归因分析是指在日常的社会交往中，人们为了有效地控制和适应环境，往往对发生于周围环境中的各种社会行为有意识或无意识地做出一定的解释，即认知整体在认知过程中，根据他人某种特定的人格特征或某种行为特点推论出其他未知的特点，以寻求各种特点之间的因果关系。

根据模型采用的算法，可以将归因模型分为两类：

1. 启发式归因

顾名思义，启发式归因主要起启发作用，是一种快速分析方法。它使用简单的算法，计算各个触点、渠道对转化的贡献度。

常见的启发式归因方法有6种，分别是最终点击、最终非直接点击、线性衰减、首次点击、线性、根据衰减。启发式归因的缺点比较明显，它们都是主观的权重分配方法。然而，在实际运营中，不同品类、渠道，甚至不同时期的渠道归因的真实分配规则可能都不一样。

例如“最终点击”、“最终非直接点击”、“首次点击”这三种归因方法将所有的转化贡献归属到N个渠道中的某一个，忽略的其他渠道对转化的贡献。“线性归因”认为所有的渠道贡献都一样，强调广告的提醒功能，不适合长转化路径，这明显会对低估和高估某些渠道的真实贡献。“线性衰减”不适合短转化路径，因为这时候衰减作用还未发生。

目前，广告行业内主流的CPA/CPS结算方式还是按照最终点击计算。为什么大多按照最终点击计算，我们来看一些数据（来自国内某大型广告分发平台的后台数据）。从用户接触的触点数量看，74.3%的所有用户和85.4%的转化用户只接触一个触点，或者说只接触过一次广告。从用户接触的渠道数量看，92.1%的用户只接触了一个渠道。从这些数据可以看出最终点击的归因方式有其合理性，这也是为什么流量作弊存在的重要原因。通过IDFA/Cookie撞库、预点击、替换APK、肉机等方式，我们就可以轻易薅到广告主的羊毛。特别是替换APK的作弊流量，实际上就是真实流量，有转化也有留存，非常难甄别。互联网领域内，买流量、流量作弊的现象非常严重，你花10000块钱推广App，如果不选好渠道，可能只能带来几个真实用户。

2. 算法归因

利用统计或者机器学习方法分析各个触点对最终转化的影响程度。与启发式归因相比，它更加客观，不受到使用者偏好的影响。常见的算法有logistics回归、生存模型、probabilistic模型、markov模型等。

算法归因使用统计方法或者机器学习方法来确定转化贡献度，它是一种客观方法，而上面提到的启发式归因则是主观方法。算法归因本质上是一个分类问题，目标值通常是未来一段时间内用户是否转化（购买、下载等行为）。将渠道、渠道组合的变量二元化，构建分类模型，通过变量重要性计算渠道、渠道组合对转化的贡献度。我们还可以构建算法归因系统，将不同类别（如3C、服装、化妆品等）的数据清洗后输入系统，自动得到相应的渠道归因。

3.归因分析的应用：要不要在这个渠道投放广告

理论上，一个新渠道的运营要经过3个过程：渠道属性分析、投放测试和投放优化。但是有些合作渠道、涉及金额较小的渠道可能很少会去针对性的优化投放。

在实际运营中，第一步的分析工作通常需要借助第三方工具。比如我们可以利用微博指数、百度指数分析渠道相关关键字的人群属性和流量趋势；利用talking data的移动观象台或者quest mobile的数据去了解某个app的运营概况。第二和第三个问题的分析需要从渠道的作用入手。在互联网业务中，渠道有两个主要作用：获取流量和促进转化。不是说一个渠道的转化归因很低就可以不投这个渠道。比如说，我们有一个移动站，100%的流量来自于uc广告，那么从转化贡献度角度来看，uc渠道的算法归因贡献度是0。因为对于logistic归因模型来说，uc渠道是一个冗余变量。但是你能不投uc吗？所以，我们要综合两方面去考虑，用3或7日留存用户数量（使用留存用户是为了排除垃圾流量、低质量流量）与渠道转化贡献度这两个指标来构建象限图，直观的分析渠道质量。

4.总结

理论上来说，归因分析应当是一个非常有用的分析方法。但在实际应用时存在一些难以克服的问题，最大的问题是数据质量的问题，一个模型再好，如果数据质量不行，那也是白搭。

如何理解归因分析？

互联网渠道运营面临的一个重要问题就是如何分配各渠道的运营、推广费用。电商网站通常会同时发起多个活动，一件商品可能出现在多个活动中，各个活动对商品销售的影响力有多大？这两个问题是典型的归因问题。概况来说，归因分析是识别所有对最终转化有贡献的过程，并确定每个过程的贡献度。然而，根据我个人的经验，归因分析可能是互联网数据分析中最难解决的一个问题，没有之一。数据缺失、数据丢失、虚假流量都是归因分析的障碍，而且还不好解决。先不管这些，下面将介绍一下互联网数据分析中的常用的一些归因算法。

