App 版位價值歸因 · Markov 移除效應與實驗設計

在電商平台的日常營運中，首頁、商品頁、活動頁配置了各類橫幅看板與推薦模組，核心問題通常是：到底哪個版位真正帶來了成交？

傳統的最後點擊歸因（Last-Click Attribution）只將功勞全部分配給結帳前的最後一次點擊，忽視了旅程前端與中段的導引價值；而點擊率（CTR）高更不等於轉化貢獻——許多大圖看板吸走了巨量曝光與無意點擊，後續卻毫無成交意圖。

為了解決「版位價值難以量化」與「曝光資源錯配」的問題，本專案在電商平台針對連續 7 天的 App 使用旅程（約 360 萬個 session、約 480 個版位）建立一階馬可夫鏈（First-order Markov Chain）歸因模型，計算各版位的移除效應（Removal Effect），並將分析成果轉化為可落地檢驗的 A/B 實驗架構。

我們將使用者的 App 連續瀏覽序列建模為離散狀態轉移系統。核心架構與計算步驟如下：

1. 過路節點建模：將 session 中的行為序列重組為路徑（例如：開始 → 首頁 → [首頁-01] → 商品頁 → 結帳完成）。頁面（Page）作為主幹節點，而使用者在頁面內點擊特定推薦或看板的動作，則作為插入在頁面之間的「過路節點」（Waypoint Node）。
2. 狀態轉移機率矩陣：統計節點間的一階轉移次數，建構轉移機率矩陣。以吸收馬可夫鏈（Absorbing Markov Chain）計算由「開始」流向吸收態「結帳完成」的基準成交率，模型計算得出的模擬基準成交率為 3.8%，與母體實際觀測成交率一致，完成模型基礎對帳。
3. 計算移除效應（Removal Effect, RE）：若要評估特定版位的不可替代性，便在矩陣中將該版位節點移除，並將其既有入流全部導向「離開」（Drop / Exit），重新計算全站吸收成交率。成交率下降之百分比即為該版位的移除效應，乘上總成交數即為該版位的「流失成交數」。
4. 家族聯合移除（Joint Removal）：因同類型版位彼此存在備援性，個別 RE 不具可加性。我們將同頁面同模組的版位進行「家族聯合移除」，以捕捉群體內部的互補或備援效應。
5. 補齊曝光分母（每千次曝光價值）：流失成交代表總量價值，但為了衡量版位的空間效率，必須結合版位實際曝光載入次數（非點擊），計算「每千次曝光流失成交」（Loss Conversions per 1,000 Impressions），作為衡量曝光配置效率的核心指標。

在推導 Markov 轉移矩陣的過程中，如果直接套用原始埋點資料，會產生明顯偏差。本研究經歷了兩次口徑修正：

1. 成交終點定義：必須是「結帳完成」而非「點擊立即購買」

初期曾嘗試以商品頁的「立即購買」作為轉化終點，但意圖不等於成交，點擊購買後仍有未完成付款的流失，將意圖事件當作吸收態會高估購物車周邊版位；因此終點改用「結帳完成」。

2. 成交點截斷（Conversion Point Truncation）

這是最容易被忽視卻影響關鍵的資料陷阱：成交之後發生的行為，不應計入路徑。

在電商平台中，許多使用者在完成下單後，並不會立刻關閉 App，而是回到首頁隨意逛逛或查看其他促銷活動。數據顯示，在包含成交的 session 中，約 23% 的版位點擊是發生在「結帳完成」之後，首頁大看板與活動版位在成交後的點擊比例約 35% ~ 50%。

如果沒有在成交點將路徑截斷，模型會將這些「買完之後隨意瀏覽」的點擊誤認為通往成交的轉移節點，從而嚴重虛增首頁看板的價值。值得注意的是，「基準成交率對帳」無法檢驗出這種偏差，因為成交後的轉移不會改變最終吸收機率，唯有逐條檢驗時間戳記並截斷才能排除此虛假相關。

在約 360 萬個 session、480 個版位的全站計算中，我們觀察到顯著的價值集中度與效率反差：

核心發現：首頁-01（個人化推薦流）單位效率是首頁一般版位的 39 倍

當我們將移除效應除以曝光量分母時，發現了顯著的資源錯配：

• 首頁-01：每千次曝光流失成交為 47.3，但因為位於首頁最下方，需使用者向下滑動才能曝光，獲得的曝光量僅佔首頁少數。
• 首頁一般版位中位數：首頁約 180 個版位的每千次曝光流失成交中位數僅有 1.2。
• 效率落差：首頁-01的單位曝光效率是首頁中位數版位的 約 39 倍。
• 對照首頁頂部占據大量曝光的大看板：首頁-02僅 0.6、首頁-03僅 0.2、首頁-04僅 0.3、首頁-05為 2.9。首頁整體平均僅 1.4。

