数据归因分析什么意思

❶ 什么是归因分析，归因分析如何计算

1、归因理论，在日常的社会交往中，人们为了有效地控制和适应环境，往往对发生于周围环境中的各种社会行为有意识或无意识地做出一定的解释，即认知整体在认知过程中，根据他人某种特定的人格特征或某种行为特点推论出其他未知的特点，以寻求各种特点之间的因果关系。

归因理论由社会心理学家海德于1958年提出：归因是指人们对自己或他人的行为进行分析，推论出这些行为的原因的过程。归因方式影响到以后的行为方式和动机的强弱。

2、归因分析的基本流程：

（1）感知，观察，人必须感知和观察行为。

（2）判断，决定是否是故意的，人必须相信一个行为是故意做的。

(1)数据归因分析什么意思扩展阅读：

三度归因理论：

H.凯利提出的三度归因理论，又被称为多线索分析理论，或称共变归因理论，是凯利在吸收了海德的共变原则的基础上提出的。他认为，人们多是在不确定条件下进行归因的。人们从多种事件中积累信息，并且利用“共变原则”来解决不确定性的问题。

凯利认为，人们在试图解释某人的行为时，可能用到三种形式的归因：归因于行为者，归因于客观刺激物，归因于行为者所处情境或关系。

❷ 品牌营销的归因分析是什么应该怎么做

首先要知道“归因分析”，说的简单点，就是原因分析，找出影响结果的主要原因进行归纳；
具体说到品牌营销的归因分析，就是要对影响品牌营销效果的原因进行总结分析，只有准确的分析出影响品牌营销效果的要素，才能够更有针对性的设计营销方案。否则，不知道影响营销效果的要素，又如何能够设计出有效果的营销方案呢？
举个简单的不恰当的例子，比如某个品牌产品 的客户群体都不看电视，那么在营销设计中就不应该考虑电视广告。
所以归因分析的目的就是要找出哪些是主要的影响要素，然后根据这些要素进行营销设计

❸ 数据归因

bug，往往在不经意出现，也可能解决一个，又出现一堆；

V产品接入了Firebase，每天都可以看到用户崩溃数据，昨天查看了才看到有个030高量bug，为什么没人去处理？

事情的源头起源于4月试用-订阅的转化降低，那么这个降低的归因该怎么去找？下降的原因，追踪到源头，就是用户，用户在这段时间，发生了什么呢？

从大盘上分析，世界疫情的影响是不是可作为猜测原因，竞品在这期间表现如何

查看Appannie数据发现，竞品在3月4月的收入和活跃都有不同程度的上升，那么会是我们面对的国家疫情更为严重吗？

V产品在巴西、菲律宾和俄罗斯的用户群占比最高，那么，巴西在4月的疫情表现如何？

巴西的增长速度虽不及美国陡峭，但属于速率较高国家之一，但对比其余竞品在巴西的4月数据，发现，疫情反而带动了收入和活跃：

可以据此暂时排除疫情影响。

另外，从苹果评价反馈结果上看，4月版本上线后出现很多仅该版本出现的发热、闪退和崩溃现象，交给开发排查，果然分析出了失败原因并紧急修复。这可能是试用-转化的减半原因之一吗？

4月上线新功能A，进行了A/B测试，发现实验效果不加，无法成为最佳变体，最终选择关闭该功能。新功能A晦涩难懂，猜测可能会是用户放弃使用App的原因之一。

还有市场投放减少是否也是原因之一？本身投放的减少也使得自然新增对应减少了。

产品本身数据源的缺失也是一部分无法成功归因的原因，没有准确的数据，无法合理猜测，更没法得出最终结论，事实告诉我们，数据说明一切，底层服务很重要

以上

❹ 数据分析中的归因查找是什么

对于归因查找主要是解决业务中的常见问题，找出一件事件发生的主要原因。

对于业务中明确的业务目标（购买。留资料，充值）归因，便可...

