归因分析一种算法、分析方法，它能够应用在实际的运营投放当中，应用在广告投放的效果评估上，能够在大量的数据以及复杂的用户消费行为路径当中识别所有对实际转化量有贡献的过程，以此衡量其贡献价值以及做组合渠道投放力度的分配。然而，尽管归因分析非常有用，但在实际应用当中仍然存在一些难以克服的问题，例如数据缺失、虚假流量等，不过仍然能够通过归因算法来找出渠道共性，从而减少运营过程中可能会出现的亏损问题。

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。

 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。

归因分析是广告技术中较为复杂的一个问题，其复杂来源几个方面：难建模，难验证，难应用。广告的归因，主要就是通过可定向、可追溯的数据匹配，去监测广告投放效果或者运营动作，来验证用户行为与产品转化之间的行为关系。因此归因技术可以为广告投放监测并改善广告效果，以及跟踪用户事件从而提升用户体验。

广告归因主要有以下几种方式：

    1、广告ID归因：无论是安卓系统或者iOS系统，广告ID都具备一致性（可识别）、唯一性（可溯源）和获取便利性（可跟踪）的特点，一般可以通过系统API、三方SDK、媒体SDK获取，但近些年厂商系统级别的隐私保护，使得获取形式不是那么便利，一定程度会影响归因效果。

    2、渠道包归因：将应用市场的渠道号提前写入安装包，用户互动触发时读取，经常被市场拦截或者刷量，严格意义上不算归因，一般算自然投放；

    3、剪贴板归因，用户站外点击广告时，将标识写入剪贴板，用户激活下载再读取剪贴板，由此完成匹配，但近些年用户隐私监管很严，此类归因方式效果逐渐降低；

    4、IP+UA归因，通过采集用户的IP和UA（User-Agent）进行匹配，不过这种方式下，IP是公域的不唯一，所以效率很差。

归因分析分为首次归因、末次归因、线性归因、位置归因。

1.      首次归因; 多个待选中触点时，认为第一个的功劳为 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。适用于重视 新用户线索的业务。也就是第一个让你点进去的触点，这其实会产生一个节点，让各种地方会推荐坑位也是这个方向的。

2.      末次归因：多个待选中触点时，认为最后一个的功劳为 100%。这种思路适用范围最为广泛，常用于电商业务的站内归因的计算。末次归因是最后一个至关重要，是用于电商平台的计算方法。

3.      线性归因：多个待选中触点时，认为每个“待归因事件”平均分配此次功劳。适合坑位效果比较平均的产品。是有多个触点时候的平均分配，适合产品是比较平均的。

4.      位置归因：多个待选中触点时，认为第一个和最后一个各占 40% 功劳，其余平分剩余的 20% 功劳。兼顾最初的线索和最终的决策。

归因模式具有时效性，如果一件物品失去了它的时效性将会带来更少的冲击感，从而减少了消费者。

归因模型大致可以分为两类：一种是基于规则的：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另一种是基于算法的：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），运用何种归因模式要取决于自身的业务模式。

随着互联网技术和业务的发展，广告投放相关的业务也随之兴起。那么广告投放的效果评估也就随之而来。广告的投放一般都是收费模式，所以选中的渠道商的好坏直接和自己的利益挂钩。比如：无论多少个渠道商，最后推的都是同一款 App；但是若将在产品内部的运营位进行归因，就需要考虑这个广告位和商品是否有关系。例子：一款 App，投放了三个推广渠道，最后 App 通过某个渠道商完成了下载。此时，需要对这三个渠道商对本次下载的贡献能力进行一个评估。站外归因——站内归因——多值记录集合归因——时序还原归因——路径还原归因

一、归因分析的概念

归因分析指的是解决不同渠道贡献度的分析方法，简单点讲就是一个广告投放他会采用不同的投放渠道，入口有多种，但呈现出来的广告效果（结果）只有一个，此时进行归因分析就能了解到是多个入口中的哪个入口导致的相应的结果，分析出每一个入口的权重或者说占比，从而更好地提升广告效果，优化广告投放方案，合理地分配资源。

二、归因分析常用的模型

1、首次触点归因模型

该模型简单地解释就是当一个用户在规定的时间内，虽然有多次广告触达行为，或者说其在某个入口的站点内可能有多种点击广告的行为，那么他最终完成转化（结果），算他第一次接触广告的功劳，也就是第一次接触到广告的这个入口功劳占比100%。

这个模型虽然很简单，但是它的缺点也很明显，毕竟用户行为有非常多种，后续行为并不是如同该模型所说不会对用户的转化行为产生影响，因此将所有功劳归功于第一个触达的广告入口，是有失偏颇的。

2、末次触点归因模型

该模型是首次触点的另一种使用形式，将用户的转化行为完全归功于最后一次接触的广告入口，同样的，它的缺点也很明显，之前的行为没有进行分析，也是有失偏颇的。

3、线性归因模型

该模型是指用户产生转化后，在广告期间内所有行为所接触到的广告入口平均分配，相当于接触过的广告渠道都有功劳。该方法虽然一视同仁，但是会忽视某些高效果的渠道从而没有达到更高的广告资源分配。

4、时间衰减归因模型

该模型很好理解，指在用户产生转化后，广告期间接触到的广告入口，离转化时间越近的接触时间它的触达功劳越高，越远则越低。但是这个模型的问题是有些渠道它就是产生了很大的影响，但用户转化经过了思考，后续可能只是加深了它的印象而不是使其完成最终的转化效果，那么这对那个产生深重影响的渠道是非常不公平的。

5、位置归因模型

模型逻辑：综合首次、末次、线性归因模型，该模型将第一次接触和最后一次接触的广告入口权重设置为40%，中间的所有接触到的广告入口均设置为20%。该模型虽然看似合理，但其适用场景较少。

一、什么是归因分析？

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。

二、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

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

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。

由于广告的投放都存在一定的延时效应，因此我们需要使用归因分析从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进行验证。一般可以建立归因模型来分析广告效果。归因模型是指可以追溯过去一段时间内不同渠道、不同想法或不同内容对用户转化的贡献的一种评价方法。

归因分为广告归因和站内归因

广告归因是指评价广告中各个节点对转化的贡献率，分为渠道归因和创意归因。渠道归因是指广告过程中各个渠道对转化的贡献率。这些渠道包括广告交易平台AdX/SSP、SEM关键词竞价或其他推广方式，再进一步细分看百度BES、阿里Tanx、腾讯AdX等资源对转化的贡献率。创意归因是指广告过程中每个创意和版本对转化的贡献率。

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。