【干货】数据分析模型之【归因模型】

归因分析（Attribution Analysis）

1.基本概念

因果关系：归因分析旨在找出因果关系，即某一结果（如销售增长、用户留存等）是由哪些特定因素引起的。

因素：这些因素可以是营销活动（广告、促销）、用户特征（年龄、性别）、时间因素（季节性波动）等。

结果：结果通常是某种可量化的指标，比如销售额、转化率、用户参与度等。

归因分析的方法

归因分析的方法可以分为几种主要类型：

线性归因模型：

假设每个因素对结果的影响是线性的，通常采用简单的加权方法来分配结果。

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。

线性归因模型的计算方式简单明了，便于理解和解释。每个渠道的贡献率相对平等，易于向团队和利益相关者传达。但也存在忽视复杂性和渠道差异的缺点。

分段归因模型：

将用户的行为路径分成多个阶段，对每个阶段的贡献进行分析，通常用于理解用户旅程中的关键接触点。

时间衰减模型：

认为离最终转化越近的接触点影响越大，时间越远的接触点影响越小，通常在电商和在线广告中使用。

首次归因模型：

首次归因模型，或称首次点击模型，是将功劳100%归给用户第一次接触的渠道。不管用户后面做了什么，这个模型只关注“第一次”。简单来说，它强调的是，若没有那第一次的互动，后面的所有渠道都不会有任何作用。也就是说，首次互动模型聚焦在转化漏斗最顶端的渠道，驱动用户的认知。

优点：这种单触点模型简单易行，让你清楚潜在客户是如何找到你的，而且和最后点击模型一样，不需要太多数据。

缺点：受限于数据追踪的周期，对于用户路径长、周期长的行为，可能无法捕捉真正的首次行为。此外，它无法解释后续用户行为，因此对后面的互动不够关注。

末次归因模型：

末次归因模型，又称最后点击模型，简单来说就是把100%的功劳都给最后一个接触的渠道，不管用户之前做了啥！这是最简单直接的归因方式，也是最常用的。

优点：这个模型最容易测量，分析时出错的概率低。而且，由于很多追踪cookie的存活期只有30-90天，末次互动模型对数据丢失不太敏感，特别适合顾客行为路径长的情况。

缺点：不过，这个模型的缺点也很明显。例如，客户可能是先从收藏夹进入商品页再完成购买，但末次模型会把所有功劳归给收藏夹，忽略了用户在多个渠道间的真实路径，导致功劳评估严重高估。

Attribution Analysis