- 综合排序
- 最热优先
- 最新优先
Token计量与费用归因体系设计
根因二：缺少多维度归因能力一个Token消耗背后涉及多个维度：哪个部门？市场部还是研发部？哪个项目？A项目还是B项目？哪个场景？客服还是文案？哪个用户？张三还是李四？ 要点三：计量数据分层存储热存储（最近7天）：实时查询，用于监控和告警温存储（最近90天）：日常报表和分析冷存储（90天以上）：合规审计和长期趋势分析四、费用归因模型设计有了计量数据后，需要建立归因模型， 归因维度设计：归因标签的传递链路：业务系统发起调用时，在请求头中携带归因标签：AI网关接收请求，提取标签，与调用记录关联存储。计量系统按标签维度聚合成本，生成多维度报表。 归因查询示例（纯文本格式）：查询1：市场部本月花了多少Token？查询2：按场景分布（客服 vs 文案 vs 代码）查询3：哪个用户调用最频繁？查询4：GPT-4 vs Claude，哪个性价比更高？ 计量跑通后，再逐步增加归因标签。第二步：选一个业务线试点选一个业务场景（如内部智能客服），先跑通“计量→归因→报表”的闭环。验证效果后再横向推广。
37710编辑于 2026-05-12Token 计量与费用归因体系的设计
大模型调用的成本有几个特殊性：· 按量计费，弹性大：一个写得差的 prompt 可能比写得好的多用 3 倍 token，成本差异完全不透明· 多项目共用 Key：研发、运营、客服都在用同一套 API ：某个员工突然开始用 AI 批量处理数据，当月成本暴增，事后才发现· 模型价格不一致：GPT-4o 和 GPT-4o-mini 单价差 20 倍，但用户选择模型往往没有约束二、计量体系的设计2.1 归因维度要做有意义的费用报告 ，返回预定义的错误· 动态调额：支持临时申请额度提升，走审批流后生效三、成本可视化报告应该包含什么一份有用的 AI 费用报告，不只是「花了多少钱」，而是帮助管理者做判断：· 按部门分布：哪个部门用得多 ，AI 月均花费往往比预期高出 2-3 倍，且不知道问题出在哪里。 建立归因体系后，通常在 1-2 个月内就能识别出主要的成本浪费点。ZGI（zgi.cn）的费用管控模块提供了从计量、归因到预算预警的完整体系，支持按部门独立预算管理。
81610编辑于 2026-03-26- 来自专栏HsuHeinrich
渠道归因（一）传统渠道归因
说到渠道归因，那最容易想到的就是传统的渠道归因，这种方法一般是基于业务决策的。 首次归因：首次点击渠道赋予全部转化 末次归因：末次点击渠道赋予全部转化 线性（平均）归因：每个渠道均分转化 位置归因：自定义位置的权重，一般首位占50%，其余为0 时间衰减归因：距离转化的时间越短的渠道 累计未转化次数 path total_conversions total_conversion_value total_null 0 eta > iota > alpha > eta 1 0.244 3 1 iota > iota > iota > iota 2 3.195 6 2 alpha > iota > alpha > alpha > alpha > iota > ... 2 6.754 6 3 7377.5 1 beta 1910.0 2 delta 3.0 3 epsilon 315.0 4 eta 3665.5 5 gamma 128.5 6 iota 3980.5 7 kappa 152.0
77320编辑于 2023-08-10 - 来自专栏HsuHeinrich
渠道归因（三）基于Shapley Value的渠道归因
渠道归因（三）基于Shapley Value的渠道归因 通过Shapley Value可以计算每个渠道的贡献权重，而且沙普利值的计算只需要参加的渠道总数，不考虑顺序，因此计算成本也较低。 pd import matplotlib.pyplot as plt import seaborn as sns 本文所有数据如果有需要的同学可关注公众号HsuHeinrich，回复【数据挖掘-渠道归因 成功转化次数 marketing_channel_subset converted 0 Email 110 1 Email,Facebook 11 2 Email,Facebook,House Ads 8 3 = json.load(f) journeys[:5] # 用户各渠道流转日志，数字表示渠道代号 数据格式要求：json数据，每一行为成功转化的流转路径，数字为渠道ID [[16, 4, 3, 总结 日常业务中，可以结合多个方法看一下归因的差异。
