Negative Keyword Safe Guard — 贝叶斯小样本负关键词安全过滤

1. 解决的问题

母婴品类广告投放中，自动化广告（Auto Campaign）会将产品匹配到大量搜索词。

2. 核心算法逻辑

母婴品类广告投放中，自动化广告（Auto Campaign）会将产品匹配到大量搜索词。问题在于：某些词虽然包含品类核心词，却属于完全无关流量，例如：

3. 业务应用场景

业务背景：某母婴品牌在 Amazon US 投放 "pacifier" 和 "nipple" 相关自动广告。系统匹配到大量无关流量，30 天广告消耗 $2,400，其中约 18% 归因于无关搜索词。

量化 ROI： - 月节约无效消耗：$432 - ROAS 提升带来的等效价值：$432 × (4.1/3.2 - 1) = +$121 - 合计月均收益：约 $553，全年 $6,636

业务背景：在 Amazon JP 投放"哺乳瓶"（哺乳瓶/ほにゅうびん）相关广告，被匹配到育儿论坛讨论词、二手交易词等无关查询。

4. 输入数据要求

• Amazon：Search Term Report（广告管理后台 → 报告 → 搜索词报告）
• Shopify/Meta：广告词搜索词匹配数据导出

5. 输出结果

• Amazon：Search Term Report（广告管理后台 → 报告 → 搜索词报告）
• Shopify/Meta：广告词搜索词匹配数据导出

6. 业务价值 / ROI

$432（18% → 3.2%无关消耗）

7. 代码模板

代码块数量：5 · 路径：未检测到

"""
Negative Keyword Safe Guard
贝叶斯小样本负关键词安全过滤系统

依赖：numpy, scipy, pandas
测试：python -m pytest test_negative_keyword.py -v
"""

import numpy as np
import pandas as pd
from scipy import stats
from dataclasses import dataclass, field
from typing import List, Tuple, Optional, Dict


@dataclass
class KeywordStats:
    """单个搜索词的统计数据"""
    keyword: str
    clicks: int
    conversions: int
    spend: float
    impressions: int = 0
    
    @property
    def observed_cvr(self) -> float:
        return self.conversions / self.clicks if self.clicks > 0 else 0.0
    
    @property
    def cpc(self) -> float:
        return self.spend / self.clicks if self.clicks > 0 else 0.0


@dataclass
class BayesianCVREstimator:
    """
    Beta-Binomial 贝叶斯 CVR 估计器
    
    先验: CVR ~ Beta(α₀, β₀)
    后验: CVR | data ~ Beta(α₀ + k, β₀ + n - k)
    """
    category_cvr: float = 0.012     # 品类平均 CVR（母婴 Amazon ~1.2%）
    prior_strength: float = 20.0    # 先验强度 κ（等效历史样本量）
    
    @property
    def alpha0(self) -> float:
        return self.category_cvr * self.prior_strength
    
    @property
    def beta0(self) -> float:
        return (1 - self.category_cvr) * self.prior_strength
    
    def posterior_params(self, clicks: int, conversions: int) -> Tuple[float, float]:
        """计算后验 Beta 分布参数"""
        alpha_post = self.alpha0 + conversions
        beta_post = self.beta0 + (clicks - conversions)
        return alpha_post, beta_post
    
    def posterior_mean(self, clicks: int, conversions: int) -> float:
        """后验期望 CVR（贝叶斯估计）"""

8. 论文来源

• 2210.15459