使用点击日期归因型指标评估 Search Ads 360 出价策略的效果
除了出价策略（和预算出价策略）指标（如“出价策略促成的转化次数”、“出价策略收入”和“最佳费用”）均是点击归因型指标外，所有其他指标（如“非购买型操作数”和“交易次数”）都是转化归因型指标。而且，无论这些指标出现在何处，点击归因型指标会始终是点击归因型指标，转化归因型指标会始终是转化归因型指标。也就是说，如果您将 Floodlight 中的“非购买型操作次数/费用”列或 Floodlight 中的“交易次数”列添加到出价策略报表中，这些指标仍然是转化归因型指标。同样地，如果您将“出价策略带来的总收入”列添加到关键字报表中，这些指标仍然是点击归因型指标。
推荐系统系列之推荐系统概览（上）
离线评价指标中，最常用的指标是AUC以及GAUC，尤其是AUC。AUC细分为AUC-ROC和AUC-PR，AUC-ROC可能更常用。AUC-ROC是指随机给定一个正样本和一个负样本，分类器输出该正样本为正的那个概率值比分类器输出该负样本为正的那个概率值要大的可能性。GAUC (Group AUC)是计算每个用户的AUC，然后加权平均，最后得到Group AUC，实际处理时权重一般可以设为每个用户view或click的次数，而且需要过滤掉单个用户全是正样本或负样本的情况，具体公式参考如下：
首页推荐场景的通用召回策略
基于热度/流行度/排行榜的召回策略
可以从两个维度来组合：统计周期和物品item的顶级类目。比如统计一段时间内同类目的所有Item的评价次数以及该Item的平均评分，根据评分来进行排序，由于不同Item的评价次数可能差别很大，直接基于平均评分来排序效果不好。为了公平起见，采用加权的评分更合理，可以参考如下的公式：v是某Item参与评分的用户的个数，m是筛选的评分用户个数阈值，即如果某个item评分的用户个数低于阈值则该item将被忽略（比如采用评分用户个数的20%分位数来决定该阈值），R是该item的评分均分，C是所有item的平均分。
基于物品画像的召回策略
3. 最后计算用户的embedding与其他没有发生过行为的item embedding的相似度并排序。
基于协同过滤的召回策略
- 基于用户(user-based)的协同过滤，核心思想是首先根据相似度计算出目标用户的邻居集合，然后用邻居用户评分/交互的加权组合来为目标用户作推荐。 通常分为三步：首先使用所有用户的item评分/交互矩阵来计算目标用户与其他用户之间的相似度（利用Pearson相关系数、余弦相似度等方法）；然后选择与目标用户相似度最高的K个用户；最后通过对邻居用户的评分/交互的加权求和来预测目标用户对每个他自己没有评过分/交互的Item的评分/感兴趣程度。这里的加权指的是用用户之间的相似度作为评分/交互的权重，如下图公式中的sim(u,ui)。
上面公式中的U表示的是目标用户u的邻居用户集合（即topK相似的用户集合），s表示的是用户-物品交互矩阵中出现过的item并且被邻居用户交互过且没被目标用户交互过的item。score(ui,s)是用户ui对物品s的喜好度， 对于隐式反馈为1（ 只要不是用户直接评分的操作行为都算隐式反馈，包括浏览、点击、播放、收藏、评论、点赞、转发等等 ），而对于非隐式反馈，该值为用户对物品的评分。
- 基于物品(item-based)的协同过滤，核心是基于Item-Item共现矩阵通过某种相似度度量来计算两个Item的相似度，区别于基于内容的推荐方法，这里不需要对Item的特征本身建模，完全是基于用户对Item的行为历史数据。方法主要分三步：首先需要构造item-item共现矩阵，遍历训练数据，计算出喜欢两两物品的用户数，填入矩阵中。然后计算物品之间的相似度，需要惩罚热门物品以及惩罚活跃用户，公式如下：
根据物品的相似度和用户的历史行为给用户生成推荐列表：
使用点击日期归因型指标评估 Search Ads 360 出价策略的效果
除了出价策略（和预算出价策略）指标（如“出价策略促成的转化次数”、“出价策略收入”和“最佳费用”）均是点击归因型指标外，所有其他指标（如“非购买型操作数”和“交易次数”）都是转化归因型指标。而且，无论这些指标出现在何处，点击归因型指标会始终是点击归因型指标，转化归因型指标会始终是转化归因型指标。也就是说，如果您将 Floodlight 中的“非购买型操作次数/费用”列或 Floodlight 中的“交易次数”列添加到出价策略报表中，这些指标仍然是转化归因型指标。同样地，如果您将“出价策略带来的总收入”列添加到关键字报表中，这些指标仍然是点击归因型指标。
基于这个指标的策略效果更好
你可能会好奇：为什么把“应用”放在“搭建”的前面？其实这里我想说明的是指标体系是为了应用到实际业务中产生的，帮助业务目标的达成和业绩增长。在日常工作中，我们常常需要回答这样的问题：
