【DA】广告归因问题——常见模型 & 选择原则

---

1 广告归因の定义

广告归因问题，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。

广告公司在 微信 和 今日头条 都投了某产品的广告，然后用户在微信上看到了这个广告，没有下单；过几天在今日头条上也看到了这个广告，觉得东西挺好，还是没有买；过几天用户正好需要这个产品的时候，想起来这个商品了，去 京东 搜索了这个商品，然后下单购买了。

那么这个购买是广告转化吗？如果是广告转化那是谁带来的广告转化呢？

其实归因这个问题没有固定的答案，因为广告归因其实不只是技术问题，更是一个运营问题，因为运营的策略来决定的这个广告归属。

一个好的归因模型，可以告诉运营，广告主的钱花在哪些地方去了，哪些渠道的效果更好，哪些渠道ROI不高，但是能覆盖大量的人群，哪些渠道的复参很好… 诸如此类的问题，都是由归因模型来决定的。

2 广告归因の方式

这里的渠道可以是多个流量平台，也可以是多个广告位。

• 多流量平台归因通常需要借助第三方DMP平台来完成。原因 是多渠道间的数据孤岛需要通过第三方DMP平台来建立关联关系，第三方DMP平台可以通过用户识别的方式来将多渠道间的用户关联起来，统一按照归因模型来分析转化数据
• 这不是说广告平台自己做不行，只是说效果没有那么好，而且广告参与方越多，投放平台越多，自己来归因的效果会越差，这是显而易见的道理；但是多个广告位的归因就没这种烦恼了

3 广告归因の常见归因模型

假设一个广告投放的场景：

• 广告主在平台ABCD等很多渠道上都投放了广告，可能是效果广告，也可能是品牌广告
• 某个用户的广告访问路径是：A渠道点击 -> B渠道点击 -> C渠道点击 -> D渠道点击，然后发生了转化行为
• 我们需要通过模型来分析效果广告或者品牌广告在这些渠道上归因后的效果数据；每个渠道对这次转化的贡献我们用 归因系数 来描述

3.1 最终互动模型

最终互动模型的归因系数列表如下：

• 解释：最终互动模型直接将所有的广告转化效果归功与最后一次广告触达。这是大多数平台（Google Analytics）中的默认归因模型。最终互动归因(最终点击)，此模型会将100％的功劳归功于您的企业与潜在客户进行转化之前的最后一次互动。
• 优点：无疑是最简单直接的、容易衡量的，技术实现上最容易，通常也是最准确的；只需要记录最后一次用户广告触达即可，不需要去记录并存储每一次用户广告访问，在广告业务场景下能节省巨量的存储资源和服务器资源。最终互动归因是最简单的实施和评估方法
• 缺点：过于关注最终成交的渠道，该模型忽略了最终交互之前发生的所有事情，导致区域渠道的对用户兴趣的建立都忽略了，短期内会导致部分非成交渠道的广告投放数据过低，从长远来看，会导致渠道在投放广告时，过于倾向诱导、作弊、强制客户等行为，对广告主的品牌形象和广告投放效果都是负面影响
• 使用方式：一般来说，在采用最终互动模型时，会加上最终互动的有效期。例如，用户在去年点过一个产品广告，直到今年才下单，那么从常理来分析，这次广告点击对广告的转化作用基本可以忽略不计。所以这种方式需要提供7日转化、15日转化、30日转化等不同维度的数据来综合分析
• 适用范围：适用于转化路径短、转化行为直接、广告投放周期短的效果广告使用，尤其是电商广告这类直接已成交来评价广告效果的广告形式

