一、归因的概念与分类

数字化营销中的归因（Attribution）是指一个转化（或一个购买行为）是由哪个营销推广带来的结果。受到技术障碍和个人隐私保护等现实条件限制，全面归因和线上全域归因目前无法实现，仅能进行线上局部归因。

线上局部归因是指通过追踪个人在网络线上的部分行为数据，从而反映营销推广对他可能施加的影响。主要分为以下两种：

1.单触点归因

单触点归因是指只聚焦在某个具体触点上的引流情况和用户行为，推断这个触点上发生的转化是受了哪些引流推广的影响。实现方式为通过用户行为分析工具，在触点上添加监测脚本代码或者SDK即可完成。

2.多触点归因

多触点归因主要分为以下两种：

（1）单ID归因

单ID归因是指以用户的ID为主键，形成多个触点上的归因，但前提条件是ID必须相同且触点都属于同一方（如相同的平台）。

（2）多ID归因

多ID归因是在单ID归因的基础上进行跨平台的ID打通，才能进行归因，ID打通的工作主要由DMP或CDP完成。

二、归因的必要性

随着互联网经济的发展，我们在营销上可用的获客渠道越来越多，但数据所记录的转化流量来源渠道是在这个转化发生时用户当前所在的渠道，而覆盖掉之前的流量来源渠道，而之前的流量来源渠道可能对于促进转化有帮助。

对此归因分析的重点在于分辨一个流量渠道是否能够帮助其他渠道发生转化，本质是挖掘流量渠道在助攻上有多大的价值，例如在谷歌分析中，可以通过辅助转化次数、辅助转化价值、辅助互动转化次数/最终点击或直接转化次数来观测。

三、归因的方式

1.曝光归因

如果规则认为在消费者完成转化前历经的所有广告，无论只是展示还是点击，都算作对转化有贡献，则这种归因方式为曝光归因。支持曝光归因的工具主要为广告监播和效果分析工具。但该方式也存在问题，曝光归因记录了各种渠道对转化贡献的可能性，但可能其中大部分渠道对消费者没有产生影响。

2.点击归因

如果规则认为在消费者完成转化前历经的所有广告，必须被点击或打开页面才算作对转化有贡献，则这种归因方式为点击归因。支持点击归因的工具主要为网站用户行为分析工具。点击归因也忽略了本该存在的真实归因，即消费者受到广告影响可能不会立即点击，但不一定表示对消费者没有影响。

四、归因的时效性

流量渠道涉及对转化的贡献可能跨越数天或数周，因此归因必须限定一个时间，无限回溯不符合常理，具体回溯多长时间往往由工具决定其上限。

初创品牌的推广更多是积累品牌认知，较难立即获得转化，对此设置更长的回溯期是有价值的；而进入成熟期的电商，投放基本以效果为导向，回溯期相对较短。对于回溯期的设置需要结合具体情况来定。