- 老板关注的某条业务线的数据表现如何？
- 新上线的产品功能表现如何，是否受用户欢迎？
- 运营和营销同学关注的活动效果如何？
- 市场投放效果如何？
一、指标体系的介绍
比如，衡量一个公司每个月能不能挣钱，可以用利润评估；一个商场每个月顾客多不多，可以用客流量评估；一个网页有多少人来了就走了，可以用跳出率评估……其中的“利润”“客流量”“跳出率”就是指标，它是评估业务目标表现或效果的量化参数，最直观的作用就是将业务量化。
除了总利润，我们还想进一步知道不同分公司的利润分布，哪个模块带来的利润更多，那么这时我们会把“利润”按照不同的维度拆解，这里涉及到的概念是“维度”，维度指的是分析量化指标的多个拆分角度，它是影响指标的关键变量。
那什么是指标体系？先来看什么是体系？体系泛指一定范围内同类事物按照一定的顺序或内在联系而组成的整体。指标体系也一样，指的是不同指标按照一定的顺序及内部联系而组成的整体。此外，在指标体系中，除了以应用为出发点搭建，还会加入使用指南，说明指标到底怎么用才能给业务带来增长。
为什么我们要搭建指标体系？总结起来主要是两点——目标管理和目标经营，即通过指标体系，可以把公司每个业务环节量化和透明化，方便了解目标与现状之间的差距，以及如何通过这些信息驱动业务的发展，达成组织目标。具体来说，主要作用有四点：
第一，统一公司口径。同一个指标在不同部门的口径定义是不一样的，如果每个部门各说各话，会产生误差从而影响效率。统一口径可以避免定义模糊和逻辑混乱，从而影响业务开展和数据质量。
第二，提升组织效率。指标体系可以帮助策略落地执行，及时反馈并评估策略和动作执行情况，还可以明确组织和部门的经营目标，让整体组织朝着同一个方向前进。
第三，了解业务现状。指标可以量化业务情况，清楚了解业务现状，定位问题及改善方向。
第四，科学决策业务。一个相对全面的数据指标体系，可以让管理层从数据层面对公司的发展有一个比较客观的认识，让每一次决策都有足够的证据支撑。
二、如何搭建指标体系
介绍完概念，接下来我们看看如何搭建指标体系，总的原则是以终为始，从应用到搭建，那该如何实操呢？
1. 明确企业的第一目标
以一个具体案例来说，比如某电商公司，已经完成前期基础获客阶段，日活（DAU）50万，用户总量千万，私域用户 500 基于这个指标的策略效果更好 万，当前业务面临新用户增速放缓，主要目标是营收同比翻倍。
第一是产品定位和核心价值，即解决用户的核心需求是什么？解决方式和核心转化路径是什么？盈利模式及当前痛点是什么？
第二是行业目前发展阶段，大致分为新兴期、成熟期、饱和期，不同时期的重点指标也不同。
第三是产品阶段，主要分为需求验证期、快速发展期、跨越鸿沟的稳定期、稳定期、没落期等。
2. 第一目标拆到各部门
GMV = 购买人数 * 客单价= 访问人数 * 购买转化 * 笔单价 * 复购率=（新增用户 + 活跃老用户）* 商品详情页触达率 * 购买转化 * 笔单价 * 复购率
- 符合整个业务的主流程
- 对上级指标有充分解释力、贡献度、影响力，不能是无关的指标
- 存在优化的可能性，意味着成本和能力可控
- 足够重要，而且精力允许
3. 聚焦业务场景，制定策略
当完成第一目标 GMV 拆解后，再把每个模块的内容分解到每个部门，比如基于今年的第一目标，运营总监的目标是消费活跃用户数达到 500 万；产品总监的目标是用户转化率提升 50%；市场总监的目标是新增用户增加 1000 万。
4. 指标体系树
（2）树枝——业务部门目标完成流程
比如运营中心的目标是活跃消费会员数 500 万，基于这个目标他看到指标说明书和用户旅程后，分析今年的新用户拉新比较困难，需要在老用户留存和转化经营上下功夫，有了这样的运营策略，接下来就要往这个方面执行和优化。基于大的用户运营策略，运营总监再将这个战略变成一个个可执行的动作分配到每个小组。
1）运营部门策略及业务制订
接下来我们具体实操一下。比如运营部门今年的目标是消费活跃数达到 500 万，如何定义消费活跃呢？对应的要求是每季度都有消费。
2）执行动作效果反馈与评估
- 梳理用户行为流程
- 列出每个流程下的度量指标（绝对值和转化率；看总部说明书）
- 列出可能会影响结果的可变因素——维度
3）基于目标和指标调整方向
（3）指标体系树：度量为基础，业务为应用
三、指标体系的落地形式
1. 管理层指标体系落地形式
此外，指标体系和 KPI 管理结合，把体系中策略目标体现到具体的 KPI 制定中，达成高效组织管理。
2. 策略层指标体系落地形式
KPI 管理：KPI 的管理，实际上是把整个公司部门的策略拆分成每个小组的运营动作，再通过每个小组成员的目标达成推动完成整个部门的业绩。这时看板不仅要包括公司整体情况，还要有部门目标完成情况及每个小组的结果情况。