将目标的达成拆分到各个模块，方便统计各模块的贡献

获悉当前指标达成的主要因素，获得如何提升业务指标的洞见

使用归因（一般是工作中绩效，产品可能爆发的点）

2.1末次归因：转化路径短，且事件间关联性强的场景

比如：一款陌生人社交 加好友有几种模式，（号码添加 漂流瓶话题广场添加 等）最近新上随机匹配加好友的功能，在这个场景里面可以用末次归因 把这次加好友事件的贡献程度都给到随机匹配上面。

案例：结束事件为充值用户的行为路径

我们通过最后一次用户的操作得出百分之六十是在送礼中充值。百分之30是在私信时候充值。还有百分之10是在其他事件。运营页可以得出很多充值并不是只发生在直播间里面，在私信中页会有。对于后续设计产品和用户体验页有很大的帮助。

得出结果之后，这样的话我们可以真对性的去优化功能。

2.1递减归因：转化路径长，非目标事件差异不大，没有完全主导的。前面的非目标事件区分不是很高。

比如：一个在线的项目管理工具，提供代办事件列表，时钟等功能。最后付费升级之后可以消除广告，观察目标就是用户消除广告。这个时候是用户在使用了产品之后喜欢里面的功能，用户几个星期。用户在时间段里面养成的用户习惯，都会促进消费广告。我们要从最后一步把因子往前伸展，把路径往前十步，每一步都分摊百分之十。但可能具体的产品也是有可以离消费最近的那几步分摊更多一些，都是一个递减的过程20%30%50%。

案例：常见游戏场景充值行为

因为游戏的路径很多，如果我们在这里使用末次归因的话，可能就会发现充值只是在游戏消费或者抽奖这个2个地方。这样的话，我们观察的点就会少很多。这时我们把行为拉长一些，就会得知在游戏合成装备的时候就买一些东西，这个时候就产生充值。每个行为对于我们的转化都有帮助。所以这个时候我们用递减归因比较合理 。我们把充值的行为往前传递。这个时候会得出的更好的结论和功能对于充值的帮助。

2.3首次归因：强流量依赖的业务场景，拉人比后续所有的事都重要。

比如：只把最终事件的发生归根到第一步 。

案例：小额贷款

他们（发展的比较粗暴）他们产品自己会有一些风控和审核。审核没有问题就可以放贷，获得利润。对于他们来说，他们不愁后面能不能转化，因为用户都是来借钱的。有很主动的动力来完成每一个步骤，产品在不好用，都会走完借款成功。产品更的是多人来借钱，所以缺得是市场的流量。运营能不能拉用户。所以在这样的产品上就不需要做末次归因和递减归因。他们只会做首次归因，看看第一次借款的来源在哪里。

❺ 归因分析(Attribution Analysis)模型解析

在复杂的数据时代，我们每天都会面临产生产生的大量的数据以及用户复杂的消费行为路径，特别是在互联网广告行业，在广告投放的效果评估上，往往会产生一系列的问题：

· 哪些营销渠道促成了销售？
· 他们的贡献率分别是多少？
· 而这些贡献的背后，是源自于怎样的用户行为路径而产生的？
· 如何使用归因分析得到的结论，指导我们选择转化率更高的渠道组合？

你可能第一反应就是：当然是我点了哪个广告，然后进去商品详情页产生了购买以后，这个功劳就全部归功于这个广告呀！没有错，这也是当今最流行的分析方法，最简单粗暴的单渠道归因模型------这种方法通常将销售转化归功于消费者第一次 (首次互动模型，First Model) 或者最后一次接触 (末次互动模型，Last Model) 的渠道。但是显然，这是一个不够严谨和准确的分析方法。

我们发现，现实情况往往是很复杂的多渠道投放，在衡量其贡献价值以及做组合渠道投放力度的分配时，只依靠单渠道归因分析得到的结果和指导是不科学的，于是引入了多渠道归因分析的方法。当然，多渠道归因分析也不是万能的，使用怎样的分析模型最终还是取决于业务本身的特性以及考虑投入其中的成本。