四、归因模型

由于流量渠道之间存在相互影响的关系，因此不总是能把转化的全部功劳归于最后一次发生互动的流量渠道上，因此需要结合不同的业务场景和环境进行归因。

（1）首次互动归因模型

l  含义：把营销功能全部分配给第一次为平台带来访客的流量渠道

l  问题：过分强调促进转化的最初的流量渠道；受到回溯期限制（将功劳划分给回溯期内首次互动的触点，但可能并非真正首次互动的触点）

l  应用：适用于新品牌/新产品的推广

（2）线索转化互动归因模型

l  含义：若转化中有销售线索，则回溯带来销售线索的流量渠道，并将转化功能归功于该流量渠道

l  问题：不适用于周期长的转化过程中

l  应用：只用在获取线索的业态上

（3）末位互动归因模型

l  好处：容易测量，不易出错，不会受到归因回溯期影响

l  问题：抹掉之前所有流量渠道的功劳

（4）末位非直接流量互动归因模型

l  含义：在末次互动归因的基础上排队了直接流量（直接流量的真正来源不详），若末次交互为直接流量，则忽略它并把功劳归于直接流量之前的流量

l  问题：简单把直接流量的功劳归于其他流量渠道

（5）线性归因模型

l  含义：将功劳划平均分给各个不同阶段的流量渠道

l  好处：看似公平，容易计算

l  问题：无法正确衡量各个流量渠道的不同影响

（6）时间衰减归因模型

l  含义：把功劳划分给最接近转化的触点（前提假设：触点越接近转化，对转化的影响力越大）

l  问题：不给位于前端的流量渠道比较公平的功劳分配

（7）U型归因模型（基于位置的归因模型）

l  含义：强调两个关键触点的重要性——第一次把新用户带来的首次互动流量渠道&最后的转化流量渠道

l  问题：过于机械，中间流量渠道或许有更大贡献

（8）W型归因模型

l  含义：在转化之前必须获取销售线索，即多个U型归因模型的组合，共有首次互动、销售线索产生和销售机会产生3个关键触点

（9）全路径Z型归因模型

l  含义：在W型归因模型的基础上考虑另一关键触点（用户转化，即最后互动的渠道）的影响，形成首次互动、销售线索产生、销售机会产生、用户转化4个关键触点

l  应用：适用于已有销售机会服务的营销组织，需保证部门信息同步沟通

（10）自定义归因模型

l  含义：创建自定义模型，创建或修改归因模型，自行设置自定义的功劳分配规则

（11）智能归因模型

l  含义：人工智能依靠对不同流量渠道产生的每个流量在触点上的具体行为进行分析，进而判断这个流量是否对商品感兴趣以及感兴趣的程度，由此反推这个流量所在的流量渠道的价值

对于广告主而言，需要明确广告投放出去用户是从哪个渠道来的，这个用户质量怎么样，广告购买和用户获取以及用户在App内行为之间的关系是什么，这些需要一套方法或体系来验证，就是归因。广告投放是直面用户的最后一环，也是最重要一环，如果你没法去归因出投放的效果，那么企业很难做好下一步的优化。前面所做的全部努力很可能慢慢损耗在最终推广投放环节。

广告归因，指的是识别广告的激活或者转化到底是由哪个广告或者渠道带来的一套逻辑和规则。“因”一般指的是广告点击行为，比如点击了抖音的广告；“果”一般指的是广告投放活动所产出事件，比如最终购买了商品。归因的目的简单来说是判断用户的来源，确定广告的效果，指导后期投放。

归因的路径是用户点击了广告，将点击广告的用户信息以及广告信息上传并记录起来，等广告发生转化后，将这个广告转化的用户信息、广告属性信息与点击广告的用户信息和广告信息进行匹配来完成归因。广告的归因逻辑可以在广告平台后台来完成或者在第三方归因平台上完成，也可以在广告主的后台进行，逻辑基本是一样的。 

广告归因通常需要关注如下几个方面的问题：

目标：归因的目标是判断产生用户产生目标行为的原因是什么，是因为展示了广告，还是因为点击了广告；

周期：用户产生行为的周期是怎样的，是立刻产生影响，还是间隔了几分钟；

原则：当用户发生目标行为后，这次行为之前伴随了几次广告展现，每次展现的贡献是怎样的。

广告投放往往不是一次生效的，而是多种策略和时间影响组合的结果。因此如何判断归因的权重，能够帮助ROI更加准确的计算。通常而言会通过多触点（也称多渠道）归因，来更准确地衡量营销策略的整体影响力。如果仅仅衡量最后一次触点，来判断广告的价值，从逻辑上讲当然更简单，但只有将归因拆的更细，我们才能做出更有效的广告洞察。

归因的作用主要是：

了解价值：了解广告能为业务带来多大价值（例如销量或操作）。

选择策略：决定采取在何处投放广告（转化路径），如何投放广告，投放广告的目标（客户群选择），投放广告的预算（规模）。

采取操作：根据广告效果的详细数据优化广告，更合理地进行出价。

在数据时代，广告的投放效果评估往往会产生很多的问题。而归因分析要解决的问题就是广告效果的产生，其功劳应该如何合理的分配给哪些渠道。

目前有四种常见的归因模型：

1.末次互动模型：又称最后点击模型，将用户最后一次互动的渠道认定为最大的功臣，这是最简单、直接，也是应用最为广泛的归因模型。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，但其他渠道的功劳在这个模型中无法统计，而末次渠道的功劳评估会被大幅高估。

2.末次非直接点击互动模型：在排除掉直接流量后得到稍微准确的分析结果，适合于直接流量大部分都被来自于被其他渠道吸引的客户的企业。

3. 末次渠道互动模型：将所有流量归功于客户在转化前，最后一次点击的广告渠道，这种模式的优点是通常跟各渠道的标准一致，但有可能导致各个渠道都高估了自己影响力，而实际效果则可能是折半。

4.首次互动模型：顾名思义，首次互动的渠道获得100%的功劳。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。弊端在于对于用户路径长、周期长的用户行为可能无法采集真正的首次互动。

