衡量你市场营销活动的内在因果影响-育师

原文：towardsdatascience.com/measuring-the-intrinsic-causal-influence-of-your-marketing-campaigns-aa8354c26b7b?source=collection_archive---------1-----------------------#2024-06-02

因果 AI，探索因果推理与机器学习的结合

https://medium.com/@raz1470?source=post_page---byline--aa8354c26b7b--------------------------------https://towardsdatascience.com/?source=post_page---byline--aa8354c26b7b-------------------------------- Ryan O’Sullivan

·发表于 Towards Data Science ·阅读时间：10 分钟·2024 年 6 月 2 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/53a2610606f77459b2f6d61dc9fa2372.png

图片由 Melanie Deziel 提供，来源于 Unsplash

这篇系列文章讲的是什么？

欢迎来到我的因果 AI 系列文章，我们将在其中探索因果推理如何融入机器学习模型。你将了解在不同商业环境中的一些实际应用。

在上一篇文章中，我们探讨了定价和促销中的非线性处理效果优化。这次我们将讨论衡量你的市场营销活动的内在因果影响。

如果你错过了上一篇关于定价和促销中非线性处理效果的文章，可以点击这里查看：

## 定价和促销中的非线性处理效果优化

因果 AI，探索因果推理与机器学习的结合

towardsdatascience.com

介绍

在这篇文章中，我将帮助你理解如何衡量你的市场营销活动的内在因果影响。

以下几个方面将会被涵盖：

在市场营销衡量方面存在哪些挑战？
什么是内在因果影响？它是如何工作的？
一个在 Python 中的案例研究，展示了我们如何利用内在的因果影响来为营销活动提供应有的归因。

完整的笔记本可以在这里找到：

[## causal_ai/notebooks/understanding the intrinsic causal influence of your marketing campaigns.ipynb…

这个项目介绍了因果 AI 以及它如何推动商业价值。 - causal_ai/notebooks/understanding the…

github.com](https://github.com/raz1470/causal_ai/blob/main/notebooks/understanding%20the%20intrinsic%20causal%20influence%20of%20your%20marketing%20campaigns.ipynb?source=post_page-----aa8354c26b7b--------------------------------)

在营销衡量中有哪些挑战？

什么是内在因果影响，它是如何工作的？

这个概念来源于哪里？

这个概念最初在 2020 年的一篇论文中提出，并在今年更新：

[## 通过结构保持干预量化内在因果贡献

我们提出了一种因果影响的概念，描述了节点对目标的“内在”贡献部分……

proceedings.mlr.press

它在 Python 包 DoWhy 的 GCM 模块中实现：

[## 量化内在因果影响 - DoWhy 文档

通过量化内在因果影响，我们回答了这个问题：上游的因果影响有多强？

www.pywhy.org

我个人最初发现这个概念很难掌握，所以在接下来的章节中，让我们一步步地分解它。

因果图回顾

在我们试图理解内在因果影响之前，了解因果图、结构因果模型（SCM）和加性噪声模型（ANM）非常重要。我在系列文章中的一篇应该能帮助你快速理解：

## 使用因果图来回答因果问题

因果 AI，探索因果推理与机器学习的整合

[towardsdatascience.com

提醒一下，因果图中的每个节点可以视为一个模型中的目标，其中它的直接父节点作为特征。通常会为每个非根节点使用加性噪声模型：

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7a53c88f3047851b720211ef9a58afd4.png

用户生成的图像

什么才是真正的内在因果影响？

现在我们已经回顾了因果图，让我们开始理解什么是真正的内在因果影响……

“内在”的字典定义是“自然归属”。在我脑海里，我把它想象成一个漏斗，漏斗顶端的东西做着繁重的工作——我们希望赋予它们应得的因果影响。

让我们看下面的示例图，以帮助我们进一步解开内在因果影响：

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/881d59714c222dacbf265e92471283e5.png

用户生成的图像

A、B 和 C 是根节点。
D 是一个非根节点，我们可以通过它的直接父节点（A、B、C）和一个噪声项来建模。
E 是一个非根节点，类似于 D，我们可以通过它的直接父节点（A、B、C）和一个噪声项来建模。
F 是我们的目标节点，我们可以通过它的直接父节点（D、E）和一个噪声项来建模。

让我们聚焦于节点 D。它从节点 A、B 和 C 继承了一部分对节点 F 的影响。它对节点 F 的内在影响，部分并非仅仅从 A、B 和 C“继承”而来，而是来自噪声项。因此，我们可以说每个节点的噪声项可以用来估算对目标节点的内在因果影响。值得注意的是，根节点仅由噪声组成。

在案例研究中，我们将深入探讨如何精确计算内在因果影响。

它如何帮助我们衡量我们的营销活动？

希望你已经能看到营销获取示例和内在因果影响之间的联系——内在因果影响能否帮助我们停止低估品牌活动，停止高估表现型活动？让我们在案例研究中找出答案！

案例研究

背景

年底将至，营销总监正面临财务团队的压力，要求她为明年计划投入如此多的营销费用做出解释。财务团队使用一个最后点击模型，将收入归因于客户点击的最后一个东西。他们质疑为什么即便每个人都是通过有机或社交渠道进入的，依然需要花钱做电视广告！