也称，最后点击模型-----最后一次互动的渠道获得100%的功劳，这是最简单、直接，也是应用最为广泛的归因模型。

优点： 首先它是最容易测量的归因模型，在分析计方面不容易发生错误。另外由于大部分追踪的cookie存活期只有30-90天（淘宝广告的计算周期最长只有15天)，对于顾客的行为路径、周期比较长的场景，在做归因分析的时候可能就会发生数据的丢失，而对于末次互动模型，这个数据跟踪周期就不是那么特别重要了。

弊端： 这种模型的弊端也是比较明显，比如客户是从收藏夹进入商品详情页然后形成了成交的，按照末次归因模型就会把100%的功劳都归功于收藏夹（直接流量）。但是真实的用户行为路径更接近于产生兴趣、信任、购买意向、信息对比等各种环节，这些都是其他渠道的功劳，在这个模型中则无法统计进来，而末次渠道的功劳评估会被大幅高估。

适用于： 转化 路径少、周期短 的业务，或者就是起临门一脚作用的广告，为了 吸引客户购买 ，点击直接落地到商品详情页。

上面讲到的末次互动模型的弊端是数据分析的准确性受到了大量的"直接流量"所误导，所以对于末次非直接点击模型，在排除掉直接流量后会得到稍微准确一点的分析结果。

从上面的案例中，我们可以想象，用户是从淘宝收藏夹里点了一个商品然后进行了购买，但是实际上他可能是点了淘宝直通车后把这个商品加入到收藏夹的，那么在末次非直接点击互动模型里，我们就可以把这个功劳归功于淘宝直通车。

适用于 ：如果你的公司认为，你们 业务的直接流量大部分都被来自于被其他渠道吸引的客户 ，需要排除掉直接流量，那么这种模型会很适合你们。

末次渠道互动模型会将100%的功劳归于客户在转化前，最后一次点击的广告渠道。需要注意这里的"末次互动"是指任何你要测量的转化目标之前的最后一次互动，转化目标可能是销售线索、销售机会建立或者其他你可以自定义的目标。

优点： 这种模式的优点是通常跟各渠道的标准一致，如Facebook Insight使用末次Facebook互动模型，谷歌广告分析用的是末次谷歌广告互动模型等等。

弊端： 很明显当你在多渠道同时投放的时候，会发生一个客户在第一天点了Facebook的广告，然后在第二天又点击了谷歌广告，最后并发生了转化， 那么在末次渠道模型中，Facebook和谷歌都会把这次转化的100%功劳分别归到自己的渠道上 。这就导致各个部门的数据都看起来挺好的，各个渠道都高估了自己影响力，而实际效果则可能是折半，如果单独使用这些归因模型并且把他们整合到一个报告中，你可能会得到"翻倍甚至三倍"的转化数据。

适用于： 单一渠道，或者已知某个渠道的价值特别大

首次互动的渠道获得100%的功劳。

换句话说， 首次互动模型更加强调的是驱动用户认知的、位于转化漏斗最顶端的渠道 。

优点 ：是一种容易实施的单触点模型

弊端 ：受限于数据跟踪周期，对于用户路径长、周期长的用户行为可能无法采集真正的首次互动。

适用于 ：这种模型适用于 没什么品牌知名度的公司，关注能给他们带来客户的最初的渠道 ，对于扩展市场很有帮助的渠道。

对于路径上所有的渠道，平等地分配他们的贡献权重。

线性归因是多触点归因模型中的一种，也是最简单的一种，他将功劳平均分配给用户路径中的每一个触点。

优点： 他是一个多触点归因模型，可以将功劳划分给转化漏斗中每个不同阶段的营销渠道。另外，他的计算方法比较简单，计算过程中的价值系数调整也比较方便。

弊端： 很明显，线性平均划分的方法不适用于某些渠道价值特别突出的业务。比如，一个客户在线下某处看到了你的广告，然后回家再用网络搜索，连续三天都通过网络进入了官网（真实用户场景也许就是用户懒得记录或者收藏官网地址），并在第四天成交。那么按照线性归因模型，网络会分配到75%的权重，而线下某处的广告得到了25%的权重，这很显然并没有给到线下广告足够的权重。

