整合營銷服務(wù)商
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
天天在用錢
作者 |朱順意
出品 | 腳本之家（ID：jb51net）
也許有的人在數(shù)字營銷行業(yè)已經(jīng)很長時(shí)間，天天和各種各樣的名詞打交道，但一不留神還是容易混淆一些名詞，甚至很多人連java和都混為一談。一起來看看容易混淆的都有哪些：
01
h5和html5
平時(shí)我們常說的h5是指移動(dòng)端網(wǎng)頁（包括pad和phone），因?yàn)榫W(wǎng)頁涉及到html5的代碼規(guī)范，所以大家習(xí)慣了叫h5。但實(shí)際上h5與html5并不是完全一個(gè)意思，你會(huì)聽到人家說“這個(gè)h5挺炫”，而不會(huì)聽到“這個(gè)html5挺炫”。
準(zhǔn)確來說，html5是html的一種規(guī)范，文檔類型聲明、標(biāo)簽語義化、功能比以往的html更便捷更強(qiáng)大；h5是通常指移動(dòng)端網(wǎng)頁，例如手機(jī)上的活動(dòng)頁、專題頁。
h5還有另一種含義，就是h5標(biāo)題標(biāo)簽。在SEO工作中，h1標(biāo)題標(biāo)簽包裹的關(guān)鍵詞會(huì)被強(qiáng)化SEO效果（僅次于title標(biāo)簽），h2-h6次之。
02
前端就是離用戶視覺最近的一面，例如樣式（顏色/圖片/大小/寬高/布局）、交互（下拉/隱藏/漸變/動(dòng)畫），常用技術(shù)包括html/css/；后端就是服務(wù)器數(shù)據(jù)傳輸、網(wǎng)絡(luò)安全，通常用戶接觸不到，常用技術(shù)包括PHP/Python/Java等等。
拿一個(gè)新聞網(wǎng)站來舉例，前端負(fù)責(zé)頁面的布局、文字大小顏色等等，后端負(fù)責(zé)把數(shù)據(jù)庫的新聞內(nèi)容、新聞時(shí)間等按一定順序在頁面呈現(xiàn)，所以前后端實(shí)際上是互相合作的關(guān)系。近年來流行的“前后端分離”，并不是指前后端不再合作，而是通過API來解耦前端和后端。
在數(shù)字營銷也會(huì)有人把廣告監(jiān)測稱為前端，網(wǎng)站、小程序、APP監(jiān)測稱為后端，甚至有人把銷售稱為前端，運(yùn)營稱為后端。
03
自適應(yīng)和響應(yīng)式
乍一看這好像沒有什么區(qū)別，自適應(yīng)和響應(yīng)式都能讓頁面適應(yīng)不同的屏幕尺寸，不同的是，自適應(yīng)要先通過判斷當(dāng)前設(shè)備是PC、平板還是手機(jī)，然后再去請求服務(wù)器給予不同的頁面模板，而響應(yīng)式是可以隨著當(dāng)前瀏覽器可視區(qū)域的大小而實(shí)時(shí)改變布局。
換句話來說，自適應(yīng)需要做PC、平板、手機(jī)這3種頁面模板，對(duì)應(yīng)的寬度分別是>=1200px(PC大屏幕)、>=992px（PC中等屏幕）、>=768px（平板）、而響應(yīng)式只需要做一個(gè)頁面模板，自由改變布局。
如果你還有疑問，打開以下網(wǎng)站調(diào)整瀏覽器的寬度，對(duì)比一下布局就明白了：
自適應(yīng)：
響應(yīng)式：
04
動(dòng)態(tài)頁面和靜態(tài)頁面
這2者不能單純以頁面有無動(dòng)態(tài)效果（例如動(dòng)畫）來區(qū)分，而要看數(shù)據(jù)有沒有從服務(wù)器端查詢。也不能以網(wǎng)址有沒有包含“?”來區(qū)分動(dòng)靜態(tài)網(wǎng)頁，在數(shù)字營銷中“”表示用戶來源于百度，但并不代表這個(gè)頁面是動(dòng)態(tài)的。