数据科学团队的任务是估算每个营销渠道的内在因果影响。

设置图（DAG）

我们从使用专家领域知识来设置一个 DAG 开始，重复使用之前的营销获取示例：

# Create node lookup for channelsnode_lookup={0:'Demand',1:'TV spend',2:'Social spend',3:'Organic clicks',4:'Social clicks',5:'Revenue'}total_nodes=len(node_lookup)# Create adjacency matrix - this is the base for our graphgraph_actual=np.zeros((total_nodes,total_nodes))# Create graph using expert domain knowledgegraph_actual[0,3]=1.0# Demand -> Organic clicksgraph_actual[0,4]=1.0# Demand -> Social clicksgraph_actual[1,3]=1.0# Brand spend -> Organic clicksgraph_actual[2,3]=1.0# Social spend -> Organic clicksgraph_actual[1,4]=1.0# Brand spend -> Social clicksgraph_actual[2,4]=1.0# Social spend -> Social clicksgraph_actual[3,5]=1.0# Organic clicks -> Revenuegraph_actual[4,5]=1.0# Social clicks -> Revenue

本质上，财务团队使用的最后点击模型只使用收入的直接父节点来衡量营销效果。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/10701f0d7ea8bedd7cc6187be62b73da.png

用户生成的图像

数据生成过程

我们根据 DAG 的数据生成过程创建一些数据样本：

3 个根节点，由噪声项组成；需求、品牌支出和社交支出。
2 个非根节点，均继承自 3 个根节点的影响力，并加上一些噪声项；有机点击，社交点击。
1 个目标节点，继承自 2 个非根节点的影响力，并加上一个噪声项；收入

# Create dataframe with 1 column per codedf=pd.DataFrame(columns=node_lookup.values())# Setup data generating processdf[node_lookup[0]]=np.random.normal(100000,25000,size=(20000))# Demanddf[node_lookup[1]]=np.random.normal(100000,20000,size=(20000))# Brand spenddf[node_lookup[2]]=np.random.normal(100000,25000,size=(20000))# Social spenddf[node_lookup[3]]=0.75*df[node_lookup[0]]+0.50*df[node_lookup[1]]+0.25*df[node_lookup[2]]+np.random.normal(loc=0,scale=2000,size=20000)# Organic clicksdf[node_lookup[4]]=0.30*df[node_lookup[0]]+0.50*df[node_lookup[1]]+0.70*df[node_lookup[2]]+np.random.normal(100000,25000,size=(20000))# Social clicksdf[node_lookup[5]]=df[node_lookup[3]]+df[node_lookup[4]]+np.random.normal(loc=0,scale=2000,size=20000)# Revenue

训练 SCM

现在我们可以使用 python 包 DoWhy 中的 GCM 模块来训练 SCM。我们设置数据生成过程时采用线性关系，因此可以使用岭回归作为每个非根节点的因果机制：

# Setup graphgraph=nx.from_numpy_array(graph_actual,create_using=nx.DiGraph)graph=nx.relabel_nodes(graph,node_lookup)# Create SCMcausal_model=gcm.InvertibleStructuralCausalModel(graph)causal_model.set_causal_mechanism('Demand',gcm.EmpiricalDistribution())# Deamndcausal_model.set_causal_mechanism('TV spend',gcm.EmpiricalDistribution())# Brand spendcausal_model.set_causal_mechanism('Social spend',gcm.EmpiricalDistribution())# Social spendcausal_model.set_causal_mechanism('Organic clicks',gcm.AdditiveNoiseModel(gcm.ml.create_ridge_regressor()))# Organic clickscausal_model.set_causal_mechanism('Social clicks',gcm.AdditiveNoiseModel(gcm.ml.create_ridge_regressor()))# Social clickscausal_model.set_causal_mechanism('Revenue',gcm.AdditiveNoiseModel(gcm.ml.create_ridge_regressor()))# Revenuegcm.fit(causal_model,df)

或者，我们可以使用 auto_assignment 函数来自动分配模型（而不是手动定义它们）。

我将跳过模型评估部分，因为这不是我文章的重点。然而，我们也可以使用 GCM 评估因果模型：

[## 评估 GCM - DoWhy 文档

建立图形因果模型（GCM）需要做出各种假设和模型选择，这些都可能影响……

www.pywhy.org

内在因果影响

我们可以轻松地使用 GCM 模块计算内在因果影响。我们这样做并将贡献转换为百分比：

# calculate intrinsic causal influenceici=gcm.intrinsic_causal_influence(causal_model,target_node='Revenue')defconvert_to_percentage(value_dictionary):total_absolute_sum=np.sum([abs(v)forvinvalue_dictionary.values()])return{k:round(abs(v)/total_absolute_sum*100,1)fork,vinvalue_dictionary.items()}convert_to_percentage(ici)

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/c14365497df9456fd24f942070d8c77f.png

用户生成的图片

让我们在条形图上展示这些：

# Convert dictionary to DataFramedf=pd.DataFrame(list(ici.items()),columns=['Node','Intrinsic Causal Influence'])# Create a bar plotplt.figure(figsize=(10,6))sns.barplot(x='Node',y='Intrinsic Causal Influence',data=df)# Rotate x labels for better readabilityplt.xticks(rotation=45)plt.title('Bar Plot from Dictionary Data')plt.show()