适用于： 根据线性归因模型的特点， 他更适用于企业期望在整个销售周期内保持与客户的联系，并维持品牌认知度的公司 。在这种情况下，各个渠道在客户的考虑过程中，都起到相同的促进作用。

对于路径上的渠道，距离转化的时间越短的渠道，可以获得越多的功劳权重。

时间衰减归因模型基于一种假设，他认为 触点越接近转化，对转化的影响力就越大。 这种模型基于一个指数衰减的概念，一般默认周期是7天。也就是说，以转化当天相比，转化前7天的渠道，能分配50%权重，前14天的渠道分25%的权重，以此类推...

优点： 相比线性归因模型的平均分权重的方式，时间衰减模型让不同渠道得到了不同的权重分配，当然前提是基于 "触点离转化越近，对转化影响力就越大" 的前提是准确的情况下，这种模型是相对较合理的。

弊端： 这种假设的问题就是，在漏洞顶部的营销渠道永远不会得到一个公平的分数，因为它们总是距离转化最远的那个。

适用于： 客户 决策周期短、销售周期短 的情况。比如，做短期的促销，就打了两天的广告，那么这两天的广告理应获得较高的权重。

基于位置的归因模型，也叫U型归因模型，它其实是 混合使用了首次互动归因和末次互动归因 的结果。

U型归因模型也是一种多触点归因模型，实质上是一种重视 最初带来线索 和 最终促成成交 渠道的模型，一般它会给首次和末次互动渠道各分配40%的权重，给中间的渠道分配20%的权重，也可以根据实际情况来调整这里的比例。

U型归因模型非常适合那些 十分重视线索来源和促成销售渠道的公司 。该模型的缺点则是 它不会考虑线索转化之后的触点的营销效果 ，而这也使得它成为销售线索报告或者只有销售线索阶段目标的营销组织的理想归因模型。

以下，我们通过神策数据提供的归因模式，做一次计算原理的演绎：

下图是通过神策分析所得到某电商用户行为序列图示。在图示中，各字母代表的含义是 D-广告位、Q-商品详情页、D-推荐位、M-购买商品。目标转化事件是“购买商品”，为了更好地“配对”，运营人员将 M1（目标转化事件——购买商品1）与 Q1（前项关联事件——商品 1 详情）设置了属性关联，同样将 M2 与 Q2 进行关联。

该场景中，发生了两次购买行为，神策分析进行归因时会进行两轮计算，产生计算结果。

（一）第一轮计算：

第一步，从 M1 开始向前遍历寻找 Q1 以及离 Q1 最近发生的广告浏览。

如图所示，不难得到结果 M1=[Dc，Dc，Da]。

第二步，我们带入分析模型中，进行功劳的分配。运营人员选择 “位置归因” 的分析模型，根据“位置归因”的计算逻辑，第一个“待归因事件”和最后一个“待归因事件”各占 40%，中间平分 20%。

第一轮我们得到结果：Dc=0.4；Dc=0.2；Da=0.4

（二）第二轮计算

从 M2 开始向前遍历寻找 Q2 以及离 Q2 最近发生的广告浏览。

这里值得强调的是，即使第一轮中计算过该广告，在本轮计算时依然会参与到计算中，因为经常会出现一个广告位同时推荐多个商品的情况。

我们不难得到结论，M2=[Dc，Db]。基于这个结论，我们通过“位置归因” 得到结果：Dc=0.5；Db=0.5 （不足 3 个时会有特殊处理） 。

经过两轮计算，我们得出结论：Dc=1.1；Da=0.4；Db=0.5，则广告位 c 的贡献最大、广告位 b 贡献次之，广告位 a 的贡献最小。

马尔科夫链思时间、状态都是离散的马尔科夫过程，是将来发生的事情，和过去的经理没有任何关系（只和当前有关系）。通俗的讲： 今天的事情只取决于昨天，而明天的事情只取决于今天。