归因分析因何而起？对广告的归因分析，是为了捕捉消费者的全网行为。消费者对互联网广告的反应过程与传统广告模型十分吻合，拿经典的“AIDA”模型来说，流程链路是“消费者认知→兴趣→欲望→行动”，对应到消费者行为的转化路径是“展示→点击/注册→添加购物车→购买”，由于消费者在这个过程中会被层层筛选，数量也会被层层筛“漏”，因此营销人员也将其称之为“消费者转化漏斗”。因此对于广告主来说，准确估计用户有助于分析广告投放过程的投放效率，更能通过分析指导后续广告投放的策略。当广告主秉持着利润最大化策略，希望提升广告投放的ROI时，对广告的归因分析也就恰时而生。

归因分析（Attribution Analysis）就是通过分析广告投放过程中多次不同的广告内容触达对于用户转化行为的影响，是在线广告系统运行过程中的一个重要提效手段。简言之，就是判断用户的来源，确定广告的效果，指导后期投放。广告归因要解决的主要问题，是广告的转化问题，是为了知晓并解决“50%的广告费到底浪费在了哪里”。

通过查阅资料不难发现，目前业界存在多个归因模型，包括最终互动归因模型、最终非直接点击归因模型、线性归因模型、时间衰减归因模型、马尔科夫归隐模型等等。归因方式和算法虽然多种多样，但归因问题没有固定的答案，核心思路是根据具体广告投放场景选择合适的模型。

经过对不同模型进行梳理，对不同模型的弊端和优势进行归纳，对归因分析三个需要值得注意的地方进行强调：

一是序列模式，指的是用户序列化的行为前后关系；

二是数据驱动的贡献值，是依照数据驱动，以启发式的方法分配到每次用户与广告的交互得到的；

三是不同的转化前行为，不仅仅基于浏览或点击行为进行分析，而是强调了用户不同的偏好基础。

如何理解归因分析？

归因分析有几个特点：

1、归因分析99%以上是关于下降的。上涨一般不需要分析，无论是产品还是运营，都会进行相应的解释，是由于某些运营策略或者产品新功能的上线导致的，当老板发问时，问题在进入数据分析部门之前就被消化掉了。

2、归因分析的时效性强。经济学中有一个效应叫做禀赋效应。“禀赋效应”认为“当一个人一旦拥有某种物品之后，他对这个物品价值的评价要比没有拥有之前大大增加。对于这种下降的痛苦再加上不知道为何下降的失控的感觉，自然对归因分析很重视，需要快速的给出原因，并给出相应的抓手进行改进。

3、具有insight的归因分析非常难做。从归因分析的名字就可以看出，归因分析寻求的是一种因果关系。因果关系在业界都是一个很难解决的问题，有时甚至是不可能的。

归因分析如此高频而又有很强的时效性，所以需要一些方法论的支撑来进行快速尝试，快速定位问题而不至于面对问题不知从何处下手。

理论上来说，归因分析应当是一个非常有用的分析方法。但在实际应用时存在一些难以克服的问题，最大的问题是数据质量的问题，一个模型再好，如果数据质量不行，那也是不行。

1. 数据质量——数据割裂。在移动互联网时代，数据阵营化现象非常明显，腾讯系、阿里系、百度系、各种DSP平台的数据完全不互通，导致无法准确生成用户接触广告的路径。举个常见的例子，一个化妆品行业的广告主通过2个DSP平台投放广告，由于这两个DSP平台数据不互通，造成同一个用户可能会有两个不同的唯一编号（生成用户ID的规则不一致），我们就不能生成这个用户的广告曝光路径，只能获取广告点击数据。

2. 数据质量——数据丢失。在web时代，我们追踪流量来源的时候，就有来源丢失的问题（js跳转、跨域等原因）。在app时代，来源丢失问题更加严重，点击链接跳转到app总是很容易失败，特别是在机型复杂的安卓系统上。

3. 数据质量——虚假流量。根据admaster发布的数据，广告行业有3%-37%的虚假流量。根据我的实际经验，虚假流量比例远高于这个数字。广告的业务模式（CPC、CPM、CPA、CPD等）就决定了虚假流量无法避免，虚假流量的识别越来越困难。所以，基于这些数据做出来的渠道归因分析有多少可信度呢？只有天知道。

4. 线下广告。渠道归因模型只针对互联网广告，而线下广告仍然占比较大（来自尼尔森的数据显示，2017年电视广告份额稳定，电台广告份额快速增长），我们很难同时计算线上、线下渠道贡献度。