89020编辑于 2023-08-10 - 来自专栏素质云笔记
多渠道归因分析（Attribution）：传统归因（一）
线性归因模型 2.2.6 时间衰减归因模型 2.2.7 位置归因模型 2.2.8 自定义归因模型 2.2.9 马尔科夫归因模型 2.2 不同归因方法的使用场景 3 算法归因的几种方法 3.1 夏普里值 4 归因分析的服务商 1 zoho CRM —— 营销归因 2 Google Attribution 360使用 3 VisualIQ 4 Convertro 5 归因分析的一些案例 5.1 亚马逊广告归因 2 传统归因分析方法 2.1 传统归因分析 参考自文章[1][2][3] 还有文章：【数据分析思维】多因素影响下如何归因？ GA里面的归因模型有非常多种，分为单触点归因和多触点归因。 等等… 3 算法归因的几种方法 参考：互联网广告的归因分析(Attribution Analysis) 数据驱动归因的几个算法 之前看到的传统归因，大多基于规则； 数据驱动归因（Data-Driven 参考文献 1 互联网广告的归因分析(Attribution Analysis) 2 2.3、流量的高级分析与流量渠道的协同：归因和归分析型 3 【科普】深度解析亚马逊广告归因（含案例解析） 4 【数据分析思维
3.1K43编辑于 2021-12-07 openinstall实时归因+超级渠道：3步构建CPACPS结算系统
实时数据反馈与归因通过SDK集成实现实时数据同步。广告主可实时查看各渠道的ROI，并调用API接口同步有效推广数据至财务系统，基于用户生命周期价值动态调整预算分配策略。 3、技术实现路径通过三步完成结算体系升级：SDK集成：接入openinstall SDK（Android/iOS/HarmonyOS全平台支持）渠道配置：在管理后台设置「渠道分组-超级渠道-创建分发 openinstall的技术方案通过全链路追踪与实时归因两大核心能力，重构了渠道推广的价值分配逻辑：一方面，动态参数化链接将传统渠道打包与邀请码等繁杂成本转化为生成式流程；另一方面，秒级实时数据反馈与层级绑定功能 这套技术框架的价值不仅在于降低结算摩擦，更深远的意义在于重构了渠道合作生态的底层规则——当每一个用户的点击、激活、付费行为都能被精准归因到对应渠道，广告主与推广者之间CP结算的零和博弈将转化为基于数据可视化的协同共创
70310编辑于 2025-03-26- 来自专栏HsuHeinrich
渠道归因（二）基于马尔可夫链的渠道归因
渠道归因（二）基于马尔可夫链的渠道归因 在应用当中，序列中的每个点通常映射为一个广告触点，每个触点都有一定概率变成真正的转化。通过这种建模，可以选择最有效，概率最高的触点路径。 本文主要参考自python实现马尔可夫链归因[1]。 马尔可夫链是一个过程，它映射运动并给出概率分布，从一个状态转移到另一个状态。 所以马尔可夫链模型可以用来做归因分析。 total_conversion_value 0 eta 3440.255709 13711.503304 1 iota 3732.042103 14535.970443 2 alpha 5821.609182 19315.152418 3 共勉～ 参考资料 [1] python实现马尔可夫链归因: https://mattzheng.blog.csdn.net/article/details/117296062
1.1K40编辑于 2023-08-10 - 来自专栏seth-shi的专栏
广告归因-让你彻底弄归因架构实现
解释 这里会引用神策数据很多的介绍,然后进行总结 归因方法 自归因 渠道商帮我们做归因,有的是每个用户打开app都回传给渠道商,渠道商自己归因 有的如华为是从应用商店安装时, 应用商店把归因信息写入到 app, 然后首次安装启动时能从本地存储获取到归因数据 曝光归因 曝光归因由于有数据量极大、不会使用此项 点击归因(常用) 所谓点击归因, 就是点击广告之后首个转化, 基本都是用这种方式归因 归因模型 首次归因模型 多个归因源事件时，认为第一个归因源事件的功劳为100%。理由是第一个触点给用户建立了认知，与用户形成了连接。 平均归因模型 多个归因源事件时，认为每个归因源事件平均分配此次功劳。 links where id = {$id}"; // $id if (is_null($link)) { return 'FAIL'; } // 3. 查询 app $app = "select * apps where id={$appId}"; // 3.
