Nikita Boyarkin
← Volta Neobank

Extended · проект 8 из 23

First-touch, last-touch, linear и Shapley-атрибуция. Shapley (data-driven) перераспределяет бюджет и ведёт реферал; вывод устойчив к выбору модели.

Ситуация
Разные модели атрибуции дают разные ответы о том, какой канал приносит выручку
Задача
Выяснить, насколько вывод о канале зависит от выбора модели, сравнив их на одном наборе данных
Действия
Journey-датасет (touch_order × channel × revenue), first-touch, last-touch, linear и Shapley-атрибуция
Результат
Реферал ведёт во всех четырёх моделях (€218–264K); Shapley — referral €263,7K, display €125,0K
Стек
Pythonpandas / NumPySciPy / Statsmodelsscikit-learnMatplotlib / Seabornuv + ruff
Исходники Смотреть на GitHub →
Содержание
  1. Ситуация
  2. Задача
  3. Действия
  4. Результат
  5. Рекомендации
  6. Документация

Volta — Маркетинговая атрибуция

Ситуация

Разные модели атрибуции дают разные ответы о том, какой канал «приносит» выручку — нужно сравнить их на одних данных.

Задача

Мне нужно было выяснить, насколько вывод о «приносящем» выручку канале зависит от выбора модели атрибуции. От меня требовалось сравнить модели на одном и том же наборе данных.

Действия

  • Journey-датасет (touch_order × channel × revenue).
  • First-touch, last-touch, linear и Shapley-атрибуция.

Результат

  • Реферал ведёт во всех четырёх моделях (€218–264K).
  • Shapley перераспределяет: referral растёт до €263,7K, display падает до €125,0K против ~€180K у эвристик.
  • Эвристики недооценивают верхние воронки и переоценивают последний клик.

Рекомендации

  • Перераспределять бюджет по Shapley, а не по last-touch.
  • Защищать реферал как ведущий канал.
  • Не принимать решения о каналах на одной модели атрибуции.

Документация

Аналитика

Данные: github.com/NikitaBoyarkin/volta-banking — 22 projects; figures recomputed from the repo's own datasets (data/*.csv) via its analysis scripts. Funnel counts from data/volta_funnel_data.csv (10,000 users); A/B, retention, segmentation, churn, RFM, CLV, attribution, anomalies, spend, support, NPS, JTBD, unit economics, premium, KYC deep-dive, referral, assisted CAC, FX sourcing, premium offers, anchor CAC and dormant win-back follow the published project narrative (README + part pages).

Атрибуция: четыре модели

Выручка по каналам под first-touch, last-touch, linear и Shapley-атрибуцией (в €K). Shapley (data-driven) перераспределяет бюджет относительно эвристик.

0 100 200 300 Referral — First-touch: 228 Paid social — First-touch: 211.4 Organic — First-touch: 203.7 Email — First-touch: 193.7 Display — First-touch: 179.2 Referral — Last-touch: 218.1 Paid social — Last-touch: 220.6 Organic — Last-touch: 200.9 Email — Last-touch: 194.7 Display — Last-touch: 181.8 Referral — Linear: 226 Paid social — Linear: 213.4 Organic — Linear: 203.6 Email — Linear: 194.1 Display — Linear: 178.9 Referral — Shapley: 263.7 Paid social — Shapley: 235.9 Organic — Shapley: 210.3 Email — Shapley: 181.1 Display — Shapley: 125 Referral Paid social Organic Email Display Канал Выручка, €K First-touch Last-touch Linear Shapley
Выводы
  • Shapley перераспределяет бюджет: referral растёт до €263.7K, а display падает до €125.0K против ~€180K у эвристик.
  • Реферал ведёт во всех четырёх моделях (€218–264K) — вывод устойчив к выбору модели.

Карта подпроектов Volta

Обзор Volta →

Core

Extended

Market & Jobs

RAT v2

Causal