江苏龙网

  1. 主页 > 生活百科 > >

贝叶斯结构模型在全量营销效果评估的应用( 四 )

结构模型


贝叶斯结构模型在全量营销效果评估的应用

文章插图
图4-2：展示模拟数据 。虚线表示干预发生的时间点 ， 蓝线表示受到干预的观测数据；黄线与绿线表示没有受到干预的两组对照数据 。
# 调用模型：pre_period = [0, 69]#设置干预前的时间窗口post_period = [70, 99]#干预后的窗口ci = CausalImpact(data, pre_period, post_period)#调用CausalImpact# 对于causalImpact的使用我们核心需要填写三个参数：观测数据data、干预前的时间窗口、干预后的时间窗口 。# 输出结果：ci.plot()ci.summary()图4-3：展示CausalImpact输出的结果图 ， 图1表示真实值与模型拟合值的曲线；图2表示每个时刻真实值与预测值的差异；图3表示真实值与预测值的累计差值 。表3-1：展示CausalImpact输出的结果表格 ， 量化效应值effect的估计及其置信区间 ， 反映效应值是否具有显著性 。107.71表示干预之后实际值的平均；96.25表示干预之后预测值的平均 ， 3.28表示估计的标准差 ， [89.77,102.64]表示反事实估计的置信区间 。11.46表示实际值与预测值的差距 ， [5.07,17.94]表示差值的置信区间 ， 由于差距的置信区间在0的右侧 ， 表示干预有显著的提升作用 。
贝叶斯结构模型在全量营销效果评估的应用

文章插图
图4-3：展示CausalImpact输出的结果图 ， 图1表示真实值与模型拟合值的曲线；图2表示每个时刻真实值与预测值的差异 ， 橙色阴影部分表示置信区间；图3表示真实值与预测值的累计差值 。
贝叶斯结构模型在全量营销效果评估的应用

文章插图
表3-1：展示CausalImpact输出的结果表格 ， 量化效应值effect的估计及其置信区间 ， 反映效应值是否具有显著性 。107.71表示干预之后实际值的平均；96.25表示干预之后预测值的平均 ， 3.28表示估计的标准差 ， [89.77,102.64]表示反事实估计的置信区间 。11.46表示实际值与预测值的差距 ， [5.07,17.94]表示差值的置信区间 ， 由于差距的置信区间在0的右侧 ， 表示干预有显著的提升作用 。
4.2 模型校验
对于模型拟合的结果 ， 我们需要进行类似AB实验的“AA校验” 。一般可以通过图示的结果中的第二张图 ， 观察干预之前真实值与预测值差值的置信区间是否包含0 ， 如果包含0则说明通过检验 ， 模型拟合效果不错 。上图中 ， 置信区间均含0 ， 说明模型可用 。
4.3 模型调整
  • 过程参数：我们可以使用Tensorflow中的Decomposition来查看时序模型中各个结构元素 ， 包括周期性/季节性等等 。
seasonal_decompose(data)
贝叶斯结构模型在全量营销效果评估的应用

文章插图
图4-4展示了生成数据背后的状态元素 。第一张图反映原数据的走势；第二张图反映局部趋势因子；第三张图反映季节性因子 。可以看出数据存在季节性结构且呈单调上升趋势 。
  • 自定义参数：我们可以自定义参数的先验分布；迭代次数；周期性的时间窗口长度等等 。往往参数调整会对结果输出有影响 ， 例如正确的选取先验分布会让结果更准确；迭代次数更多能保证MCMC收敛更稳定（但也可能导致模型运行时间较长）等等 。其中最重要的是对时间窗口长度的设置 ， 需要正确地反映观测数据的周期性 。如果是年维度数据以星期为周期则设置neasnotallow=52；如果是天维度数据以小时为周期则设置neasnotallow=24等等 。
CausalImpact(...,model.args = list(niter = 20000, nseasons = 24))
贝叶斯结构模型在全量营销效果评估的应用

文章插图
图4-5展示CausalImpact包中各个参数含义及其默认值 。
  • 自定义时序模型：causalImpact的包中默认使用BSTS模型进行训练 ， 我们也可以改为其他的时序模型 ， 但前提是需要对数据进行标准化 。（如果使用默认的BSTS则不一定需要标准化）
from causalimpact.misc import standardizenormed_data, _ = standardize(data.astype(np.float32)) #标准化数据obs_data = https://www.isolves.com/it/cxkf/jiagou/2023-09-12/normed_data.iloc[:70, 0]# 使用tfp中的其他模型来训练时序数据linear_level = tfp.sts.LocalLinearTrend(observed_time_series=obs_data)linear_reg = tfp.sts.LinearRegression(design_matrix=normed_data.iloc[:, 1:].values.reshape(-1, normed_data.shape[1] -1))model = tfp.sts.Sum([linear_level, linear_reg], observed_time_series=obs_data)# 将自义定时序模型代入CausalImpact包中ci = CausalImpact(data, pre_period, post_period, model=model)


推荐阅读


上一篇：Win11 学院：如何在 Build 23541 任务栏上启用 Copilot 图标动画

下一篇：十种数据库缓存相关的技术和机制