2.2K21编辑于 2023-12-18 - 来自专栏素质云笔记
多渠道归因分析：python实现马尔可夫链归因（三）
本篇主要是python实现马尔科夫链归因，关联的文章： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（ 三） 多渠道归因分析（Attribution）：python实现Shapley Value（四） 多渠道归因分析（Attribution）：用attention-RNN来做归因建模（附代码demo）（五 论文：吸收态马尔可夫链及其应用中的一则使用： 2 R语言实现 基本，参考：数据运营36计：马尔可夫链对营销渠道归因建模，R语言实现 官方论文： https://papers.ssrn.com/sol3 由于大多数渠道是有偿的（根据金钱或花费的时间），因此至关重要的是，有一种算法可以在这些渠道之间分配转化次数和价值，并与它们的费用进行比较，而不是将其记入仅最后一个非直接渠道。 我们希望本次活动有100个人可以实现最终的转化，那么本次需要投入的总费用： 20.5 + 10.25 + 4 * 0.33 + 3 *0.5 = 4.07 100个人的总费用为：100*4.07 =
1.5K21编辑于 2021-12-07 - 来自专栏万能的小草
网站及APP坑位流量归因分析-（3）数据计算篇
outputData 输出数据表 bili_ads.ads_dot_detail_1d Objects 归因对象 uuid,user_id Dimensions 归因维度 up_id_com,app_key recent,average startDate 进行归因计算的日期 ${yyyy_mm_dd} traceBackDays 往前追溯的天数 0 maxIntervalHours 最大归因间隔(小时） 3.1 合并待归因和归因目标行为数据 输入：ActionData，targetActionData 中间处理：将ActionData中的additionalFields字段join到targetActionData ，我们可以看到用户user_id=123456 在2022年3月25日通过Bilibili的IOS端坑位=‘历史记录’进入娱乐-鬼畜区的up主的30689558 贡献的观看时长为20mins. 分享、点赞、在看，给个3连击呗！
86910编辑于 2022-09-21 - 来自专栏素质云笔记
多渠道归因分析：互联网的归因江湖（二）
本篇主要是python实现马尔科夫链归因，关联的文章： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（ 由于非Facebook的广告使用的是第三方归因平台如AppFlyer、Adjust或者Kochava，他们并没有Facebook的归因数据，所以双方是独立的归因系统和归因逻辑，也就是会存在多次计费的可能 首先，广告主做用户增长的团队需要有懂广告归因的人，况且即便懂了这套归因逻辑，也很难区分有效触点归因“抢”了多少自然量。 如果这个数据指标接近1，证明广告平台将视频广告的曝光数据直接回传给广告主；若这个指标值范围在0.5~0.7，有很大的概率是广告平台将有效视频曝光（3s）的数据回传给广告主作为归因数据。 这个事情也从另外一个侧面推动了第三方归因服务公司加强归因作弊识别的能力。
1.8K41编辑于 2021-12-07 - 来自专栏互联网数据官iCDO
分析小贴士：归因模型 101
今天，我们将列举一些常用的归因模型，并演示如何使用Googel Analytics 归因模型对比工具来为你的业务挑选最适合的模型。 归因模型应用示例 假设你的网站售卖烧烤架。 Google Analytics 归因模型101 在末次互动归因模型中，我们将转化的全部功劳归于用户的最后一个触点。 末次非直接点击归因模型忽视了直接流量，把转化功劳全归因于在完成销售之前的最后一次渠道点击。 我们再来看更多模型： 与末次互动相似，首次互动归因模型把转化功劳全归因于首次触点——在Grillmaster先生的例子中，即为自然搜索。 线性归因模型在各个渠道之间平均分配成功转化分数。 模型对比工具一次最多能对比3种模型。添加二次维度，例如来源/媒介，可以更加深入挖掘转化的路径。例如，添加二次维度来源，把自然搜索细分为Google, Bing 和Yahoo.
