谷歌也有同样的问题所以凯布罗德森和谷歌团队构建了因果影响算法。来应对这挑战。该算法的主要思想是建立个基于多个控制组的时间序列并使用该序列来预测如果没有开展活动开展活动的时间序列将如何演变。让我们用个例子来分析这个算法。假设在我们位于西班牙的网站上唯身份访问者的演变如下紫红色点代表当天的唯身份访问者数量例如特定营销活动开始我们将其称为影响事件。假设我们在意大利和葡萄牙对照组等其他国家地区也有我们相同的网站这些国家地区并未发生影响事件借助因果影响算法我们可以根据来自这些国。

结果下面我们收集了

地区的唯身份访问者的数据创建模型以预测西班牙同时期的预期值。作为个基础系列并表明如果没有开展活动我们预计在西班牙的独立访客数量。如下图紫色线所示旦我们得到这个基础序列我们就可以计算出两个时间 印度尼西亚电话号码数据 序列之间的差异西班牙的实际值和没有发生撞击事件时的估计值。因此将差异视为事件的实际影响如下图中的紫色线所示或者另方面累积系列以查看截至任何给定日期的全部影响。下面的紫红色线表示通过这种方式我们可以更公平地衡量此类活动的投资回报率即使我们不确定该活动是否是唯的影响来源。

候潜在商业伙伴的最佳

因果影响算法可帮助您快速获取此信息以便您可以自信地及时调整任何操作。因果影响算法该算法的主要思想是基于多个控制组上例中意大利和葡萄牙构建贝叶斯时间序列并针对控制组和测试组西班牙之间的大小差异进行调 多特蒙德名录 整以获得合成碱基系列。对照组是我们没有发生影响事件的那些。因此预计不会看到上述事件产生的系列变化。测试组是发生撞击事件的那组我们希望这在时间序列上产生了些变化。什么是合成碱系列基本上它是我们在没有冲击事件的情况下在测试组中预期的系列值。