Modele de lift

Si une certaine règle avait un ascenseur de 1, cela impliquerait que la probabilité d`occurrence de l`antécédent et celle des conséquents sont indépendantes l`une de l`autre. Lorsque deux événements sont indépendants les uns des autres, aucune règle ne peut être tracée impliquant ces deux événements. Une entreprise veut faire une campagne de marketing par courrier. Il en coûte à la société $1 pour chaque article envoyé par la poste. Ils ont des informations sur 100 000 clients. Créez des gains cumulatifs et un graphique de levage à partir des données suivantes. Le modèle LIFT fournit un cadre d`optimisation de conversion (l`un des nombreux que nous utilisons chez Widerentonnoir) montrant les six facteurs de conversion qui vous permettent d`évaluer les pages de destination du point de vue du visiteur de la page. Voir Fig. 1 ci-dessous pour le graphique conceptuel du modèle LIFT.

Cependant, si la confiance et l`ascenseur sont à la fois élevés, alors nous pouvons raisonnablement supposer que la conséquence se produit en raison de l`antécédent. Plus l`ascenseur obtient, plus la probabilité est faible que la relation entre les deux éléments est juste une coïncidence. En termes mathématiques: comme exemples de conseils pour les hypothèses qui lèvera vos taux de conversion: cet article est une introduction à la fonction d`influence de landing page pour les tests™ (ou LIFT™) modèle, un cadre d`optimisation de conversion que j`ai développé pour Widerentonnoir pour utiliser pour analyser les pages de conversion et développer des hypothèses de test. Il ya toujours un problème soigné à la main qui se résout et le processus d`acquisition de données, la manipulation et la création de modèles est discuté, mais l`aspect de l`évaluation trop souvent est très brève. Mais je crois vraiment que c`est le fait le plus important, lors de la construction d`un nouveau modèle. Par conséquent, le premier post sur ce blog traitera d`une technique d`évaluation assez utile: l`analyse de levage. Pour plus d`informations sur la façon d`obtenir un taux de conversion garanti, contactez un expert en optimisation du taux de conversion. Dans l`apprentissage des règles d`exploration de données et d`association, l`élévation est une mesure de la performance d`un modèle de ciblage (règle d`association) pour prédire ou classer les cas comme ayant une réponse améliorée (par rapport à la population dans son ensemble), mesurée par rapport à un choix aléatoire modèle de ciblage. Un modèle de ciblage fait un bon travail si la réponse au sein de la cible est beaucoup mieux que la moyenne pour la population dans son ensemble. L`élévation est simplement le ratio de ces valeurs: la réponse cible divisée par la réponse moyenne. Bien sûr, d`autres mesures comme la précision et le rappel vous donnent des informations importantes sur votre modèle ainsi. Mais je veux creuser un peu plus profondément dans une autre technique d`évaluation précieuse, généralement appelé l`analyse de levage.

Par exemple, supposons qu`une population a un taux de réponse moyen de 5%, mais qu`un certain modèle (ou règle) a identifié un segment avec un taux de réponse de 20%. Alors ce segment aurait un ascenseur de 4,0 (20%/5%). Jusqu`à présent, nous n`avons regardé que de jolis tableaux. Mais habituellement, vous êtes intéressé par le score de levage ainsi. La définition est assez simple: Si vous examinez toutes les transactions et en examinez une au hasard, la probabilité que cette transaction contienne la conséquence est «confiance attendue». Si vous examinez toutes les transactions qui contiennent l`antécédent, et sélectionnez une transaction aléatoire à partir de ces, la probabilité que cette transaction contiendra la conséquence est «confiance». “Lift” est essentiellement la différence entre ces deux. Avec ascenseur, nous pouvons examiner la relation entre deux éléments qui ont une grande confiance (si la confiance est faible, puis ascenseur est essentiellement sans pertinence). Un professeur à l`Université de l`est du Michigan, Bud Gibson, a développé un cours d`optimisation de conversion à l`aide du modèle LIFT pour enseigner aux étudiants comment améliorer les pages de destination pay-per-click.

Il est également en cours d`exécution ses propres tests, qui ont été mentionnés sur le blog de Google.