简介：本文介绍如何使用Databricks进行广告效果归因分析，完成一站式的部署机器学习，包括数据ETL、数据校验、模型训练/评测/应用等全流程。

作者：冯加亮阿里云开源大数据平台技术工程师

本文介绍如何使用Databricks进行广告效果归因分析，完成一站式的部署机器学习，包括数据ETL、数据校验、模型训练/评测/应用等全流程。

内容要点：

一、数据ETL

本文通过归因分析模型，分析不同渠道下的NewYork City快餐店的人流量数据，量化影响人们去快餐店消费的主要活动因子。

首先，从不同的媒体网站，获取分析需要的人流量的数据，模拟SafeGraph月度的人流量数，将数据存储到Bronze层。然后，进行数据清洗，将每月的时间序列数据，每日访问次数，存储到Silver层，将影响快餐店人流量的数据汇总至Gold层，进行进一步校验，确定是否满足要求。

接下来，对相关字段进行筛选，筛选出需要的字段，将店铺每日访问的人流量展示出来。

本文的数据是8月店铺的人流量，如果进行机器学习模型训练，还需要引入不同快餐店的人流量数据，来丰富该数据工程。

为了丰富数据工程，数据工程师创建了赛百味的fastfood数据集，模拟广告投放、社交媒体、门户网站的流量参数，将人流量的具体情况，默认到这个food traffic表中。

通过调用谷歌的Google Trends API，来丰富food traffic的数据。然后，将聚合后的数据写入delta gold table里，完成数据的ETL工作。

Google Trends，即常说的谷歌趋势，是谷歌基于搜索数据推出的一款分析工具。它通过分析谷歌搜索引挚每天数十亿的搜索数据，告诉用户某一关键词或者话题，各个时期在谷歌搜索引擎中展示的频率及其相关统计数据。

二、机器学习

完成ETL的相关工作之后，进入机器学习模块，将不同来源的人流量数据，统一到Data Lake架构里。通过数据清洗，得到需要的数据。然后，对数据进行校验，确定是否满足机器学习的模型训练需求。

通过使用预测模型，量化不同渠道的人流量，对最终消费进行预测。

接下来，利用模型，整合各个媒介渠道影响客流量的百分比，对广告投放的优化提出可行性的见解。

如上图所示，第一张表是整个纽约州不同城市间的人流分布图，第二张表是New York City的人流分布图。通过上图，可以直观看到不同城市间的人流量差距较大，所以要对纽约州的每个城市进行单独的分析。

接下来，使用Plot features对数据进行校验，使用Pandas数据框进行数据搜索，数据解析。

通过Python绘图，可以看到数据的分布情况，比如广告投放的连续情况，以及社交媒体网站的浏览情况。

完成上述操作后，对数据集的整体分布进行校验，得出feature分布符合预期。综上所述，该数据集满足Xgboost学习训练的要求。

接下来，使用Xgboost机器学习框架进行训练。通过调整参数，选择一个相对损失较小的训练模型，对该模型进行实际预测，从上图可以看到，红色线是预测结果，蓝色线是真实的客户流量。

通过该模型进行实际预测，得出社交媒体对客流量的影响，占总体的50.7%，网页浏览对客流量的影响，占总体的39%。故得出，不同渠道的广告对客流的影响，真实有效。

综上所述，利用SHAP模型整合各媒介渠道客流的百分比，通过绘制图表，能够准确找到影响客流量最大的因子。社交媒体和home页面访问是推动客流量最有效的渠道，所以预算分配可以有的放失，从而提高整体销售或市场份额。

操作演示视频

产品技术咨询

本文为阿里云原创内容，未经允许不得转载。