3.2 最终非直接点击模型

• 解释：忽略直接流量，将100%的功劳归于最后一次非直接互动
• 优点：这种归因方式是对3.1最终互动模型的弥补。直接互动，或者说直接点击，其来源难以确定，容易对数据分析产生误导。比如：点击了淘宝收藏夹里的宝贝，并且购买。卖家会看到这个客户来自收藏夹，但其实客户之前是点击某个广告后才添加的收藏夹
• 缺点：最终非直接点击仍然将100％的值分配给单个互动
• 使用方式：在同一个站内，可能ABCD渠道对应的不同的推荐位、购物车、收藏架等模块，那么在评估这些模块的转化效果时，如果用户之前在首页推荐中看到了商品广告，然后加入了收藏夹，最终用户在收藏夹中点击了该商品下单了，根据最终归因的模型，这次转化是要归因给收藏夹的，但是收藏夹在系统中并没有广告数据，而且电商场景下，很多商品成交都发生在收藏夹中，这样去归因并没有什么参考价值，那么剔除掉这种类似的直接渠道是比较合适的
• 适用范围：排除掉直接互动流量，避免了上述问题产生的误导。如果公司认为，业务的直接流量大部分都来自被其他渠道吸引的客户，需要排除掉直接流量，这种模型会很适合

3.3 首次互动模型

• 解释：忽略直接流量，将100%的功劳归于首次非直接互动。如果，最终互动是认为，管你之前多少互动，没有最后一次互动就没有成交。那么，首次互动就是认为，没有我这第一次互动，剩下的渠道都不会有互动。
• 优点：简单直接
• 缺点：受限于数据跟踪周期。比如：网站cookie存活30天，但第一次互动到转化的周期是31天，成交权重就没有归因到真正的首次互动渠道
• 使用方式：如果用户首先在XXX上找到app，则XXX会获得互动后发生的任何销售的所有功劳
• 适用范围：适用于品牌没有知名度的公司。关注能够带来客户的最初渠道，对于拓展市场很有帮助。首次互动和末次互动模型，事实上都是单渠道归因模型

3.4 位置归因模型（U形归因/排名归因）

• 解释：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
• 优点：这种模型重视最初带来线索和最终产生成交的渠道，一般给他们分别分配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，调整最终互动和首次互动的权重比例
• 缺点：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
• 使用方式：混合使用最终互动和首次互动模型。如果潜在客户首先通过Google搜索与甲方公司联系，查看甲方的Facebook页面，然后注册甲方的电子邮件时事通讯，则第一次（google）和第三次接触（电子邮件）都会获得40％的功劳，而Facebook访问会获得剩下的20％
• 适用范围：如果一家公司十分重视线索来源和促成销售的渠道，这个模型再合适不过了

显而易见，。

3.5 线性归因模型

• 解释：将功劳平均分配给客户与企业之间的所有互动。比较佛系的归因模型，平等对待所有流量，平等去分配每次转化的功劳，这是多推广平台渠道归因的一种。
• 优点：线性归因的模型让流量渠道可以不用过于关注转化效果，而进一步去加强广告的品牌效应，那么对于那些同流量渠道有长期稳定的合作关系的品牌方而言，可以帮助他们把流量平台的注意力转向加强广告的各个过程，而不会太过功利
• 缺点：在互联网广告的场景中，每个渠道的作用很难均衡，例如我们可能会在电视上看到某个产品的广告，但是我们通过互联网了解新信息的入口大部分是搜索引擎，那么很有可能是你通过搜索了解到详细信息才决定成交的，那线性模型对于搜索引擎就是不公平的
• 使用方式：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
• 适用范围：线性归因对所有事物都给予同等的重视。该模型不会突出显示最有效的策略。如果想要一个简单明了的归因模型，并且可以轻松地向客户解释，那么线性归因可能是一个理想选择

3.6 时间衰减归因模型

• 解释：时间衰减归因模型是一种倾向把功劳划分给最接近转化的触点的多触点模型。该模型基于一个假设，该假设认为触点越接近转化，对转化的影响力就越大。
• 优点：时间衰减归因考虑了时间维度的因素，第一次互动获得的功劳较少，而最后一次互动获得的功劳最大
• 缺点：对于引流类型的渠道而言很不公平，举例我们在一些公众号上投放非效果广告时候，用户会在电商或实体店这类购买渠道产生转化，如果使用这种模型来归因的话，对于公众号渠道是很不友好的
• 使用方式：当要处理特别长的销售周期时，可能需要使用时间衰减归因模型
• 适用范围：脱胎于最终互动模型，又没有最终互动那么绝对，一样适用于最终互动模型的业务场景：投放周期短、转化路径直接的广告类型。