归因模型分类

根据模型采用的算法，可以将归因模型分为两类：

1. 启发式归因

顾名思义，启发式归因主要起启发作用，是一种快速分析方法。它使用简单的算法，计算各个触点、渠道对转化的贡献度。

2. 算法归因

利用统计或者机器学习方法分析各个触点对最终转化的影响程度。与启发式归因相比，它更加客观，不受到使用者偏好的影响。常见的算法有logistics回归、生存模型、probabilistic模型、markov模型等。

在实际中，不管使用哪种归因算法，我们都要注意不同品类的广告面对的消费者群体可能不一致，构建模型时有必要进行分层建模，例如针对高价值用户建模或者针对偏好聚类结果建模。

目前，广告行业内主流的CPA/CPS结算方式还是按照最终点击计算。

3. 其他归因模型

算法归因除了上面介绍的两个模型外，常见的模型还有probabilistic模型（《A Probabilistic Multi-Touch
Attribution Model for Online Advertising》）和基于markov过程的模型（《Mapping the Customer Journey: A Graph-Based Framework for Online
Attribution Modeling》）。我们可以直接调用R包ChannelAttribution（https://cran.r-project.org/web/packages/ChannelAttribution/index.html）基于markov过程计算各渠道贡献度。

归因分析的应用：要不要在这个渠道投放广告

理论上，一个新渠道的运营要经过3个过程：渠道属性分析、投放测试和投放优化。但是有些合作渠道、涉及金额较小的渠道可能很少会去针对性的优化投放。

一、是什么

广告投放相关的业务随着互联网技术和业务的发展而兴起，广告投放的效果评估也随之而来。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利益挂钩，因此“归因分析”最早应用在了广告投放行业。简而言之，归因分析就是解决不同渠道或触点贡献度的分析方法。

二、常见归因分析模型

1、首次触点归因模型：将首次互动的渠道获得100%的功劳，适用于需要拉新、市场开拓阶段

2、末次触点归因模型：将发生转化最近一次的互动渠道活动的100%的功劳，适用于短期投放，快速提升效果阶段

3、线性归因模型：统计时间内所有的触点的功劳进行平均分配

4、时间衰减归因模型：对于统计时间内的所有触点，距离转化越近的渠道获得的贡献越大，适合促销期间大量引用用户完成转化的场景

5、位置归因模型：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记贡献40%，中间的所有触点平均剩下的20%贡献

三、总结与思考

采取哪种类型的归因模型和取决于希望从数据中提取的内容，进行归因分析应该具备问题意识，思考想要解决的问题，例如单个渠道产生了多少线索，或用户产生购买行为前浏览了哪些内容，根据不同的线索运用归因报告推动递进转化。

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

在课上老师通过举例案例，得出

1、甲方选择代理商好坏：通过拉长数据周期的渠道归因分析

2、前几天的投放效果很好就停止不投放，但后面分析整体数据成本会回落，优化师去优化广告怎么看投放计划好不好、策略里面使用什么定向、广告位，只看前面的数据会产生误判。

3、一个用户可能在不同平台看到相同的广告，但是在最后一个平台进行点击购买，那么每个平台都贡献了价值，但是否要归功于最后一个广告就需要归因分析。我认为这是最后点击模型

归因：是一个比较特定的业务场景，其定义为用户旅程中所经历的不同营销渠道的不同接触点对达成转化目标的贡献价值评估。用来分析广告投放效果，最重要的是用户每个接触点的权重分配

意义：由于用户从看到广告（曝光）到购买要经历曝光-点击-到达-站内行为-转化的一系列过程，且每个过程都并非只有一次，用户的行为并未从曝光到转化每一步都会按部就班，而是会在任意一步返回放弃商品或服务到购买。因此用户转化有着很长的决策周期，经过许多的往复及决策行为，可能是几个小时或者几天，同时广告的曝光又不仅仅通过一家渠道投放，归因分析有助于甄别每个渠道和每套素材的投放效果。

分类：归因分为广告归因和站内归因，其中广告归因又可以分为渠道归因和创意归因。由于广告多渠道投放，所以要计算投放过程中的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 关键词竞价或者其它推广方式，再进一步细分查看百度 BES、阿里 Tanx、腾讯 AdX 等资源对转化的贡献率。创意归因是指在广告投放过程中的各个创意及版本对转化的贡献率。常见的归因模型有末次转化归因模型、平均分配归因模型、时间衰减归因模型、价值加权归因模型和自定义归因模型。其中时间衰减归因模型和价值加权归因模型较为合理，自定义归因模型比较考验对渠道权重的把握。