5. 人为因素。有一些广告订单是关系单、人情单或者是回扣单，效果差没关系，可以和平台方一起针对KPI用一些作弊手段改进数据质量嘛。

6. 难以测试。我们投放dsp广告时，可以基于地区、人口属性进行A/B测试。但是，我们的广告不可能只投dsp渠道，也要在相关app、网页上投放，这时候就无法分人群进行A/B测试。我们还可以用策略A投放一个月，再用策略B投放一个月，比较两者的效果，但是这样比较也没用意义啊。一个月中，app都不知道升级多少次，页面不知道优化几回了，市场环境、热点不知道轮换几次了。所以我一直不知道许多学术论文是怎么测试归因算法A比归因算法B更好，我看过的所有论文都没说具体的测试过程。

我认为不同的归因算法在实际应用中的差异不大。我们可以找出特别高效或者特别低效的渠道，找出渠道的一些共性，可以是基于访问数据的，也可以是基于分析师对渠道的认知，让运营少踩坑，毕竟投放广告也是要钱的。

如何理解归因分析？

         归因分析是广告投放过程中的重要数据分析方法之一，通过对各类数据的分析就不同渠道、创意、内容对转化的贡献率进行评估。归因分析的意义在于通过量化的结果，使客户的行为路径更加清晰，让每一次广告投入和广告效果可查可溯源，并依据关键信息指导广告投放、优化用户体验，避免资源浪费，也使广告预算的分配更加合理。
        归因模型的常见分类有：末次转化归因、平均分配归因模型、时间衰退归因模型、价值加权归因模型和自定义归因模型。综合各个方式的特点，都有其独特的优势和存在的问题，核心的思路都离不开对用户的识别和之后的点击数据来分配转化贡献。我认为对于归因分析的优化，需要与之前所提到的精准定向联系在一起，单纯依末次使用行为或是平均分配都有可能对某一类平台不公平，在广告ID匹配的基础上，结合自身业务需求对用户偏好进行更深入的分析，所得结果可能会更为精细化。同时设置归因时间窗口，考虑浏览与转化之间的时间差，对于归因操作也较为重要。

        归因的意思就是什么事情属于谁的状态或者关联，而在广告中，归因分析最直接的理解就是，广告结果最终归谁所有。在多屏或者多渠道的情况下，产生的广告转化的归属问题。这就需要对用户在完成转化前接触到的所有营销渠道进行分析，将用户的数据集合数据建模和分析技术等，构建用户从最初接触到广告到最后达成购买这条路径。从而才能较为精准的衡量用户在不同阶段不同渠道下，不同的触点对达成转化目标的效果贡献价值。

       通过归因模型分析出转化效果，在接下来的投放中进行调整，优化或者重新分配在不同渠道上的广告预算，提升广告目标效果。

我所理解的广告中的归因分析，指的是识别广告的激活或者转化到底是由哪个广告或者渠道带来的一套逻辑和规则。

比如，某天，我在刷抖音，刷出了一条淘宝的广告①，卖的是百草味的零食。我点了一下，跳转到了淘宝的购买详情页②，但感觉这款零食并不符合我的口味，于是点了一下店铺链接，进入百草味的旗舰店③。在首页上，发现了有一款蛋糕的广告比较不错④，价格很便宜，我点了进去⑤，点击了购买⑥。

在上述的过程描述里，①、④、⑤直接涉及到广告；而②、③、⑥虽然也跟广告有关，但并不是具体的广告动作或结果，是关于广告的转化。在上述的例子中，我访问了两个不同的平台，看过了两次不同的广告，最终完成了购买。如果我们要分析这次购买是因为哪次广告或者哪个平台引流过来的，就需要在数据上完整的复现刚才的过程。

而广告中的归因统计，就是针对这个过程进行统计，例如首次点击归，转化效果归因为第一次产生点击的渠道，也就是抖音；最终点击归因，转化效果归因给最后一次点击的渠道，也就是淘宝旗舰店首页广告，等等。因此，广告归因看的就是“什么事情归属于谁”。

归因的目标是判断产生用户产生目标行为的原因是什么，是因为展示了广告，还是因为点击了广告。因此，归因分析对于广告优化来说非常重要，它可以帮助回答“我的50%广告费用都浪费在哪里了？”，我的广告预算分配如何更加合理？

综上，归因分析可以帮助分析广告传播的效果，更加系统的分析效果贡献程度，效果形成的路径，传播的方式等方面，帮助广告主优化预算的花费，最大化传播效果和转化效果。只有将归因拆的更细，我们才能做出更有效的广告洞察。

1. 为什么进行归因分析

老师在课程中提到：营销本质是获取流量持续有效转化；企业经营目标就是建立流量池，并把流量转换为销售机会。

而在流量转化过程中需要思考的三个问题为：

√ 如何高效获取流量?