常見動(dòng)態(tài)網(wǎng)頁的網(wǎng)址后綴常為.asp/.jsp/.php/.perl/.cgi，頁面內(nèi)容是通過后端語言（例如java）去請求服務(wù)器連接數(shù)據(jù)庫拿到的；靜態(tài)頁面的網(wǎng)址后綴常為.html/.htm/.xml/shtml，頁面內(nèi)容是固定寫在頁面上的。當(dāng)然動(dòng)態(tài)頁面也可以通過偽靜態(tài)以實(shí)現(xiàn)網(wǎng)址以.html等結(jié)尾。
所以，只通過瀏覽器查看源代碼，是不能判斷頁面為動(dòng)態(tài)還是靜態(tài)的。
05
第1方cookie和第3方cookie
這兩者本質(zhì)上沒有什么區(qū)別，都是cookie，為存放在本地的文本文件，所謂的第1方和第3方只是身份說明。cookie 有 domain 屬性，當(dāng) cookie 的 domain 與當(dāng)前地址欄的域名不同時(shí)，這個(gè) cookie 為第3方 cookie，反之為第1方 cookie。
由于 domain 的不同，第1方 cookie 記錄的是用戶在指定站點(diǎn)的行為，第3方 cookie 記錄的是用戶在不同站點(diǎn)的行為。監(jiān)測工具為你的站點(diǎn)創(chuàng)建了第1方 cookie，這個(gè) cookie 的domain 屬于你的站點(diǎn)，僅能用于記錄你站點(diǎn)的用戶行為，同時(shí)監(jiān)測工具也創(chuàng)建了第3方 cookie，這個(gè) cookie 的domain 屬于監(jiān)測工具，這個(gè) cookie 用于記錄所有部署了它的監(jiān)測代碼的站點(diǎn)數(shù)據(jù)。
關(guān)于這2者的詳細(xì)說明，我在另一篇文章《如何用Chrome讀懂網(wǎng)站監(jiān)測Cookie》有寫到。
06
openID和unionID
這2者在微信生態(tài)都用于標(biāo)識(shí)用戶，openid是用戶在某一應(yīng)用下的唯一標(biāo)識(shí)，例如同一個(gè)用戶在A小程序和B小程序是2個(gè)不同的openid。然而，同一用戶在同一個(gè)微信開放平臺(tái)賬號(hào)下的不同應(yīng)用（移動(dòng)應(yīng)用、網(wǎng)站應(yīng)用、公眾號(hào)、小程序），unionid是相同的。
雖然有2個(gè)天然標(biāo)識(shí)用戶的ID，但在微信小程序監(jiān)測中，很多第3方工具會(huì)通過wx.以鍵值對(duì)的形式創(chuàng)建具有唯一性的用戶ID，這個(gè)ID會(huì)一直穩(wěn)定存在，除非用戶主動(dòng)刪除或因存儲(chǔ)空間原因被系統(tǒng)清理。
07
、MAC地址、IMEI、OAID
這幾種都是安卓設(shè)備ID。的獲取不需要用戶授權(quán)，在Android 8.0及以上，由應(yīng)用簽名、用戶和設(shè)備三者的組合，而不直接為設(shè)備唯一標(biāo)識(shí)；
MAC地址屬于硬件ID，具有唯一性，涉及用戶隱私；
IMEI為國際移動(dòng)設(shè)備識(shí)別碼，具備唯一性（當(dāng)然也要考慮雙卡雙待的情況）。在Android 6.0以上，IMEI的獲取需要用戶授權(quán)，也可以通過撥打*#06#查詢。
由于IMEI已被認(rèn)定為用戶隱私的一部分，Android 10.0起將徹底禁止第三方應(yīng)用獲取設(shè)備的IMEI，從而中國信通院聯(lián)合國內(nèi)手機(jī)廠商共同推出新的設(shè)備識(shí)別字段 - OAID，OAID為匿名設(shè)備標(biāo)識(shí)符，用戶可以禁用、重置。
08
api和sdk
api是指一個(gè)功能或者一個(gè)函數(shù)，我們把相關(guān)參數(shù)傳入，調(diào)用api然后由它返回?cái)?shù)據(jù)（返回的形式通常是json），例如使用谷歌天氣預(yù)報(bào)api時(shí)，傳入城市id和日期等參數(shù)，然后谷歌會(huì)返回天氣、溫度、濕度、舒適指數(shù)等信息。
