营销活动效果评估怎么写,短视频营销效果评估

　　点击上方蓝字关注我们 　　

　　https://mp.weixin.qq.com/s/1xBlwxtEuknXq4vX-Sq1XA 　　

　　利用Uplift模型识别营销敏感用户提升转化率 　　

　　上篇　　

　　1.探索数据的基本情况。　　

　　2.数据预处理和相关性分析。　　

　　3.样本余额验证。　　

　　下篇　　

　　1.建立营销收益模型。　　

　　2.营销收益模型的效果评价。　　

　　完整数据集和代码已经上传知识星球，获取连接 　　

　　https://t.zsxq.com/AMBAa2F 　　

　　#继续分享上周的内容。回头见。　　

　　https://mp.weixin.qq.com/s/BtA6JyEMQ32QgNJ8XBx3eg,还是点击阅读原文吧！　　

　　#建立营销收益模型。　　

　　经过上述过程，数据集已经被处理成营销增益模型所需的输入形式。以下是建立营销收益模型的正式开始。和其他监督模型一样，营销增益模型也需要分为训练集和验证集。我们通过下面的代码实现了数据特征和数据标签的分离，按照7:3的比例划分训练集和测试集。　　

　　来自sklearn。model _ selection导入train _ test _ split导入XG boost为XG bdef上传_ split (df _ model3360pd。dataframe) : #数据集分区。按照7:3的尺度，划分数据集x=df _ model.drop (['target '，' target _ class']，axis=1)y=df _ model . target _ class x _ train，x _ test，\ y _ train，y _ test=train _ test _ split(。y，test_size=0.3，random_state=42，分层=df_model['治疗'])返回X_train，X_test，y_train，y_test 　　

　　数据集划分后，我们通过xgboost构建了一个营销收益模型。营销模式的实现过程如下代码所示，可分为三个步骤。首先，在测试数据集上，用xgboost算法训练模型。其次，在验证数据集上计算营销增益得分，即营销增益响应率(增量)。　　

　　响应率，内部收益率)；最后，绘制混淆矩阵来评价模型的效果。　　

　　def隆起_模型(X_train:pd。DataFrame，X_test:pd。DataFrame，y_train:pd。DataFrame，Y_test:pd。DataFrame): #使用XGB模型训练数据集结果=pd。dataframe (x _ test)。copy()upup _ model=xgb。xgbclassifier()。fit (x _ train。drop('治疗'，Axis=1)，y_train) #预测测试集隆起_ proba \=隆起_模型的结果。predict _ proba (x _ test.drop('治疗'，axis=1))结果[' proba _ cn ']=upload _ proba[33366]。0]结果['proba_CR']=隆起_proba[:1]结果['proba_TN']=隆起_proba[:2]结果['proba_TR']=隆起_proba[:3]结果['隆起_score']=结果. eval '、proba_CN/(proba_CN proba_CR))、proba_TR/(proba_TN proba_TR)、- proba_TN/(proba)valid _ pred=upload _ model . predict(x _ test . drop('治疗'，axis=1))cm=sk . metrics . muffusion _ matrix(y)。　　

(10,10)) sns.heatmap(cm, annot=True, fmt='g',cmap="YlGnBu",ax = ax); #annot=True to annotate cells #轴标签、图名 ax.set_xlabel('Predicted labels'); ax.set_ylabel('True labels'); ax.set_title('Confusion Matrix'); ax.xaxis.set_ticklabels(['CN', 'CR','TN','TR']);ax.yaxis.set_ticklabels(['CN', 'CR', 'TN','TR']); result['target_class'] = y_test return result

此处对营销增益响应率做一个说明，营销增益响应率是描述与未受到促销干预的用户相比，其购买比率提升的程度，计算公式如下所示。

参考：https://www.worldscientific.com/doi/abs/10.1142/S0219622019500172

公式（1）中T表示受到干预的全部用户，即(TR + TN)；C表示未受到干预的全部用户。

最后将数据集分割函数和建模函数整合到一起构建营销整合模型，实现代码如下。

def uplift(df_model:pd.DataFrame): # 整合数据集分割函数以及建模函数 X_train, X_test, y_train, y_test =uplift_split(df_model) result = uplift_model(X_train, X_test,y_train, y_test)return result

# 营销增益模型效果评价

完成建模之后的工作就是评价模型效果，这一节我们通过混淆矩阵、增益值分布以及Qini曲线评价营销增益模型效果。

# 1.混淆矩阵

第一部分已经完成营销增益模型的构建，如下代码实现对“买一送一”营销策略的用户转化分类，并在验证集上通过混淆矩阵检验模型效果，混淆矩阵结果如图1所示。

bogo_uplift = uplift(df_model_bogo)

图1 “买一送一”营销策略的混淆矩阵

同样地，对于“打折促销”策略也是用营销增益模型识别营销敏感人群，实现代码如下，混淆矩阵结果如图2所示。

discount_uplift = uplift(df_model_discount)

图2 “打折促销”策略的混淆矩阵

# 2.增益值分布

除了混淆矩阵外，增益值也是直观衡量营销策略的指标。对于“买一送一”策略，我们通过如下代码绘制了营销增益分数的分布。

plt.figure(figsize= (10,6))plt.xlim(-.05,.1)plt.hist(bogo_uplift.uplift_score,bins=1000, color=['#2077B4'])plt.xlabel('Upliftscore')plt.ylabel('Numberof observations in bogo')plt.title("Upliftscore of bogo")

如图3展示了实施“买一送一”带来的用户转化提升。相比于没有任何营销策略，“买一送一”策略能够对用户转化带来积极的作用，当然对于部分用户也会出现反作用。

图3 “买一送一”策略增益值分布

同样地，对于“打折促销”策略我们也使用同样的方法对营销增益值进行可视化，实现代码如下所示。

plt.figure(figsize= (10,6))plt.xlim(-.05,.1)plt.hist(discount_uplift.uplift_score,bins=1000, color=['#2077B4'])plt.xlabel('Upliftscore')plt.ylabel('Numberof observations in discount')plt.title("Upliftscore of discount")

结果如图4所示，“打折促销”策略对于用户的转化同样存在积极作用和消极作用，但是与“买一送一”策略相比，“打折促销”策略对用户转化的积极影响更胜一筹。