归因建模
选择并实施归因模—末触、首触、线性、时间衰减、数据驱—公平地记分驱转化的渠道和触点
为什么
每个渠道都想要转化的功劳且归因模型决定谁得。末触归因把 100% 功劳给末次点击故它过度奖品牌搜索和直接（60% 转化的末次点击但无一引入）并低估社交、内容和 SEO（引入用户但少收）。结果：团队砍社交和内容预算因它—不转—且转化量两季—30% 因漏斗顶饿。首触归因有反向偏。线性和时间衰减模型跨旅程 分功劳且更公平但仍为启发。数据驱动归因用反事实模型（无此触点会发生什么）且最准但它需足够转化（通常 > 10,000/月）来训。模型选择非学—它定哪渠道得预算、哪被砍且漏斗是否保喂。用末触的团队会系统性撤获客并过度投重定向且错误在转化跌前不可见
何时使用
当跨渠道分配获客预算时。当某渠道转化计数与其感知价值不匹配时。当多触旅程为常态（转化—> 3 触点）时
如何做
1. 埋每触点：每会话有源（自然、付费社交、付费搜索、邮件、直接、引荐）、媒介、活动和落地页。按会话存、user_id —2. 每转化用户重构旅程：首触到转化的会话有序列表 3. 从末触归因始—00% 功劳给末触）—它最简且为基线但须知其对直接和品牌搜索的偏 4. 加首触归因（100% 功劳给首触）—比两者；漏斗顶渠道（社交、内容）在首触中排名高得—5. 实多触模型（线性：所有触等功劳；时间衰减：近转化触更多功劳）—此更公平且无需额外数据 6. 若转化量 > 10,000/月、实数据驱动归因：训反事实模型（逻辑回归—Shapley 值）估每触点的增量贡—7. 并排报所有模型：5% 末触—5% 首触—5% 数据驱动的渠道是引入者非收—为引入投它非为收 8. 用归因模型分配预算：在所选模型下边际转 化成本最低处花、非末触计数最高处 9. 每季重评模型：渠道组合变时模型精度变—10k 转化时对的模型在 100k 时可能错
示例
# 归因对比—026 —9 月—,827 转化 渠道 | 末触 | 首触 | 线— | 数据驱动 --------------|--------|--------|-------|---------- 自然搜索 | 28% | 42% | 35% | 33% 直接 | 38% | 12% | 22% | 18% 付费搜索 | 14% | 8% | 11% | 9% 社交 | 6% | 28% | 18% | 22% 邮件 | 10% | 6% | 8% | 11% 引荐 | 4% | 4% | 6% | 7% 读： - 直接—8% 末触—12% 首触 -> 多为回用户非获客。末触过高记直接 3.2 倍— - 社交—% 末触—28% 首触 -> 漏斗顶引入者。末触过低记社交 4.7 倍。砍社交（低末触）会饿漏斗— - 数据驱动：社—22%（高于线—18%）因模型发现社交触点有高增量提升（见社交的用户比相似不见的转化概率高 1.8 倍）— 预算分配（数据驱动—100k/月）— 自然— $33k（SEO 投、内容团队） 直接— $18k（品牌、留—非获客） 付费— $ 9k（高意图关键词搜索广告） 社交— $22k（内—+ 付费社交引入— 邮件— $11k（生命周期、再参与— 引荐— $ 7k（联盟、合作） 旧预算（末触—100k/月）— 直接— $38k <- 过投（重定向、品牌搜索） 社交— $ 6k <- 欠投（饿漏斗— 结果：转化量两季—30%。
常见问题
- ⚠用末触归因并砍引入渠—社交—6% 末触功劳但引—28% 转化者；砍社交以"优化预算"饿漏斗且转化量两季跌 30%
- ⚠跨不同归因模型比渠道 —付费搜索在末触下看棒—4%）且在数据驱动下平庸—%）；季中换模型使预算分配不连贯
- ⚠把直接流量当获客 —直接多为—URL 或点书签的回用户；记直接转化功劳奖留存非获客并过度投品牌搜索
- ⚠无足够转化实数据驱动归因 —低于 10,000 转化/月反事实模型噪且 Shapley 值不稳；低量时启发模型（线性、时间衰减）更可靠
最佳实践
- ✓并排报末触、首触和多触模型（线性或数据驱动）—无单模型正确且对比揭每渠道角色（引入、收、辅助）正是告预算之物
- ✓仅在 > 10,000 转化/月时用数据驱动归—此下反事实模型噪且启发模型（时间衰减）更可靠；量支持时换数据驱动
- ✓在匹配目标的模型下分配预—获客（新用户）重首触和数据驱动；留存（现有用户）重末触；混目标和模型产不连贯花费
- ✓每季重评归因模型 —渠道组合、转化量和旅程形变时模型精度变且一阶段最优的模型在另一阶段变误导