SDK是一個(gè)或多個(gè)文件的組合（包括代碼文件也包括文檔），是一種工具包，下載之后可以嵌入你的網(wǎng)頁或移動(dòng)應(yīng)用，由sdk去調(diào)用api實(shí)現(xiàn)具體功能，例如嵌入第三方的廣告SDK接入聯(lián)盟廣告。所以說，SDK通常會(huì)包含很多不同的API。
09
維度和指標(biāo)
簡單來說，維度和指標(biāo)的關(guān)系是：以維度查看指標(biāo)。
維度是指數(shù)據(jù)的屬性、特征或范圍，例如城市、設(shè)備、瀏覽器、時(shí)間、廣告來源等等。當(dāng)1個(gè)維度后面關(guān)聯(lián)第2個(gè)維度時(shí)，第2個(gè)維度被稱為次級(jí)維度，例如需要統(tǒng)計(jì)城市為北京、手機(jī)為蘋果的瀏覽量時(shí)，手機(jī)為次級(jí)維度。
指標(biāo)是計(jì)算數(shù)值或者計(jì)算結(jié)果，例如瀏覽量、會(huì)話量、用戶數(shù)、訪問時(shí)長、跳出率、退出率等等。當(dāng)然也不能把所有數(shù)值都當(dāng)成指標(biāo)，例如第1天簽到了100人，第2天簽到50人，那么第1天、第2天是維度，100人、50人才是指標(biāo)。
10
ecpm、cpm、ocpm
ecpm是指廣告每展現(xiàn)1千次，媒體所獲得的收入，這個(gè)指標(biāo)用于衡量媒體的廣告盈利能力；cpm指的是廣告每展現(xiàn)1千次，廣告主所付出的成本。看上去好像2個(gè)指標(biāo)是一樣，實(shí)際上如果一種廣告背后是cpc、cpt、cpm等幾種計(jì)費(fèi)方式，此時(shí)計(jì)算ecpm則需要進(jìn)行換算。
ocpm是在廣告投放中，一種以轉(zhuǎn)化為優(yōu)化目標(biāo)的展現(xiàn)出價(jià)，也就是說按轉(zhuǎn)化出價(jià)，計(jì)費(fèi)方式為展現(xiàn)計(jì)費(fèi)。同樣的道理，ocpc也是按轉(zhuǎn)化出價(jià)，計(jì)費(fèi)方式為點(diǎn)擊計(jì)費(fèi)。無論是ocpm還是ocpc的投放方式，廣告展現(xiàn)勝出的能力還是要看ecpm，也就是要看1次轉(zhuǎn)化所花的錢換算成千次展現(xiàn)收入是多少。
也許你還聽說過ecpc，ecpc也是一種投放方式，有的人叫點(diǎn)擊出價(jià)系數(shù)控制，是指你設(shè)置一個(gè)出價(jià)系數(shù)區(qū)間，系統(tǒng)會(huì)根據(jù)流量轉(zhuǎn)化率動(dòng)態(tài)調(diào)整出價(jià)，優(yōu)化轉(zhuǎn)化效果。
11
跳出率和退出率
跳出率（Bounce Rate）是落地頁指標(biāo)，跳出率=跳出次數(shù)/訪問次數(shù)。跳出次數(shù)是指用戶來到網(wǎng)站，沒有任何交互就離開的訪問次數(shù)。至于是否有交互，要以監(jiān)測工具是否收到監(jiān)測請求為準(zhǔn)，需要注意的是一般監(jiān)測工具的熱力圖請求不參與跳出率的計(jì)算。
退出率（Exit Rate）則是退出頁面（離開網(wǎng)站前瀏覽的最后1個(gè)頁面）的指標(biāo)，退出率=退出次數(shù)/頁面瀏覽量。退出次數(shù)是指作為退出頁面的次數(shù)，當(dāng)然如果用戶訪問的最后一個(gè)頁面還觸發(fā)了虛擬PV，那么此時(shí)退出頁面為虛擬PV頁面。
12
KOL和KOC
KOL（Key Opinion Leader）是關(guān)鍵意見領(lǐng)袖，指某個(gè)領(lǐng)域的專家、名人、明星，在相關(guān)用戶群體有較大影響力；KOC（Key Opinion ）是關(guān)鍵意見消費(fèi)者，指通過自身試用推薦影響身邊消費(fèi)者的素人、愛好者。
KOC雖然知名度不高，但是離消費(fèi)者更近，與消費(fèi)者互動(dòng)效果也更強(qiáng)。KOC概念的產(chǎn)生，是由于隨著流量的稀缺，商家從花錢在大平臺(tái)買流量到利用熟人關(guān)系推介產(chǎn)品轉(zhuǎn)變，提高效果的同時(shí)也降低了營銷門檻。