1.6K60发布于 2018-03-02 - 来自专栏钱塘小甲子的博客
Brison归因与代码
不管是做FOF也好，仅仅想单纯归因也好，Brison是一种比较常见，也算是通用的归因方法，其一般用于权益类或者大类资产配置类基金。 其实Brison归因的逻辑很简单，假设有一个基准，基准在各类资产的配置上的权重分别是wbi（weight of benchmark of asset i），这些资产的收益率分别是rbi（return of benchmark of asset i），同样的，我们有一个需要归因的基金产品，也就是我们自己的组合，在各类资产上的权重是wpi（weight of portfolio of asset i），收益率分别是 所谓的Brison归因就是把一个组合的超额收益分解为资产配置的能力、个券选择的能力、以及交互收益。
94131发布于 2019-03-15 - 来自专栏互联网数据官iCDO
【分析方法】归因分析入门
让我们来看看每一个普及的模型，看看每一步骤的归因。这样我们就可以权衡利弊。 最后点击（Last-Click） ? 这归因模型功劳于转化前的最后一个通道，这就是我们以上举例的重定向广告。 这类归因模型允许你创建混合型最后单击和初次点击的模型，并给每个触达点相应的百分比。 优点：如果你的营销项目主旨是保持与用户的关系和认知，那么线性的归因就比较有用。比如说，如果你有一个品牌的广告项目，每一个媒介点在用户考虑阶段都同等重要，那么线性的归因能够帮助你您可视化这一进程。 缺点：时间衰减归因对最后转化有贡献，但是是初始的触达的渠道有打折扣，例如Facebook或者最初的搜索会话。 自定义（Custom ） ? 这就是“圣杯”归因模型！ 你需要对其他模型非常了解再来运用自定义归因模型 正如你所看到的，这里有很多归因模型，找到一个适合你的业务的模型途径需要测试并且优化。使用一些虚拟数据集来测试不同的广告项目和媒介渠道。
3.5K80发布于 2018-03-02 末次触达归因的挑战与突破：从“单点归因”到“全局视角”的进化
LTA的单一归因模型，可能让品牌误判广告的长期价值。 3. 多触点归因模型：平衡短期与长期价值 除MMM外，品牌还可结合其他多触点归因模型（如线性归因、时间衰减模型）优化策略： 线性归因：平均分配各触点的贡献值，适合强调全链路体验的品牌（如奢侈品）。 改用多触点归因后，品牌发现KOL合作对最终购买的贡献率达25%，并据此调整投放策略。 3. B2B行业 B2B客户的决策路径复杂，涉及多部门协作。LTA无法捕捉销售团队与数字广告的协同效应。 例如，某电商平台使用时间衰减模型，结合用户停留时长、点击频率等行为数据，优化归因权重分配，使广告ROI提升20%。 3. 跨平台一致性 确保不同渠道的数据格式统一，避免因数据孤岛导致归因偏差。 3. 第一方数据的崛起 品牌需加强第一方数据（如用户注册信息、购买记录）的收集与利用。例如，某服装品牌通过会员系统积累第一方数据，结合CRM分析用户生命周期价值，优化广告投放策略。
84810编辑于 2025-05-28- 来自专栏golang分享
日志费用计算
我们按一台服务器 3W 元的费用来计算，服务器的硬件投入成本就是 36W 元，计算过程如下： 12 台服务器 X 3W = 36W 元 这里说个题外话，同样数据的副本要分开在多个机柜和交换机分开部署，这么做的目的是提高可用性 现在我们来算算第一年的投入是多少，这个投入包括硬盘的投入及维护费用、服务器的硬件费用和托管费用，以及宽带费用。 计算公式如下： 第一年投入费用 = 42W（硬盘新购与备用盘）+ 36W（服务器一次性投入）+ 12W（服务器托管费）+ 10W（宽带费用）= 100W 元 而后续每年维护费用，包括硬盘替换费用（假设都用完 ）、服务器的维护费用和宽带费用。 一个 1TB 实际容量为 960G、M.2 口的 SSD 硬盘单价是 1800 元，顺序写性能大概能达到 3～5GB/s（大致数据）。
