Stai affrontando le metriche di conversione? Considera il modello Beta-Binomiale.

Affronta le metriche di conversione con il modello Beta-Binomiale.

Impara una tecnica di ingegneria delle caratteristiche per rendere metriche basate sulla conversione come CTR/CVR più rappresentative e stabili

Le metriche di conversione sono abbondanti nel settore. E spesso vogliamo utilizzarle come caratteristica nel nostro modello di apprendimento automatico. Ad esempio, il click-through rate (CTR) dal’ impressione-al-dettaglio del prodotto di un prodotto mostrato sulla pagina di ricerca potrebbe essere rilevante, dopotutto, per essere utilizzato come una caratteristica per modellare se il prodotto sarà acquistato o meno in una piattaforma di e-commerce.

In questo blog, impareremo una tecnica di ingegneria delle caratteristiche per tali metriche di conversione. Per perseguire questo obiettivo, il resto del blog sarà strutturato come segue.

1. Una spiegazione su perché è necessario gestire le caratteristiche di conversione con cautela (cioè non dovremmo utilizzare queste caratteristiche nelle loro forme grezze).
2. La soluzione: Modello Beta-Binomiale per trasformare i valori di conversione grezzi in una versione più stabile/rappresentativa
3. Le basi teoriche del Modello Beta-Binomiale
4. Una guida per regolare i parametri della distribuzione Beta-prior del modello
5. Codice Python per effettuare la trasformazione Beta-Binomiale (suggerimento: è molto semplice!)

Immergiamoci!

Gli aspetti negativi dell’uso di valori di conversione grezzi

Supponiamo di stiamo costruendo un modello di classificazione per prevedere se un prodotto sarà acquistato o meno su una piattaforma di e-commerce. Come parte della pre-elaborazione dei dati, estraiamo due colonne relative a ciascun prodotto: il numero di impressioni e il numero di click che riceve. Poiché siamo fantastici data scientist con una forte conoscenza del dominio, otteniamo una nuova caratteristica chiamata “conversione impressione-clic”.

• Pandas per le serie temporali
• openCypher* contro qualsiasi Database Relazionale
• Lista doppiamente concatenata nelle strutture dati e negli algoritmi

La logica dietro questa ingegneria delle caratteristiche è che riteniamo che una conversione da impressione a clic più elevata indichi una migliore qualità del prodotto. Il ragionamento è che se un prodotto riceve un’percentuale più alta di clic rispetto al numero di volte in cui è stato visualizzato (impressioni), suggerisce che gli utenti trovino il prodotto interessante, portando a una maggiore probabilità che venga acquistato.