回到归因模型上，马尔科夫链模型实质就是：访客下一次访问某个渠道的概率，取决于这次访问的渠道。

归因模型的选择，很大程度上决定转化率计算结果，像前面讲的首次互动、末次互动等模型，实际上需要人工来分配规则的算法，显然它并不是一种“智能化”的模型选择。而且因为各个推广渠道的属性和目的不同，我们也无法脱离用户整个的转化路径来单独进行计算。因此，马尔科夫链归因模型实质上是一种以数据驱动的(Data-Driven)、更准确的归因算法。

马尔科夫链归因模型适用于 渠道多、数量大、有建模分析能力 的公司。

那么具体马尔科夫链怎么玩？（请自备图论知识）

如果将各推广渠道视为系统状态，推广渠道之间的转化视为系统状态之间的转化，可以用马尔科夫链表示用户转化路径。

马尔科夫链表示系统在t+1时间的状态只与系统在t时间的状态有关系，与系统在t-1,t-2,...,t0时间的状态无关，平稳马尔科夫链的转化矩阵可以用最大似然估计，也就是统计各状态之间的转化概率计算得到。用马尔科夫链图定义渠道推广归因模型：

1、状态集合，定义为 banner,text,keyword,link,video,mobile,unknown 7种推广类型加上start,null,conversion 3种系统状态
2、稳定状态下的转化矩阵，通过某公司web网站20天的原始click数据计算的得到如下状态转化矩阵

3、利用该转化矩阵来构造 有向图（Directed Graph） ，通过计算从节点start到节点conversion的所有非重复路径（Simple Path）的累乘权重系数之和来计算 移除效应系数
4、通过移除效应系数，计算各个状态的转化贡献值

什么是移除效应？

我们可以把上面的案例简化一下，尝试具体计算下移除效应和各渠道的转化贡献值：

在以上系统中，总体的转化率 = （0.667*0.5*1*0.5+0.333*1*0.5）= 33.3%

移除节点C1后，整体转化率 = 0.333*0.1*0.5 = 16.7%，所以C1节点的移除效应系数 = 1-0.167/0.333=0.5
同理可计算节点C2和C3的移除效应分别是1和1
通过移除效应系数计算得到转化贡献值：
C1 : 0.5 / (0.5+1+1) = 0.2
C2 : 1 / (0.5+1+1) = 0.4
C3 : 1 / (0.5+1+1) = 0.4

如果你对马尔科夫链有疑惑，可以 点击这里 了解下

从上面这么多种归因模型来看，我们大概可以把他们分成2类：
（1） 基于规则的 ：预先为渠道设置了固定的权重值，他的好处是计算简单、数据容易合并、渠道之间互不影响，当然你也可以根据实际需要去调整他们的权重配比
（2） 基于算法的 ：每个渠道的权重值不一样，会根据算法和时间，不同渠道的权重值会发生变化（数据驱动）

在选择用何种归因模型之前，我们应该先 想清楚业务模式！

如果是 新品牌、新产品推广 ，企业应该给予能 给我们带来更多新用户的渠道 足够的权重，那么我们应该选择首次互动模型；

如果是投放了 单一的竞价渠道 ，那么我们应该选取末次互动归因模型或者渠道互动归因模型；

如果公司很在乎 线索来源和促成销售渠道 ，那么我们应该选择U型归因模型；

如果公司的渠道多、数据量大，并且由永久用户标识，基于算法的归因模型能够为营销分析提供巨大的帮助；

....