7K31编辑于 2023-11-30 - 来自专栏张俊红
利用ChatGPT快速进行指标的异常归因
指标的异常归因是数据分析师日常工作中遇到的最高频问题之一。 关于异常归因的核心问题其实就两个：一个是从哪些维度进行指标拆解，另一个是各个维度之间的贡献度分别是多少？ 我们在实际工作场景中就完全可以利用ChatGPT来提高日常归因的效率。
77110编辑于 2023-09-06 - 来自专栏MixLab科技+设计实验室
归因分析指南v1.0
在这种情况下有3个接触点。每个接触点可获得33％的功劳。 线性归因对所有事物都给予同等的重视。该模型不会突出显示最有效的策略。 我们进一步抽象下： 我们把行业记为H， 投资组合记为A， 权重记为w， 分配效果记为A（w1 * H1，w2 * H2，w3 * H3） 基准记为H1base，Abase 分配影响记为Ea 选择影响记为 Es 相互作用影响记为Ei Ea比较的是： W1,w2,w3 W1base,w2base,w3base Es比较的是: H1/H1base Ei比较的是: Ei=wa*Ea + ws*Es wa跟ws的权重大小 2 合理地根据具体业务选择适合的归因模型； Mix, match, or compare attribution models in your analysis 3 可视化的重要性 可视化图表的选择代表了所想要展示的规律 可以分成3类，单点洞察、单形状洞察、复合洞察。 ? 结合图表，我们看几个示例： Outstanding No. 1 ? Outstanding Last ? Attribution ?
2.9K20发布于 2020-07-17 - 来自专栏GA小站
归因模型的演进路径：从规则分配到“人”为中心的归因体系
） 阶段 3：基于用户的归因（People-Based Attribution） 这三个阶段，并不是简单的“新旧替代”，而是对归因视角的一次次升级：从规则 → 数据 → 用户身份。 、结果可解释 常见的规则归因模型包括：： 模型 归因逻辑 最后一次点击（Last Click） 转化归功于最后一个触点 第一次点击（First Click） 转化归功于第一个触点 线性归因 所有触点平均分配 时间衰减 越接近转化，权重越高 位置归因 首次与最后一次权重更高 延伸阅读：Web端广告归因模型全解析：从单触点到多触点归因 这一阶段的归因模型，适用于： 渠道数量有限 用户路径较短 Cookie/ 用户识别稳定 企业以效果核算为主要目标 在Universal Analytics（GA3）时代，Last Click曾长期是默认归因模型，原因并不是它最准确，而是： 它最简单、最容易对账、最容易被业务接受 阶段 3：基于用户的归因（People-Based Attribution） 随着隐私保护政策的加强（如 Cookie 限制、ID 退化），仅依赖设备或浏览器级标识的归因方式开始失效，越来越难以获取完整的用户路径
22510编辑于 2026-03-12 - 来自专栏SAP ERP管理实践
SAP 费用报销操作
费用报销操作包括： 在资金计划内付款，如之前有预付过货款，则进行 预付应付清账； 在资金计划内付款，如之前没有预付过货款，则根据需要支付的金额和明细进行应付清账。 费用报销用于冲销之前的员工借款，进行清账，冲销个人借款（F-30） 步骤1：输入待清账相关信息 ? 步骤2：输入清账金额和起息日 ? 步骤3：输入原因代码 ?
6.9K30发布于 2019-06-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号