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（Attribution Analysis）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。

几种常见的归因模型

1. 末次互动模型

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。

2. 末次非直接点击互动模型

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。

在营销分析里，直接流量通常被定义为手动输入URL的访客流量。然而，现实是市场上的所有分析工具都把没有来源页的流量视为直接流量。比如：文章里没有加跟踪代码的链接、用户直接复制粘贴URL访问等等

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。

3. 末次渠道互动模型

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。

4. 首次互动模型

首次互动的渠道获得100%的功劳。

如果，末次互动是认为，不管你之前有多少次互动，没有最后一次就没有成交。那么首次互动就是认为，没有我第一次的互动，你们剩下的渠道连互动都不会产生。

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。

5. 线性归因模型

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，然后回家再用百度搜索，连续三天都通过百度进入了官网（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，百度会分配到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。

6. 时间衰减归因模型

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。

7. 基于位置的归因模型（U型归因）

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。

归因（Attribution）是指通过数据观察发现规律或数据之间的因果关联，并在此基础上推断原因并验证。一般可以通过建立归因模型分析广告投放效果。归因模型是指能够追溯在过去一定的时间周期内，不同渠道、不同创意或不同内容对用户转化的贡献度的评估方式。归因分为广告归因和站内归因，广告归因是指广告中的各个节点对转化的贡献率评估，分为渠道归因和创意归因。站内归因是指官方网站/App的不同内容对转化的贡献率评估，归因模型的常见分类有末次转化归因模型、平均分配归因模型、时间衰减归因模型、价值加权归因模型和自定义归因模型。虽然有各式各样的多种归因模型，但归因分析并没有固定的模板，应根据实际投放策略和情况创建归因模型进行归因分析。

    归因分析是为了解决广告界长久以来的老问题：我的广告费究竟浪费了哪一半？

    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（Attribution Analysis）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。进行归因分析能够帮助我们后续更好地进行广告决策

    几种常见的归因模型：

    1. 末次互动模型。也称为最后点击模型——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。

    2. 末次非直接点击互动模型

    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。

    3. 末次渠道互动模型

    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。

    4. 首次互动模型。首次互动的渠道获得100%的功劳。如果末次互动认为，不管你之前有多少次互动，没有最后一次就没有成交。那么首次互动就是认为，没有第一次的互动，剩下的渠道连互动都不会产生。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。

    5. 线性归因模型。对于路径上所有的渠道，平等地分配他们的贡献权重。将功劳平均分配给用户路径中的每一个触点。

    6. 时间衰减归因模型。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……

    7. 基于位置的归因模型（U型归因）。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。

归因直译过来是指“什么事情归属于谁的状态或者关系”。广告归因最直接的理解，就是广告结果最终归谁所有，一般指多屏或多渠道的情况下，产生的广告转化的归属问题。

归因可以让广告主得到这样的信息：哪些渠道/哪一条广告转化效果最好（更多广告点击），哪些渠道的用户质量更高（更多充值），哪些渠道的用户的用户更加活跃（更多时长）。

因此可以让广告主通过计算ROI，准确了解每条营销渠道带给其的投入产出比，便于广告主衡量每条营销渠道的质量，优化投放渠道，合理分配每条投放渠道的预算。帮助其识别每条渠道的用户特征，便于有针对性的进行业务策略调整。

综上， 归因分析是广告投放过程中的重要数据分析方法之一，归因的目的是判断用户的来源，确定广告的效果，指导后期投放。它可以帮助我们更好的了解广告价值，选择相关策略，从而采取操作。

归因分析是为了解决“我的50%广告费用都浪费在哪里了？”这个问题，即如何通过有效的数据分析和逻辑推导，广告主更加合理分配广告预算，媒体更有效利用广告位流量的问题。归因的目的是判断用户的来源，确定广告的效果，指导后期投放。

目前互联网行业现状来看，部分强势巨头拥有强大的广告投放服务能力，同时也拥有自己的归因监控平台和广告算法，而对于广告主而言需要第三方作为中立的数据平台进行客观的数据分析。

广告投放平台→用户→归因监控平台→下载渠道→APP→归因分析→广告投放平台→调整投放策略

归因是一种普遍的心理现象.所谓归因:就是人们对自己或他人行为的原因进行推测,判断或解释的过程.从归因的角度来看,能对自己工作,学习成败的原因作出正确判断,采取有效措施的人,就能巩固成绩,不断进步;而学习成绩差,行为差的学生,倘若能找出自己学习,行为失败的原因,正确判断,采取有效的措施,也一定能改变落后的现状,后来居上,跨入先进行列. 最简单的归因莫过于把一个人的行为原因归结于外部环境因素或内部主观条件两类.如果判断个人行为的根本原因来自外界力量,称为情境归因,例如,学生考试失败归因于试卷题目太难.如果判断个体行为的根本原因是个体本身的特点,如人格,动机,情绪,态度,能力,努力等,则称为意向归因,例如学生把学习成绩差的原因归因于自己个人贪玩学习不努力,或学习态度不好. 美国心理学家维纳认为,对行为成败归因的分类只限于内外二因素的划分显得过于简单,还应加上稳定性与可控性两个因素.如内部因素中的能力,性格等是相对稳定的,而机会,运气,努力等又是不稳定的,其中能力,努力,性格等,人是可以控制的,而机会,运气等又是人不可控制的.个体成功行为决定因素分类支配原因内部的外部的稳定性稳定个人能力学习能度不稳定努力程度运气我们可以利用这一理论,指导小学生对自己学习或考试的成绩进行归因.如果学习者把考试成功归因于运气和个人努力,具有自豪感,下次还会努力迎考;如把成绩差归因于内部原因和努力不够,则会接受教训和帮助,努力赶上;如果认为是内容太难和自己运气不佳,则会失去努力的愿望,失去良好的考试动机,不愿做意志上的努力.