13
無埋點(diǎn)/全埋點(diǎn)、可視化埋點(diǎn)、代碼埋點(diǎn)
無埋點(diǎn)也叫全埋點(diǎn)，是指SDK部署到產(chǎn)品（網(wǎng)頁、小程序、APP）之后，將自動(dòng)監(jiān)聽用戶的各種行為，并且全部上報(bào)給監(jiān)測工具，隨后分析人員通過監(jiān)測工具的可視化面板將需要的數(shù)據(jù)按組件（按鈕、圖片、鏈接等等）進(jìn)行圈選。這種方式比較方便，但由于采集的數(shù)據(jù)實(shí)在太多，難免有丟包的情況，以及會(huì)存在明顯的數(shù)據(jù)冗余；
可視化埋點(diǎn)是先通過可視化面板將需要統(tǒng)計(jì)數(shù)據(jù)的組件進(jìn)行圈選，備注監(jiān)測信息，然后等待數(shù)據(jù)回傳，跟無埋點(diǎn)/全埋點(diǎn)的順序剛好相反。這種方式相對(duì)精確，但是有些交互難以通過圈選的方式來指定（例如下拉刷新）；
代碼埋點(diǎn)則為根據(jù)統(tǒng)計(jì)目的，提前把監(jiān)測代碼交給開發(fā)人員配置到產(chǎn)品，代碼內(nèi)容一般包括觸發(fā)條件、事件維度、事件指標(biāo)等等，這種監(jiān)測方式比較準(zhǔn)確但是工作量也比較大。
簡言之，無埋點(diǎn)/全埋點(diǎn)：全部上報(bào) -> 可視化圈選 -> 下載數(shù)據(jù)；可視化埋點(diǎn)：可視化圈選 -> 上報(bào)數(shù)據(jù) -> 下載數(shù)據(jù)；代碼埋點(diǎn)：配置代碼 -> 上報(bào)數(shù)據(jù) -> 下載數(shù)據(jù)。
機(jī)器學(xué)習(xí)基礎(chǔ)之《回歸與聚類算法（4）—邏輯回歸與二分類（分類算法）》
一、什么是邏輯回歸
1、邏輯回歸（ ）是機(jī)器學(xué)習(xí)中的一種分類模型，邏輯回歸是一種分類算法，雖然名字中帶有回歸，但是它與回歸之間有一定的聯(lián)系。由于算法的簡單和高效，在實(shí)際中應(yīng)用非常廣泛
2、叫回歸，但是它是一個(gè)分類算法
二、邏輯回歸的應(yīng)用場景
1、應(yīng)用場景
廣告點(diǎn)擊率：預(yù)測是否會(huì)被點(diǎn)擊
是否為垃圾郵件
是否患病
金融詐騙：是否為金融詐騙
虛假賬號(hào)：是否為虛假賬號(hào)
均為二元問題
2、看到上面的例子，我們可以發(fā)現(xiàn)其中的特點(diǎn)，那就是都屬于兩個(gè)類別之間的判斷。邏輯回歸就是解決二分類問題的利器
會(huì)有一個(gè)正例，和一個(gè)反例
三、邏輯回歸的原理
1、邏輯回歸的輸入
線性回歸的輸出，就是邏輯回歸的輸入
邏輯回歸的輸入就是一個(gè)線性回歸的結(jié)果
2、怎么用輸入來分類
要進(jìn)行下一步處理，帶入到sigmoid函數(shù)當(dāng)中，我們把它叫做激活函數(shù)
3、sigmoid函數(shù)
可以理解為，f(x)=1/(1+e^(-x))，1加上e的負(fù)x次方分之1
sigmoid函數(shù)又稱S型函數(shù)，它是一種非線性函數(shù)，可以將任意實(shí)數(shù)值映射到0-1之間的值，通常用于分類問題。它的表達(dá)式為：f(x)=1/(1+e^(-x))，其中e為自然對(duì)數(shù)的底數(shù)。它的輸出值均位于0~1之間，當(dāng)x趨向正無窮時(shí)，f(x)趨向1；當(dāng)x趨向負(fù)無窮時(shí)，f(x)趨向0
4、分析
將線性回歸的輸出結(jié)果，代入到x的部分
輸出結(jié)果：[0, 1]區(qū)間中的一個(gè)概率值，默認(rèn)為0.5為閾值
邏輯回歸最終的分類是通過屬于某個(gè)類別的概率值來判斷是否屬于某個(gè)類別，并且這個(gè)類別默認(rèn)標(biāo)記為1（正例），另外的一個(gè)類別會(huì)標(biāo)記為0（反例）。（方便損失計(jì)算）