总的来说， 没有完美的归因模型 。任何模型都存在他的局限性和不足，如何有效地结合客观数据与主观推测，是用好归因模型的重要能力前提。

这里抛出一个有趣的问题，大家可以通过思考他背后的分析逻辑，尝试一下如何应用到归因模型中

❻ 归因分析：常见的归因方法及产品化落地

“ 归因分析，用来解决不同渠道、不同触点贡献度的问题。归因模型的选择没有对错，只有场景是否适合。 ”

归因分析，是广告投放同学的必备知识。

归因分析具体是什么，都有哪些归因分析模型？不同分析模型的特点以及应用场景是啥？如何设计BI分析系统的归因分析模块？今天和大家简单分享一下。

一、什么是归因分析

归因分析，其实是解决不同渠道（或者触点）贡献度的分析方法。

现在的广告投放，都在讲求精细化运营。精细化运营的基础是什么？对，是数据。对于广告投放而言，最基础的一个方面，就是广告效果数据了。广告效果数据如何衡量、怎么衡量，这就用到了归因分析。

举个简单例子，广告投放同学做了一次广告投，最后有500个人最终发生了购买。但是这500个人呢，有的是通过投放链接直接完成了购买，有的是过了好几天才完成购买，中间又发生了站内搜索行为、或者又看了其他渠道的广告，这时，要把最终的成交贡献计算在哪个渠道呢？

因此，归因分析是通过一定的逻辑方法，计算每个渠道、或者触点对最终结果贡献程度的方法。有一套合理的归因办法，才能科学地衡量不同渠道的广告价值，指导更好的投放。

二、归因分析模型

按照不同的方法，常见的归因分析模型有以下几种。

（1）首次触点归因模型

模型逻辑：将首次互动的渠道获得100%的功劳。举个例子，一个用户在统计时间内有广告点击、有站内搜索、站内点击等多个行为，最终成交了。我们把最终的成交100%的功劳都记在第一次行为里。

【优缺点】这个逻辑是清晰可理解的，实施起来也是容易实施的，毕竟只用了第一次的行为，计算量可控。但带来的问题也很清楚：首次互动后的所有行为，都没有进行统计，这显然在很多场景下不合理。

【适合场景】一般是需要进行拉新的时候，公司处于市场开拓的时候，这个时候我们关心把更多的用户先圈过来，那么用首次互动模型可以看出来哪些渠道对于业务拉新最有效。

（2）末次触点归因模型

模型逻辑：将发生转化最近一次的互动渠道获得100%的功劳。即不管用户发生了啥行为，只关注最后一次。

【优缺点】末次归因是应用非常广泛的模型。一方面，和首次归因一样，逻辑简单，很容易实施；另一方面，数据追踪的数据也不易丢失。缺点和首次归因类似，很多之前的行为没有纳入考虑，并不全面。比如很多用户都是通过收藏夹页面进入网址完成购买，但这个渠道并不能反映太多问题。

【适合场景】一般是公司想要做短期的投放，快速提升效果，这时按照末次归因模型，能比较好了解到底是哪个渠道对于最终的转化有比较好的促进作用。

（3）线性归因模型

模型逻辑：线性归因是把统计时间内所有的触点的功劳进行平均分配。

【优缺点】优点是不用考虑不同渠道的价值权重，大家一视同仁，计算也不复杂。缺点是，部分情况下，若有的渠道价值异常高，可能会“被平均”，因为这种渠道是靠质量而不是数量赢得结果的。