归因主要通过观察数据发现规律或数据之间的因果关联，在这个基础上推理原因并验证。通常建立归因模型，根据渠道、创意、内容几个唯独对用户转化的贡献度进行评估。归因氛围广告归因和站内归因，广告归因又氛围渠道归因和创意归因，前者主要分析各个渠道的转化贡献了，后者分析各创意版本的转化贡献率；站内归因是官网/app不同内容的转化贡献了。归因分析能够及时观测转化价值，衡量广告效果。

简单来说，归因分析可以理解为帮助分析广告投放传播活动中的广告效果。它能更加系统地分析效果贡献程度、效果形成的路径和传播的方式等，帮助品牌广告主们优化广告效果，节省预算的花费，将传播效果和转化效果最大化。

归因分析要解决的问题，就是要找出并分析广告的转化实际上归功于哪些渠道。例如品牌广告主在不同平台投放了包括信息流广告、搜索广告、视频广告等不同类型的广告，发现转化很多都发生在搜索广告中，但实际上这些转化并不能完全归功于搜索渠道。当中的很多转化都是用户在接触到广告主投放的其他广告例如社交媒体中的信息流广告或视频广告，一系列过程后最后一次转化发生在搜索引擎渠道中而已。

总的磊说，归因分析是广告投放中很重要的一个环节，因为广告投放的效果时常难以检测和验证，而归因分析可以帮助广告主更加明确广告成本都花在哪里，而之后又应该如何更合理分配广告预算。

归因分析

随着互联网技术和业务的发展，广告投放的相关业务也随着兴起，那么广告投放的效果评估也就随着而来。首先，广告投放一般都是收费模式，所以选中渠道商的好坏直接和自己的利益挂钩，于是归因分析便最早应用在广告投放行业。

归因模型分类

根据模型采用的算法，可以将归因模型分为两类：

1.启发式归因

   顾名思义，启发式归因主要起启发作用，是一种快速分析方法。它使用简单的算法，计算各个触点、渠道对转化的贡献度。常见的启发式归因方法有六种，分别是最终点击、最终非直接点击、线性衰减、首次点击、线性、根据位置。启发式归因的缺点比较明显，它们都是主观的权重分配方法。如“最终点击”、“最终非直接点击”、“首次点击”这三种归因方法将所有的转化贡献归属到N个渠道中的某一个，忽略的其他渠道对转化的贡献。“线性归因”认为所有的渠道贡献都一样，强调广告的提醒功能，不适合长转化路径，这明显会对低估和高估某些渠道的真实贡献。“线性衰减”不适合短转化路径，因为这时候衰减作用还未发生。

2.算法归因

利用统计或者机器学习方法分析各个触点对最终转化的影响程度。与启发式归因相比，它更加客观，不受到使用者偏好的影响。常见的算法有logistics回归、生存模型、probabilistic模型、markov模型等。

算法归因使用统计方法或者机器学习方法来确定转化贡献度，它是一种客观方法，而上面提到的启发式归因则是主观方法。算法归因本质上是一个分类问题，目标值通常是未来一段时间内用户是否转化（购买、下载等行为）。将渠道、渠道组合的变量二元化，构建分类模型，通过变量重要性计算渠道、渠道组合对转化的贡献度。我们还可以构建算法归因系统，将不同类别（如3C、服装、化妆品等）的数据清洗后输入系统，自动得到相应的渠道归因。下面主要以logistic为例，讲述如何应用算法归因。

3.归因分析应用

理论上来说，一个新渠道的运营要经过三个过程：渠道属性分析、投放测试和投放优化。但是有些合作渠道、涉及金额较小的渠道可能很少会去针对性的优化投放。

在实际运营中，第一步的分析工作通常需要借助第三方工具。如我们可以利用微博指数、百度指数分析渠道相关关键字的人群属性和流量趋势。第二和第三个问题的分析需要从渠道的作用入手。在互联网业务中，渠道有两个主要作用：获取流量和促进转化。不是说一个渠道的转化归因很低就可以不投这个渠道。因此，我们要综合两方面去考虑，用3或7日留存用户数量（使用留存用户是为了排除垃圾流量、低质量流量）与渠道转化贡献度这两个指标来构建象限图，直观的分析渠道质量。

（一）什么是归因

在我的理解看来，广告归因就是要去分析消费者的行为链路，归因就是把转化分配给消费者转换途径中的各个触点，通过了解消费者采取您希望的动作时该归功于哪个广告，您可以妥善衡量广告成效，并针对未来的销售规则制定出最佳决策。具体包括：1、用户如何来到您的应用——2、他们如何与应用进行交互——3、这些行为和模式在不同同期群之间的对比情况。

（二）归因的目的

归因的作用主要是：

1、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）。

2、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）。

3、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。