5、假設(shè)函數(shù)/線性模型
1/(1 + e^(-(w1x1 + w2x2 + w3x3 + ... + wnxn +b)))
如何得出權(quán)重和偏置，使得這個(gè)模型可以準(zhǔn)確的進(jìn)行分類預(yù)測呢？
6、損失函數(shù)（真實(shí)值和預(yù)測值之間的差距）
我們可以用求線性回歸的模型參數(shù)的方法，來構(gòu)建一個(gè)損失函數(shù)
線性回歸的損失函數(shù)：( - y_true)平方和/總數(shù)，它是一個(gè)值
而邏輯回歸的真實(shí)值和預(yù)測值，是否屬于某個(gè)類別
所以就不能用均方誤差和最小二乘法來構(gòu)建
要使用對(duì)數(shù)似然損失
7、優(yōu)化損失（正規(guī)方程和梯度下降）
用一種優(yōu)化方法，將損失函數(shù)取得最小值，所對(duì)應(yīng)的權(quán)重值就是我們求的模型參數(shù)
四、對(duì)數(shù)似然損失
1、公式
邏輯回歸的損失，稱之為對(duì)數(shù)似然損失
（1）它是一個(gè)分段函數(shù)
（2）如果y=1，真實(shí)值是1，屬于這個(gè)類別，損失就是 -log(y的預(yù)測值)
（3）如果y=0，真實(shí)值是0，不屬于這個(gè)類別，損失就是 -log(1-y的預(yù)測值)
2、怎么理解單個(gè)的式子呢？這個(gè)要根據(jù)log的函數(shù)圖像來理解
當(dāng)y=1時(shí)：（橫坐標(biāo)是y的預(yù)測值）
前提真實(shí)值是1，如果預(yù)測值越接近于1，則損失越接近0。如果預(yù)測值越接近于0，則損失越大
當(dāng)y=0時(shí)：（橫坐標(biāo)是y的預(yù)測值）
前提真實(shí)值是0，如果預(yù)測值越接近1，則損失越大
3、綜合完整損失函數(shù)
損失函數(shù)：-(y真實(shí)*logy預(yù)測+(1-y真實(shí))*log(1-y預(yù)測))，求和
是線性回歸的輸出，經(jīng)過sigmoid函數(shù)映射之后的一個(gè)概率值
4、計(jì)算樣例
五、優(yōu)化損失
同樣使用梯度下降優(yōu)化算法，去減少損失函數(shù)的值。這樣去更新邏輯回歸前面對(duì)應(yīng)算法的權(quán)重參數(shù)，提升原本屬于1類別的概率，降低原本是0類別的概率
六、邏輯回歸API
1、sklearn..(solver='', penalty='l2', C=1.0)
solver：優(yōu)化求解方式（默認(rèn)開源的庫實(shí)現(xiàn)，內(nèi)部使用了坐標(biāo)軸下降法來迭代優(yōu)化損失函數(shù)）
auto：根據(jù)數(shù)據(jù)集自動(dòng)選擇，隨機(jī)平均梯度下降
penalty：正則化的種類
C：正則化力度
2、方法相當(dāng)于(loss="log", penalty=" ")
是一個(gè)分類器
實(shí)現(xiàn)了一個(gè)普通的隨機(jī)梯度下降學(xué)習(xí)，也支持平均隨機(jī)梯度下降法（ASGD），可以通過設(shè)置average=True
而使用它的優(yōu)化器已經(jīng)可以使用SAG
七、案例：癌癥分類預(yù)測-良 / 惡性乳腺癌腫瘤預(yù)測
1、數(shù)據(jù)集
數(shù)據(jù)：
數(shù)據(jù)的描述：
2、數(shù)據(jù)的描述
# Attribute Domain
-- -----------------------------------------
1. Sample code number id number
2. Clump Thickness 1 - 10
3. Uniformity of Cell Size 1 - 10
4. Uniformity of Cell Shape 1 - 10
5. Marginal Adhesion 1 - 10
