[论文解读] Revenue-based Attribution Modeling for Online Advertising

Kaifeng Zhao, Seyed Hanif Mahboobi+1 more|arXiv (Cornell University)|Oct 18, 2017

Consumer Market Behavior and Pricing参考文献 13被引用 3

一句话总结

本文提出了一种基于收入的归因建模方法，采用相对重要性方法——主导分析（dominance analysis）与相对权重分析（relative weight analysis）——应用于回归模型，以公平分配在线广告渠道对收入的贡献。该方法将这些技术扩展至加法模型，在模拟实验和真实世界数据中，相较于传统方法展现出更优的准确性与灵活性。

ABSTRACT

This paper examines and proposes several attribution modeling methods that quantify how revenue should be attributed to online advertising inputs. We adopt and further develop relative importance method, which is based on regression models that have been extensively studied and utilized to investigate the relationship between advertising efforts and market reaction (revenue). Relative importance method aims at decomposing and allocating marginal contributions to the coefficient of determination (R^2) of regression models as attribution values. In particular, we adopt two alternative submethods to perform this decomposition: dominance analysis and relative weight analysis. Moreover, we demonstrate an extension of the decomposition methods from standard linear model to additive model. We claim that our new approaches are more flexible and accurate in modeling the underlying relationship and calculating the attribution values. We use simulation examples to demonstrate the superior performance of our new approaches over traditional methods. We further illustrate the value of our proposed approaches using a real advertising campaign dataset.

研究动机与目标

• 开发一种更准确、更灵活的方法，用于将收入归因于在线广告渠道。
• 解决传统归因模型依赖简单或任意分配规则所导致的局限性。
• 将相对重要性技术从线性模型扩展至加法回归模型，以更好地建模复杂的广告效应。
• 提供一种数据驱动、统计严谨的框架，用于衡量每个广告输入对整体收入的真实贡献。

提出的方法

• 采用并扩展相对重要性方法，将回归模型的R²分解为各个预测变量（广告渠道）的贡献。
• 实施两种子方法：主导分析，通过评估所有预测变量子集中的平均边际贡献来衡量重要性；相对权重分析，通过正交成分评估相对重要性。
• 将分解技术应用于标准线性模型与加法模型，以捕捉广告投入与收入之间的非线性关系。
• 通过模拟研究验证所提方法相较于传统归因模型的性能表现。
• 将方法应用于一个真实的广告活动数据集，以展示其实际应用价值与鲁棒性。
• 通过基于回归理论与方差分解的理论基础，确保归因值的可解释性与统计严谨性。

实验结果

研究问题

• RQ1 如何以统计上合理的方式，公平地将收入归因于各个在线广告渠道？
• RQ2 传统归因模型在捕捉广告投入与收入之间复杂非线性关系方面存在哪些局限性？
• RQ3 像主导分析与相对权重分析这样的相对重要性方法，是否能比标准方法提供更准确、更灵活的归因？
• RQ4 当这些方法从线性模型扩展至加法模型时，在捕捉非线性效应方面表现如何？
• RQ5 在真实世界广告数据集中，这些方法能在多大程度上提升收入归因的准确性？

主要发现

• 在模拟研究中，所提方法——主导分析与相对权重分析——在准确归因收入方面显著优于传统归因模型。
• 将分解方法扩展至加法模型，增强了灵活性，并改善了对广告投入与收入之间非线性关系的建模能力。
• 相对重要性框架为收入贡献的分配提供了统计上可靠的基础，减少了因任意或启发式分配规则带来的偏差。
• 在真实广告活动数据集上的实证结果，证实了该方法在真实场景中的实际价值与鲁棒性。
• 这些方法被证明比传统方法更可靠、更具可解释性，尤其在广告渠道存在相关性的情况下表现更优。
• 本研究证实，基于相对重要性的收入归因方法能提供更准确、更具行动指导意义的数字广告优化洞察。