3.7 马尔科夫模型

• 解释：马尔科夫模型是一种离散统计模型，主要应用于离散数学统计中，例如语音识别、文法分析等领域。马尔科夫模型认为，现在的状态只由过去的行为决定，而未来的状态只由现在的行为决定。马尔科夫模型中发生的一系列时间和状态都是离散的过程成为马尔科夫过程，对于摩尔科夫过程中的每个当前状态的可能取值的条件概率，都可以通过之前的状态来统计得出。TMD，简单来说就是：今天的事情只取决于昨天，而明天的事情只取决于今天
• 优点：基于算法的归因模型：每个渠道有不同的权重值，而且随着时间推移，不同渠道的权重值会发生变化
• 缺点：比较复杂，对技术力要求高
• 使用方式：在我们之前假设的广告场景中，假设ABCD四个渠道是四个互相关联的页面，A可以跳到B，B可以跳C，以此类推：那么当我们大规模的统计ABCD四个页面的跳转行为之后，可以使用马尔科夫模型来建模，这样假设我们知道用户浏览了B页面时，那么就可以得出用户跳转到C页面的概率；通过这种方式，我们就可以给所以广告投放链路上的渠道一个经过统计的系数，来标注该渠道对最终转化的贡献
• 适用范围：马尔科夫模型更适合的场景是语音识别，由Page Rank推而论之，我们说出来的句子中的每个词的顺序其实也是离散的，例如“我”后面跟着“们”这个字的概率，可以通过统计来得出

---

谷歌的Page Rank模型就是基于马尔科夫模型来计算的，需要长时间统计所有页面的跳转行为，经过计算分析，为每个页面生成一个PR值，来标识页面的质量

假设只有A、B、C 3个网页，A链向B，B链向C。那么C分到的PR权重只由B决定，和A没有任何关系

如果对互联网的网页不断重复计算PR，那么网页的PR值会趋向于稳定，是一种收敛的状态。所以谷歌会用这种算法来确定网页等级

如果用马尔科夫链模型对一个用户浏览网页的行为进行建模，就可以预测他之后的行为——当前浏览了B网页，那么浏览C网页的概率就可以算出来

用在营销归因上，就是：访客下一次访问某个渠道的概率，取决于这次访问的渠道

就如谷歌可以一直实时的计算PageRank一样（但对外的PR权重不定期更新，当然现在已经停止对外更新快10年了），基于马尔科夫链的营销归因模型也可以实时计算，某些访客群体下次访问渠道的概率、成交的概率

显然，这种模型适用于渠道多、数量大、有建模分析能力的公司

更多马尔科夫模型的内容，请移步：归因分析(Attribution Analysis)模型解析

3.8 模型选择の原则：选择最适合的而不是最好的

上面的 7 种模型，可以分为两类：

• 基于规则的归因模型：预先为渠道设置了固定的权重值，分析时根据权重进行计算就可以。好处:计算简单，数据容易合并，渠道互不影响，按照规则来计算即可
• 基于算法的归因模型：每个渠道有不同的权重值，而且随着时间推移，不同渠道的权重值会发生变化，相对会更加准确

那么，应该如何抉择？

• 先考虑业务模式。如果某个规则模型特别适合当前业务，直接用就好了
• 例1：新产品推广，能够带来更多新客户的渠道需要给予足够的权重，用首次互动模型就ok
• 例2：就一个竞价渠道，还只开了百度，也只能选择最终互动或最终百度互动模型

选用基于算法的归因模型需要考虑的几个问题：

• 渠道有多少？ 如果渠道很少，相互之间没有太多配合，直接用最终渠道互动模型就很好。很多公司现在就是这样做的，为各个渠道单独计算产出
• 数据量有多少？ 如果数据量很少，算法模型不适合——数据过少，无法进行最初的建模
• 是否使用DMP平台？ 如果没有使用统一的DMP来合并各个渠道数据，用规则模型，因为算法模型需要各渠道数据统一
• 是否有永久客户标识？ 同上

如果渠道多、数据量大、使用了DMP平台，并且有永久用户标识，基于算法的归因模型能够为营销分析提供巨大的帮助

更多归因模型介绍（自定义归因模型），移步：归因分析指南v1.0

4 广告归因窗口期

【DA】广告归因窗口期 图解

5 广告数据其他相关的内容

CPC、CPA、CPM 的区分