6. Single Epithelial Cell Size 1 - 10
7. Bare Nuclei 1 - 10
8. Bland Chromatin 1 - 10
9. Normal Nucleoli 1 - 10
10. Mitoses 1 - 10
11. Class: (2 for benign, 4 for malignant)第一列：樣本的編號(hào)
第二到十列：特征
第十一列：分類（2代表良性，4代表惡性）
3、流程分析
（1）獲取數(shù)據(jù)
讀取的時(shí)候加上names
（2）數(shù)據(jù)處理
處理缺失值
（3）數(shù)據(jù)集劃分
（4）特征工程
無量綱化處理—標(biāo)準(zhǔn)化
（5）邏輯回歸預(yù)估器
（6）模型評(píng)估
4、代碼
import pandas as pd
import numpy as np
# 1、讀取數(shù)據(jù)
column_name = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size', 'Uniformity of Cell Shape',
'Marginal Adhesion', 'Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin',
'Normal Nucleoli', 'Mitoses', 'Class']
data = pd.read_csv("breast-cancer-wisconsin/breast-cancer-wisconsin.data", names=column_name)
data
# 2、缺失值處理
# 1）?替換為np.nan
data = data.replace(to_replace="?", value=np.nan)
# 2）刪除缺失樣本
data.dropna(inplace=True)
data
# 不存在缺失值
data.isnull().any()
# 3、劃分?jǐn)?shù)據(jù)集
from sklearn.model_selection import train_test_split
# 篩選特征值和目標(biāo)值
x = data.iloc[:, 1:-1] # 行都要，列從1到-1
y = data["Class"]
x.head()
y.head()
x_train, x_test, y_train, y_test = train_test_split(x, y)
# 4、標(biāo)準(zhǔn)化
from sklearn.preprocessing import StandardScaler
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
x_train
from sklearn.linear_model import LogisticRegression
# 5、預(yù)估器流程
estimator = LogisticRegression()
estimator.fit(x_train, y_train)
# 邏輯回歸的模型參數(shù)：回歸系數(shù)和偏置
# 有幾個(gè)特征，就有幾個(gè)回歸系數(shù)
estimator.coef_
estimator.intercept_
# 6、模型評(píng)估
# 方法1：直接比對(duì)真實(shí)值和預(yù)測值
y_predict = estimator.predict(x_test)
print("y_predict：\n", y_predict)
print("直接比對(duì)真實(shí)值和預(yù)測值：\n", y_test == y_predict)
# 方法2：計(jì)算準(zhǔn)確率
score = estimator.score(x_test, y_test)
print("準(zhǔn)確率為：\n", score)
5、運(yùn)行結(jié)果
*請認(rèn)真填寫需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。
