionsmodelleringKindbom, Hannes, Reineck, Viktor January 2021 (has links)
Given access to detailed tracking data, the problem of attribution modelling has recently gained attention in both academia and the industry. Being able to determine the influence of each marketing channel in driving conversions can help advertisers to allocate their marketing budgets accordingly and ultimately increase their customer base and achieve a higher Return On Investment (ROI). However, Last-Touch Attribution (LTA), the current industry standard to approach the problem, has been criticized for oversimplification. In this degree project, two data-driven attribution models are therefore compared to the LTA model on real data from an insurance company, with the objective to optimize for customer base growth and ROI. Raw attributions for each channel are obtained after training the models to predict conversion or non-conversion. By using a linear function to obtain a Customer Lifetime Value (CLV) estimate, the attributions are then adjusted to the ROI of each channel and finally validated through an attribution based budget allocation and historical marketing data replay. The experimental results demonstrate that all models reach approximately 82% accuracy on balanced data, just below the calculated theoretical maximum. While current research consistently argues for more complex data-driven Multi-Touch Attribution (MTA) models, this project provides a nuance to this field of research in showing that the LTA model may, in fact, be suitable in some cases. A new approach to develop specialized models based on correlations between conversion and contextual variables, then shows that attribution models for mobile users specifically yield higher accuracy. The sum of such unnormalized attributions function as indicators for the conversion strength of contextual variables and can further assist decision making. / Givet tillgång till detaljerad spårningsinformation har attributionsmodellering nyligen fått uppmärksamhet i både akademin och näringslivet. Att kunna förstå påverkan varje marknadsföringskanal har på att driva konverteringar, kan underlätta för annonsörer att fördela marknadsföringsbudgetar och i slutändan öka antalet kunder samt uppnå en högre avkastning på investeringen. Last-Touch-Attribution (LTA), den nuvarande branschstandarden för att angripa problemet, har emellertid kritiserats för att vara överförenklande. I det här examensarbetet jämförs därför två datadrivna attributions-modeller med LTA på verklig data från ett försäkringsbolag med målet att optimera för kundbastillväxt och avkastning. Råa attributioner för varje kanal erhålls efter att modellerna tränats på att prediktera konvertering eller icke-konvertering. Genom att estimera kundens livstidsvärde med en linjär funktion, justeras attributionerna sedan med avkastningen på investering för varje kanal och valideras slutligen genom en attributionsbaserad budgetallokering och uppspelning av historisk marknadsföringsdata. De experimentella resultaten visar att alla modeller når ungefär 82% träffsäkerhet på balanserad data, strax under det beräknade teoretiska maximivärdet. Medan aktuell forskning konsekvent argumenterar för mer komplexa datadrivna multi-touch-modeller, ger det här projektet en nyans till forskningsfältet genom att visa att LTA i vissa fall kan vara lämplig. Ett nytt tillvägagångssätt för att utveckla specialiserade modeller baserade på korrelationer mellan konvertering och kontextuella variabler, visar sedan att attributionsmodeller för enbart mobilanvändare ger högre träffsäkerhet. Summan av sådana onormaliserade attributioner fungerar som indikatorer på konverteringsstyrkan för kontextuella variabler och kan ytterligare underlätta beslutsfattandet.
|
Page generated in 0.0561 seconds