√ 如何使流量更有效地转化?

√ 如何运营流量使之持续有效转化?

归因分析是解决以上问题的必要手段，也是进行广告投放优化中不可缺少的重要部分。

2. 什么是归因分析？

广告投放过程中的归因分析是识别所有对最终流量转化有贡献的过程，并确定每个过程的贡献度。

由于互联网营销随处可见，一个广告主可能投放不同类型、创意的广告，一位用户也可能被多平台、多渠道的广告影响。

在我看来，可以把归因分析简单拆解为两部分：（1）渠道归因（是通过哪种渠道转化来的）；（2）在某个特定渠道，各个流程的转化率。

针对（1）渠道归因，有以下的分类：

第一种，根据点击行为在广告投放中的时间顺序，将转化效果进行归因。

可以分为以下三类：

√ 首次点击归因将全部转化效果都归因给第一次产生点击的渠道；

√ 最终点击归因全部转化效果归因给最后一次点击的渠道；

√ 最终非直接点击将忽略自然流量（即用户从非广告渠道主动下载付费、下单等的点击行为），将全部功劳归因给产生最后一次点击的渠道，排除了自然流量的干扰

第二种，将转化效果根据时间位置、周期等不同要素赋予不同的权重或比例进行归因。

可以分为以下四类：

√ 时间衰减归因的原理是，渠道距离转化的时间越短，对转化的影响越大。往往最邻近转化使用的渠道，获得的权重更高。

√ 线性归因则平等对待转化路径上的所有渠道，分配相等的权重和比例。

√ 基于位置归因则结合了首次点击归因和最终点击归因；一般给首次和最终分别分配更大的比重，比如40%。

（2）在某个特定渠道，各个流程的转化率。

课上题目1“曝光-点击-到达落地页-注册”（四步）可能是活动推广。

课上老师给的两道数据分析题和案例，都是客户能够判断转化数是从哪个渠道得来的。（如果是客户在同一时间段找多个代理商，在多渠道进行广告投放，我也不太清楚是怎样判断最终转化数来源于哪个渠道……如果是首次点击归因或者最终点击归因，比较便于测量。）

在这部分进行归因分析，要首先清晰流量转化的链路。比如以课上题目2“曝光（展示）→点击→下载→激活→注册”为例，大多数信息流广告都是这种模式。

因为在转化过程随时都可能有用户的损耗，所以我们要计算每一步的转化率及价格。

每一步的转化率=前一步转化数/这一步转化数

比如点击率=点击数/展现数，注册率=激活数/注册数

每一步的转化价格=这一步转化数/总花费=后一步的价格乘两者之间的概率。

比如CPM=点击率 *CPC * 1000

通过分析以上指标，我们可以判断流量转化过程中哪一步出了问题。比如如果点击率过低/点击成本过高，应该考虑是否为广告位选择不恰当，广告素材没有创意，或者人群定向设置不准确；如果激活率过低，应该考虑是否为落地页设计太过复杂等等。

3. 归因延迟的问题

由于广告投放有一定的滞后性，比如某个用户可能看到某个渠道投放的广告，隔天才进行激活等。因此按当天转化算当天效果，计算转化成本的话，会有一定的不准确性。

因此在进行归因分析时，可以设置回溯窗口期，也就是激活匹配点击的有效期。一次广告点击和一次安装启动之间经过的时长，超过这个时长，将不会归因于该次点击。比如：一个用户2021.6.15通过渠道A点击了广告，2021.6.17才安装该应用；假设该用户在点击A渠道广告后并未点击其他渠道广告。

那么在进行归因操作时，如果设置的回溯窗口为一天，则该次安装不会归因于该渠道的推广活动，如果设置的回溯窗口为七天，则该次安装归因于该渠道的推广活动。

根据不同时期广告投放属性的不同，对归因回溯周期也会有不同需求，就需要进行配置，比如：

√ 如果短期投放，对于投放周期为1天的推广，可以将回溯周期调整为1天。

√ 如果是投放周期较长的一些应用，在用户安装之前，需要进行多个推广活动的互动。例如，售价较高或初始下载文件较大的应用通常具有很长的引导周期，延长归因回溯窗口位投放员在各个渠道提供了更广阔的视野和更多分析信息。

√ 如果是配合某个活动的长期推广，可以将回溯周期适当调整与活动时间一致。