【适合场景】比较适合公司内部使用……大锅饭大家一般不会打架

（4）时间衰减归因模型

模型逻辑：对于统计时间内的所有触点，距离转化越近的渠道获得的贡献越大。

【优缺点】这个模型考虑了时间的作用，通常也是时间越久对于用户的转化作用是越弱的。缺点是如果有的渠道天然处于转化链路的起点，那么对于这些渠道是不公正的

【适合场景】和末次归因比较类似，适合促销期间大量引用用户完成转化的场景。

（5）位置归因模型

模型逻辑：综合了首次归因、末次归因、线性归因，将第一次和最后一次触点各记贡献40%，中间的所有触点平均剩下的20%贡献。

【优缺点】大杂烩。

【适合场景】没用过

三、归因分析的产品设计

以上介绍了一大堆归因的模型，那对于一套BI分析系统，如何将归因分析这个常用的分析项，产品化呢？

总结下来，想要完成归因分析有这么几步：

选择目标转化事件 （即你想要把什么行为作为最终转化行为，通常是成交，针对不同业务场景，比如一些时间周期长的类目，可能会选择浏览详情页等）

选择待归因事件 （即你要把哪些触点进行功劳划分，比如购物车页面，可能是你的必须流程，就不需要纳入功劳来划分了）

选择时间窗口 （选择你要统计的时间范围，比如是7天、还是30天，还是更久，不同业务的场景有所差异）

选择归因模型 （根据业务目标不同，选择不同的归因模型进行分析。当然很多情况下，业务会选择多个归因模型进行一些对比分析）

基于以上的业务流程，可以进行归因分析模块的产品设计流程。最终的呈现往往分为两部分：

（1）触点路径分析；（2）触点价值报告

受限于时间问题，不展开这两部份的详细设计了，后续有机会补充。

以下是谷歌的归因分析截图（今天翻不了墙，只好网上网络的……后面能翻墙了我重新截图）：

以下是神策的归因分析：

今天先分享到这，后续有时间可以简单讲讲夏普利值的归因方法。

❼ 数据分析利器之归因分析

原文链接： 数据分析利器之归因分析

广义的归因分析指找到事情发展的原因，我们介绍过的公式法、漏洞模型等核心都是为了定位原因。我们日常在互联网广告行业中常说的 归因分析 特指渠道转化的贡献分析，如我们在四个渠道投放产品广告，通过归因分析判断哪个渠道转化效果最好，进而优化渠道投放策略。

有一天三猫依次在a、b、c、d这4个不同的app上都看到了同一款防脱洗发水广告，并在最后看到的d这个app上点击详情页并下单购买，那如何判断每个渠道对三猫发生消费转化的贡献呢？

转化功劳为最后一次互动的渠道，即三猫的购买转化认为是通过d促成的。

优点 ：容易测量，不必担心业务周期长的场景可能会发生的数据损失，减少数据回溯处理成本。

弊端 ：三猫是因为看了a、b、c三个app的广告后不断加深印象，才在d看到后发生购买行为，因此其他三个渠道也为转化起到促进作用，而在这个模型中则无法统计进来，d渠道的功劳评估会被大幅高估。

适用场景 ：投放周期短、转化路径少、周期短的业务。

转化功劳为第一次互动的渠道，即三猫的购买转化认为是通过a促成的。首次互动模型更加强调的是驱动用户认知的、位于转化漏斗最顶端的渠道。

优点 ：容易统计。

弊端 ：转化路径长时，不容易回溯到用户第一个交互渠道。

适用场景： 没什么品牌知名度的公司，关注能给他们带来客户的最初的渠道，对于扩展市场很有帮助的渠道。

转化功劳分配给每个互动渠道，分配权重可自行调节，即三猫的购买转化由四个渠道共同促成。末次归因和首次互动模型都可以认为是线性归因的特殊情况。

优点 ：计算方法简单。

弊端 ：某些渠道的重要性会被其他渠道平均掉。

适用场景： 企业期望在整个销售周期内保持与客户的联系，并维持品牌认知度的公司。在这种情况下，各个渠道在客户的考虑过程中，都起到一定的促进作用。

对于路径上的渠道，距离转化的时间越短的渠道，可以获得越多的功劳权重。时间衰减归因模型基于一种假设，他认为触点越接近转化，对转化的影响力就越大。即三猫的购买转化，四个渠道贡献度d>c>b>a。

优点 ：考虑时间因素，更为合理。

弊端 ：如果有的渠道天然处于转化链路的起点，那么它们总是距离转化最远的那个，重要性会被低估。

适用场景 ：客户决策周期短、销售周期短的情况。比如，做短期的促销，就打了两天的广告，那么这两天的广告理应获得较高的权重。

对于路径上的渠道，将第一次和最后一次触点各贡献40%，中间的所有触点平均剩下的20%贡献。即三猫的购买转化，a和d的贡献度分别为40%，b和c贡献度分别为10%。

