轨迹条件延迟转化建模 - 不等归因窗口即可实时更新CVR

Skill-TRACE-Delayed-CVR · 13-广告分析

causalexperimentforecasting广告与投放推荐与搜索WF-B 广告优化

年化 ROI50 万

实现难度⭐⭐⭐☆☆

业务优先级⭐⭐⭐⭐⭐

业务视角

适用角色广告优化师 / 投放负责人 · CMO · 运营负责人

适用平台Amazon PPC（SP/SB/SD）· TikTok Ads · Meta 广告 · 多平台归因

什么情况下用广告账户几十个系列，不知道哪个在真正赚钱；ROAS 看起来好看但实际利润没有提升；预算有限想集中打高价值用户

成功是什么样的每分广告预算有明确 ROI 追踪，砍掉低效渠道后同等预算 ROAS 提升 30-50%

业务痛点

ROAS 好看但利润没有涨不知道哪个素材真的有效归因窗口期不同数据打架TikTok/Meta/Amazon 广告数据整合不了

1. 解决的问题

给未揭示样本强行打硬标签：未转化样本强标为负样本，引入严重偏差

2. 核心算法逻辑

传统延迟反馈方法面临"准确性 vs 新鲜度"两难：

3. 业务应用场景

业务问题：今天 Google Ads 带来了 5000 次点击，但用户可能 14 天后才下单。现在的桑基图显示"今天 0 转化"——严重低估了 Google Ads 的价值，导致预算削减决策失误。

TRACE 的解法：不等 14 天，利用点击后的行为轨迹（浏览时长、加购、收藏、搜索同类商品、查看发货政策）实时更新转化概率，给出"当前估计转化数"而非"已确认转化数"。

| 时间点 | 传统方法 | TRACE | |--------|----------|-------| | 点击后 10分钟 | CVR = 0（未转化） | CVR = 3.2%（有加购行为） | | 点击后 2小时 | CVR = 0（未转化） | CVR = 8.7%（加购+收藏+再次浏览） | | 第14天 | CVR = 6.5%（确认） | CVR = 6.8%（已接近真实） |

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

当前痛点：Google Ads CVR 被低估约 40%（14 天窗口内仅确认 30% 的最终转化）
TRACE 改善：CVR 估计误差从 40% 降至 ~5%（基于 Criteo/Taobao 实验推断）
预算决策改善：提前 10-13 天识别高效渠道，减少无效投放约 15-20%
年化节省/增益：假设 Google Ads 月均消耗 50 万，改善 15% = 约 90 万/年

7. 代码模板

代码块数量：4 · 路径：未检测到

"""
TRACE 延迟 CVR 预测 — 完整 Python 实现
论文：arXiv:2604.23197 (SIGIR 2026)

场景：母婴出海 Google Ads 点击后行为轨迹 → 实时 CVR 估计
"""

import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import Dataset, DataLoader
from typing import Dict, List, Tuple, Optional
from dataclasses import dataclass
from datetime import datetime, timedelta
import pandas as pd


# ============================================================
# 0. 数据结构定义
# ============================================================

@dataclass
class ClickEvent:
    """点击事件"""
    impression_id: str
    click_time: datetime
    user_id: str
    ad_id: str
    static_features: np.ndarray  # 用户特征、广告特征等


@dataclass
class PostClickBehavior:
    """点击后行为事件"""
    impression_id: str
    event_type: str  # 'cart', 'favorite', 'view', 'search', 'purchase'
    event_time: datetime


# ============================================================
# 1. 反馈轨迹构建
# ============================================================

class FeedbackTrajectoryBuilder:
    """
    将点击后行为事件流转化为 TRACE 的反馈轨迹 ξ
    
    核心参数：
    - H: 时间窗口数量（Taobao=5, Criteo=6）
    - K: 行为类型数量（加购/收藏/购买 K=3，纯购买 K=1）
    - d_max: 最大归因窗口（天）
    """
    
    # 母婴出海场景：5 个时间窗口，匹配 Taobao 设置
    WINDOW_BOUNDARIES_HOURS = [
        (0, 0.033),   # 0-2min
        (0.033, 0.167),  # 2-10min
        (0.167, 2.0),    # 10min-2h
        (2.0, 24.0),     # 2h-1d

8. 论文来源

2604.23197