mysimulator.uk
🔍 Пошук симуляцій…/
UK ▼
EnglishУкраїнськаПоточнаPolskiEspañolDeutsch日本語ItalianoPortuguês (BR)FrançaisالعربيةNederlands中文한국어हिन्दीTürkçeTiếng ViệtРусскийBahasa IndonesiaفارسیবাংলাไทยFilipinoKiswahiliاردوBahasa Melayuதமிழ்עבריתΕλληνικάਪੰਜਾਬੀአማርኛမြန်မာဘာသာខ្មែរქართულიनेपालीМонгол хэлՀայերենසිංහලລາວČeštinaRomânăMagyarБългарскиSvenskaDanskSuomiNorskSlovenčinaHrvatski
Головна▸ШІ та Машинне навчання▸Модель Маркетингової Атрибуції — Ланцюг Маркова Наживо

📊 Модель Маркетингової Атрибуції — Ланцюг Маркова Наживо

Спостерігайте, як справжня модель атрибуції ефекту видалення на основі ланцюга Маркова обчислює справжній внесок кожного маркетингового каналу в конверсію, симулюючи падіння ймовірності конверсії, коли цей канал видаляється з графа.

ШІ та Машинне навчання3DСкладний60 FPS
ai-marketing-attribution-modeling ↗ Відкрити окремо

Про цю симуляцію

Маркетингові команди регулярно запитують, який канал «заслуговує на визнання» за конверсію, а чесна відповідь потребує більше, ніж підрахунку останніх кліків. Ця симуляція будує справжній поглинальний ланцюг Маркова над клієнтськими подорожами: синтетичні послідовності точок дотику генеруються з прихованого справжнього процесу, емпірична матриця ймовірностей переходу підганяється з цих послідовностей точно так, як це робив би реальний аналітичний конвеєр, а загальна ймовірність конверсії розв'язується точно через фундаментальну матрицю N = (I − Q)⁻¹, а не оцінюється вибіркою. Ефект видалення кожного каналу — справжнє падіння ймовірності конверсії, коли його вхідні ребра перенаправляються до стану Null — стає його атрибутованою важливістю.

🔬 Що показано

3D граф у стилі силового спрямування з вузлами каналів (Платний пошук, Органічний пошук, Соціальні мережі, Email, Дисплейна реклама, Реферали) плюс поглинальні стани Start, Conversion і Null. Товщина й непрозорість ребер кодують справжні підігнані ймовірності переходу. Тестування каналу візуально перенаправляє його ребра й пульсує вузол, поки модель перевирішує весь ланцюг і повідомляє точне падіння ймовірності конверсії.

🎮 Як користуватися

Оберіть, скільки подорожей симулювати, і натисніть «Регенерувати», щоб перевибрати прихований генеративний процес і перепідігнати емпіричну матрицю. Оберіть канал і натисніть «Тест видалення», щоб побачити його індивідуальний ефект видалення, або «Запустити повну атрибуцію», щоб автоматично пройти кожен канал і заповнити живу стовпчикову діаграму нормалізованих відсотків атрибуції.

💡 Чи знали ви?

З дуже малою кількістю симульованих подорожей деякі канали ледь спостерігаються, і емпірична матриця повертається до консервативного припущення «нікуди не веде» — справжнє обмеження атрибуції Маркова на розріджених даних. Збільшення кількості подорожей підтягує підігнану матрицю до справжніх базових ймовірностей і стабілізує відсотки атрибуції.

Часті питання

Що таке моделювання атрибуції ланцюгом Маркова?

Атрибуція ланцюгом Маркова розглядає подорож кожного клієнта як прогулянку графом станів: стан Start, по одному стану на маркетинговий канал і два поглинальні кінцеві стани, Conversion і Null. Підгонка ймовірностей переходу між цими станами з історичних даних подорожей дозволяє точно розв'язати загальну ймовірність конверсії й виміряти причинний внесок кожного каналу.

Що таке ефект видалення і як він обчислюється?

Ефект видалення для каналу — це падіння загальної ймовірності конверсії, коли цей канал забирають із графа. Кожен перехід, що раніше вів у видалений канал, перенаправляється до стану Null, рівняння поглинального ланцюга перевирішуються, і різниця між оригінальною й новою ймовірністю конверсії — це ефект видалення каналу.

Як насправді розв'язується загальна ймовірність конверсії, а не просто симулюється?

Розділення каналів і поглинальних станів на перехідну підматрицю Q і поглинальну підматрицю R дає фундаментальну матрицю N = (I − Q)⁻¹, елементи якої — очікувана кількість відвідувань кожного перехідного стану. Множення N на R дає точну ймовірність завершення в кожному поглинальному стані з будь-якого початкового стану — ця симуляція обертає цю матрицю наживо методом Гаусса-Жордана щоразу, коли граф змінюється.

Чому б просто не використовувати атрибуцію останнього чи першого кліку?

Атрибуція останнього кліку віддає 100% визнання каналу, що передував конверсії, ігноруючи кожну попередню точку дотику. Перший клік має протилежне упередження. Атрибуція ефекту видалення Маркова натомість ставить контрфактичне питання — наскільки впали б конверсії, якби цей канал повністю зник — що набагато ближче до причинної, інкрементальної міри цінності каналу.

Чи відповідає емпірична матриця переходу справжній базовій поведінці клієнтів?

Не зовсім, і цей розрив навмисний і реалістичний. Подорожі генеруються з прихованої «справжньої» генеративної моделі, потім емпірична матриця переходу підганяється чисто зі спостережених послідовностей точок дотику, точно як це робила б реальна аналітична команда з журналів кліків. З малою кількістю подорожей підігнана матриця шумніша; більше подорожей звужують підгонку до справжніх ймовірностей.

⚙ Під капотом

Справжній поглинальний ланцюг Маркова: емпірична матриця переходу, підігнана із симульованих подорожей, точна ймовірність конверсії через обернення матриці та атрибуція ефекту видалення для кожного каналу, обчислена перенаправленням вхідних ребер каналу до стану Null і перевирішенням.

Markov ChainAttributionRemoval EffectMulti-TouchConversion Modeling

3D · рушій Three.js / WebGL · ціль 60 FPS · працює повністю на клієнті, без встановлення

Що ви знайшли?

Додати кроки відтворення (необов'язково)