关键指标：归因模型有两个关键指标。第一个是追溯期，你不能每一个渠道投放的追溯期都是无限期，结合产品的特性可以设置不同的追溯期，比如24小时或者几天之类的。既然规定了追溯期，所以按照追溯期的设定，在这个窗口之内的产生的点击行为是可追溯的，在这个追溯期之外产生的行为是不予追溯的。第二个关键指标是追溯规则问题，追溯规则主要分为四个，分别是首次点击（FirstClick）、末次点击（LastClick）任意点击（AnyClick）和算法归因（Arirhmetic）

最新事件

       2021年4月iOS14.5正式上线，苹果强制执行ATT隐私框架，并将推行SKAdNetwork作为归因方案。但SKAdNetwork的数据不会传给广告主，而是回传给广告平台，当广告平台收到SKAdNetwork的归因结果之后，会把数据发送给AppsFlyer，AppsFlyer会对用户行为数据中的Conversion Value数值进行解析，把它从一个数解读成可读的信息如login，purchase等。我们会把解读出的信息返回给广告平台，供平台做优化。同时会把归因结果展示在SKAdNetwork的面板上，供广告主查看每条广告的用户后续行为效果如何。由于广告平台的数据都是私有的，未来广告主对不同平台广告效果进行归因分析对时候难度会更大。同时由于数据到达广告主的时间有延迟，广告主也不能对广告进行实时优化。

归因分析定义：归因分析是判断广告效果的产生，其意义在于解决不同渠道的贡献度。

归因分析分类：单点触摸归因（如首次触点归因、末次触点归因），该方式较常用，主要将结果归功于转化的首次或最终接触点；多点触摸式归因（如线性归因、位置归因、时间衰减归因），该方式归因更准确，但对技术要求也高，该方法可根据经验判断每个接触点在整个客户旅程中影响转化的可能性来分配不同的加权值。

总结：归因的目的，终究是为了提升运营转化与收入增长。归因分析，做数据的追溯，就可以明确广告花费到底浪费在哪。在大数据技术逐渐完善的今天，归因分析的发展，才能发挥其在精细运营上的价值。

归因分析广告投放的时间周期内，用户所经历的不同营销渠道的不同接触点对达成转化目标的贡献价值评估。归因分析可以很好的让广告主了解哪一条营销渠道能带来高价值的用户，而哪一条营销渠道需要改进，从而合理改善营销策略。至于要采用什么规则或模型进行归因，目前比较流行的归因模型有末次归因模型、首次归因模型、平均分配归因模型、时间衰减归因模型、位置归因模型、价值加权归因模型。  

首、末次归因模型主要是将转化功劳归因于第一次或者是最后一次渠道的点击或曝光，平均分配归因模式就是把转化的功劳平均分配给用户购买转化的每一个接触点；时间衰退归因模型是根据用户接触的时间轴，将最大的功劳归功于最后一次渠道，首次接触的功劳是最小的。位置归因模型就是首次和末次渠道各占40%功劳，其余渠道评分剩余的20%；价值加权归因模型是对不同接触点的位置价值或者不同创意的内容价值进行加权，将转化的功劳按照权重比例去计算。以上每一个模型都有各自的缺点，具体的归因模型选择就要按照实际情况去考虑。

归因分析即分析广告实现或未实现有效转化是由哪一个或几个投放过程和因素导致的，一般用于后者的情景，以量化客户的行为路径，让每一次广告投入和广告效果可查可溯源，并依据关键信息指导广告投放，使广告预算的分配更加合理。业界常见如最终互动归因模型、最终非直接点击归因模型、线性归因模型、时间衰减归因模型、马尔科夫归隐模型等，需要根据具体广告投放场景选择合适的模型。

复杂的数据时代，我们每天都会面临产生产生的大量的数据以及用户复杂的消费行为路径，特别是在互联网广告行业，,那么广告投放的效果评估也就随之而来。首先，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。于是，「归因分析」便最早应用在了广告投放行业。归因分析能最先应用在广告行业还有一个原因，就是广告的目标是单一的。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。

归因分析要解决的问题是投放出去的广告带来的具体转化应该归功于哪些渠道。如果广告主投放了信息流广告，搜索广告，视频广告，而最终的转化发生在搜索广告中。并不能直接将所有的功劳都归到搜索广告头上，而要具体分析各渠道对最终转化的贡献率，并且找出这些贡献产生的路径。建立归因模型就是寻找出媒介中哪些渠道有助于成功转换，然后将值分配给每个通道，最终计算出营销投资回报率。

       常见的归因模型包括，首次互动模型（First Model) ——将功劳归于转化路径中的第一渠道、末次互动模型（Last Model)——将功劳归功于转化前的最后一个通道、时间递减归因模型（Time Decay）——距离转化的时间越短的渠道获得越多的功劳权重、线性归因模型（Linear）——对于路径上所有的渠道平等地分配贡献权重等等。但是很多时候实际转化路径非常复杂，上述的传统模型并不能很好地反映真实的情况，因此根据实际需要更多更为复杂的归因方法出现了，如夏普里值（Shapley Value)、生存分析方法(Survival Analysis)、路径分析(Path Analysis)等等。