渠道质量评估模型( 三 ) 获客是大多数的商业场景下的

而斯皮尔曼等级相关系数是反映两组变量之间联系的密切程度，它和相关系数r一样，取值在-1到+1之间，所不同的是它是建立在等级的基础上计算的。正适合这样的场景

基尼系数（Gini Coefficient）和分位数图（Decile Chart）

用来判断模型是否能对样本点的真实分布有个较好的拟合效果，而不是最终的拟合结果都趋近与腰部，头部和尾部没有拟合好，导致结果区分度不强（比如较差的渠道会拟合高，较好的渠道会拟合低），具体评估方法和实现代码详见：
材料：
GitHub：

文章插图

文章插图
04
反作弊及异常识别
作弊的识别除了要依赖反作弊团队专业的作弊识别技术外，分析师还需要做什么呢？分析师的优势在哪里呢？
分析师的优势在于：对渠道的结算逻辑，渠道归因逻辑，用户激活，用户站内承接，用户后续表现有一套完整清晰的认识，这些优势最终可以应用在以下几个地方：

明确哪些渠道，哪些结算方式是作弊的重灾区，以及究竟是媒体作弊还是代理商作弊？
撞库过程中，哪些指标异常可以反映付费渠道在抢占免费量，这时候即使付费渠道质量很好，结果也是不可信的，以及归因过程中，从ip ， imei等更多维度上，也能看出一些问题。
哪些行为指标之间是强相关的，如果在某些渠道上，这些指标并不相关，甚至负相关，说明该渠道可能存在问题
一个正常的留存曲线是什么样的？比如某些渠道前10天表现特别好， 10天后突然变差，这种情况分析师可以识别，但是反作弊比较难识别，这种情况可能由于积分墙导致，需要引起注意，否则会对投放预算造成强误导。
用户的正常行为是什么样的？用户的异常行为是什么样的？

具体判断细节一来根据业务不同有很强的个性化特征，二来这些识别手段公开后可能导致模型失效，因此不再做过多说明
05
渠道优化在对渠道质量进行准确评估并且识别出异常渠道后，我们来到了渠道优化环节，渠道优化一方面需要调整预算，另一方面涉及到具体渠道的优化细节。各个渠道由于结算方式的不同，而导致优化逻辑截然不同：

比如预装本质上属于一种合约广告，按照装机量进行收费，优化的逻辑就是给出准确的装机建议，并且做好预装的调起和承接工作
再比如几大主要的应用商店厂商比如华米OV应用商店是无法拆解付费免费量的，就会导致应用商店的用户质量看起来很高，但其实可能是虚假繁荣
还有很多时候SEM的目标在于找出大量的低成本长尾词来获客，而信息流专注于投放素材的优化和调整，并且具有较强的时效性

随着现在大数据技术的日益发展， RTA ， RTB等这些技术应用越来越多，很多媒体也开始采用OCPX的手段来做广告的自动优化。投放工作开始逐渐朝着产品化的方向发展，分析师在具体渠道的优化上需要做的事情越来越少，而需要用一种更宏观的视角来做全局的优化调整。
作者：姜博