数据分析---归因分析

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，通过归因衡量各个渠道的广告投放效果

常见归因分析模型

• 首次归因（首次点击模型）
• 末次归因（最后点击模型）
• 线性归因
• 位置归因

末次归因

将功劳100%分配给转化前的最后一个渠道，即不管用户发生了啥行为，只关注最后一次。这是最简单、直接，也是应用最为广泛的归因模型

优点

• 是最容易测量的归因模型，在分析方面不容易发生错误
• 由于大部分追踪的cookie存活期只有30-90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

缺点

• 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，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

首次归因

将功劳100%分配给第一个触达渠道，即不管用户发生了啥行为，只关注第一次。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

• 最容易实施的单触点模型
• 初次点击的归因会明确潜在消费者是怎样找到你的，且和最后点击一样，不需要大量的数据

缺点

• 初次点击归因并不能够解释所有后续所发生的用户行为，对于后续的用户行为没有关注
• 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行为

线性归因

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

优点

功劳划分给业务路径中每个不同阶段的营销渠道，不用考虑不同渠道的价值权重，大家一视同仁

缺点

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，对于价值比价高的渠道，可能会“被平均”

例如：

一个客户在线下某处看到了广告，然后回家用百度搜索，连续三天都通过百度进入了官网，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

位置归因

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贡献40%，中间的所有触点平均剩下的20%贡献（重视最初带来线索和最终促成成交渠道的模型）