优点 ：销售线索报告或者只有销售线索阶段目标的营销组织的理想归因模型。

弊端 ：对中间过程的促进作用考虑较少。

适用场景 ：十分重视线索来源和促成销售渠道的场景。

相关性分析是通过整体情况来确定渠道重要性的方法。通过计算各渠道直接转化量与整体转化量的相关性系数，确定各渠道的贡献度。根据算出的渠道贡献度，确定三猫此次的转化主要贡献渠道。

归因模型有很多种，没有一种方法可以适用于所有情况。实际使用时，应考虑业务场景与各模型适用场景的匹配度，进而选择合适的方法。

下图对相关性分析方法重点内容进行了罗列，可保存到相册随时查看。

参考文档：

https://zhuanlan.hu.com/p/384442573

https://zhuanlan.hu.com/p/438797669

https://www.jianshu.com/p/a1fa42c5cc42

❽ 归因分析（Attribution Analysis）

约克和汤姆结对旅游，他们准备吃午餐。约克带了3块饼，汤姆带了5块饼。这时，有一个路人路过，路人饿了。约克和汤姆邀请他一起吃饭。路人接受了邀请。约克、汤姆和路人将8块饼全部吃完。吃完饭后，路人感谢他们的午餐，给了他们8个金币。路人继续赶路。

约克和汤姆为这8个金币的分配展开了争执。汤姆说：“我带了5块饼，理应我得5个金币，你得3个金币。”约克不同意：“既然我们在一起吃这8块饼，理应平分这8个金币。” 约克坚持认为每人各4块金币。为此，约克找到公正的夏普里。

夏普里说：“孩子，汤姆给你3个金币，因为你们是朋友，你应该接受它；如果你要公正的话，那么我告诉你，公正的分法是，你应当得到1个金币，而你的朋友汤姆应当得到7个金币。”

约克不理解。

夏普里说：“是这样的，孩子。你们3人吃了8块饼，其中，你带了3块饼，汤姆带了5块，一共是8块饼。你吃了其中的1/3，即8/3块，路人吃了你带的饼中的3-8/3=1/3；你的朋友汤姆也吃了8/3，路人吃了他带的饼中的5-8/3=7/3。这样，路人所吃的8/3块饼中，有你的1/3，汤姆的7/3。路人所吃的饼中，属于汤姆的是属于你的的7倍。因此，对于这8个金币，公平的分法是：你得1个金币，汤姆得7个金币。你看有没有道理？”

约克听了夏普里的分析，认为有道理，愉快地接受了1个金币，而让汤姆得到7个金币。

这是个著名的归因分析模型，夏普里值(Shapley Value)法，用于计算不同渠道贡献值。

归因分析 ，可应用的领域颇广，从心理学到消费者行为，再到人力资源管理、绩效评估和团队领导力，甚至延伸到互联网广告的效果优化，它是一种抽象的思维模式和方法论，能帮助我们看清影响结果的关键因素，从而不会轻易被表象所迷惑。

我当前所在的计算广告领域，营销效果的多点归因分析，不止能为广告主的投放提供可靠的参考，也是推动整个程序化购买技术不断进步的一个关键点，当然，这也是个大家正在摸索和想办法攻克的难点。

说到底，这是个建模并不断完善模型的过程，需要一套严谨的算法，并在不断的数据积累和训练中逐步优化，似乎这没够一个确切的答案（或者说最优解），只是在这个过程中不断寻找数据的“真相”。

有人说，这个世界是离散而随机的，盲目的归因并没有任何意义，只是人们在寻找自我安慰和假装了解世界的安全感。

但我觉得，在浩瀚的宇宙（乃至更宏观的空间里），趋势是存在的，你可能不知道下一秒确切地会发生什么，但至少我们可以知道，吃了会觉得饱，吃多了很可能会长胖。

就像我现在做的工作，虽然大多数时候不知道做的方向是否会有预期的好结果，但我知道你不去这么做，是更不可能有收获的。人生嘛，尽力而为，真诚、努力、有分寸，工作生活如此，待人接物亦如此。

挫败时，多多内在归因；进步时，内在外在都要归因；成功时，理智地外在归因。人性弱点不可回避，但要努力成为值得被善待的人。