這項發現揭示了典型的「曝光錯配」：首頁占據了全站最豐沛的流量資源，但絕大多數黃金曝光卻被配置給轉換效率低落的靜態看板；而真正具備強大轉化動能的個人化推薦流，卻位於頁面底部。

其他重要發現

1. 價值高度集中：前 2 名版位佔全站總版位價值的 50%，前 10 名版位佔 78%。全站約 480 個版位中，約有一半的版位 RE 趨近於 0（可被其他路徑替代）。
2. 單一版位 RE 領先：「商品頁-01」單一版位 RE 為 22.1%，「商品頁-02」為 16.4%，是全站關鍵的流量分流樞紐。
3. 備援性 vs. 碎片化：
   • 商品頁家族個別版位 RE 相加為 38.9%，但家族聯合移除為 31.0%（相差 7.9 個百分點），證明商品頁內部推薦具備高度互相備援特性。
   • 首頁家族（約 180 個版位）個別相加 17.7%，聯合移除為 15.6%（僅差 2.1 個百分點），反映首頁版位過多且高度碎片化，各看板之間無法形成有效協同。
4. 位置效應大於內容：在「活動頁-01」模組中，第 1 格 RE 為 6.3%，後續每往後一格，RE 呈幾何衰減約 40%（第 2 格約 3.8%、第 3 格約 2.3%），證明位置權重主導了大部分成效。
5. 窄而深的高效率通道：「會員頁-01」（28.4／千）、「探索頁-01」（18.6／千）與「落地頁-01」（17.2／千）雖然曝光總量不大，但單位曝光效率高，具備擴大漏斗入口的價值。

移除效應（Removal Effect）是關聯性分析，不是因果證明。「首頁-01」的高效率可能包含了選擇效應（Selection Bias）——願意在首頁一路向下滑動的使用者，本身就具備更高的逛街與購買意圖。

因此，我們將 Markov 歸因的定位確立為「A/B 實驗優先序產生器」，並設計了 E1 ~ E4 實驗階層：

實驗矩陣規劃 (E1 ~ E4)

實驗規範與評估機制

• 隨機化單元（Unit of Randomization）：必須在使用者層（User-level）於進站前依 User ID 進行持久化雜湊分桶。不能在曝光層或 session 層隨機——若只在看到版位的使用者中隨機分桶，實驗樣本早已被選擇效應污染。
• 指標體系：
  • 主指標（OEC）：使用者層／session 層之結帳完成率。
  • 次指標：客單價、版位自身點擊率、商品頁停留時間。
  • 護欄指標（Guardrails）：被擠下去版位的成交額、整體頁面載入速度（Page Load Time）。特別注意：「版位自身點擊率上升但全站 OEC 沒動，高機率是蠶食。」
• 統計功效與觸發式分析（Triggered Analysis）：基準成交率 3.8%，在雙臂 50/50、80% Power、顯著水準 α = 5% 條件下，要檢驗相對 +5% 的增益每臂需約 16 萬 session，檢驗 +2% 需約 100 萬 session。為了避免未造訪首頁的非相關流量稀釋檢定力，主分析採取「觸發式分析」——分桶維持事前全站做，但統計分析僅篩選「該 session 曾到訪首頁」之樣本，並以全站 OEC 作為護欄。
• 時間效度：實驗必須至少跑滿 2 週，跨越完整週末週期，並檢驗是否有短期的新鮮感效應（Novelty Effect）。
• 迭代閉環：實驗結束後取得之純淨因果效應（Causal Uplift），回頭校準 Markov 轉移矩陣的權重，逐步建立「被因果實驗坐實的版位價值表」。

作為負責任的數據分析，必須坦誠界定本分析的邊界與侷限：

• 一階馬可夫假設的簡化：一階模型假設轉移機率僅取決於當前狀態（無記憶性）。但真實使用者的購物心智具備歷史累積效應，例如前一天看過的商品可能在今天直接下單。
• 移除效應是「關聯」，非「因果」：RE 模擬的是「若將節點斷開後的轉移重分配」，它假設流量會流向離開；但真實世界中使用者找不到該版位時可能改走搜尋等替代路徑，因此對該版位的價值可能高估，而非定論。
• 時間窗口：本分析基於連續 7 天的數據快照，無法反映長週期的季節性波動與特定促銷節慶的大盤結構變化。