归因分析分为首次归因、末次归因、线性归因、位置归因。

1.      首次归因; 多个待选中触点时，认为第一个的功劳为 100%。理由是第一个触点给用户建立了认知，与用户形成了连接。适用于重视 新用户线索的业务。也就是第一个让你点进去的触点，这其实会产生一个节点，让各种地方会推荐坑位也是这个方向的。

2.      末次归因：多个待选中触点时，认为最后一个的功劳为 100%。这种思路适用范围最为广泛，常用于电商业务的站内归因的计算。末次归因是最后一个至关重要，是用于电商平台的计算方法。

3.      线性归因：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。适合坑位效果比较平均的产品。是有多个触点时候的平均分配，适合产品是比较平均的。

4.      位置归因：多个待选中触点时，认为第一个和最后一个各占 40% 功劳，其余平分剩余的 20% 功劳。兼顾最初的线索和最终的决策。

归因模式具有时效性，如果一件物品失去了它的时效性将会带来更少的冲击感，从而减少了消费者。

归因模型大致可以分为两类：一种是基于规则的：预先为渠道设置了固定的权重值，他的好处是计算简单、数据容易合并、渠道之间互不影响，当然你也可以根据实际需要去调整他们的权重配比另一种是基于算法的：每个渠道的权重值不一样，会根据算法和时间，不同渠道的权重值会发生变化（数据驱动），运用何种归因模式要取决于自身的业务模式。

归因分析是广告技术中较为复杂的一个问题，其复杂来源几个方面：难建模，难验证，难应用。广告的归因，主要就是通过可定向、可追溯的数据匹配，去监测广告投放效果或者运营动作，来验证用户行为与产品转化之间的行为关系。因此归因技术可以为广告投放监测并改善广告效果，以及跟踪用户事件从而提升用户体验。

广告归因主要有以下几种方式：

    1、广告ID归因：无论是安卓系统或者iOS系统，广告ID都具备一致性（可识别）、唯一性（可溯源）和获取便利性（可跟踪）的特点，一般可以通过系统API、三方SDK、媒体SDK获取，但近些年厂商系统级别的隐私保护，使得获取形式不是那么便利，一定程度会影响归因效果。

    2、渠道包归因：将应用市场的渠道号提前写入安装包，用户互动触发时读取，经常被市场拦截或者刷量，严格意义上不算归因，一般算自然投放；

    3、剪贴板归因，用户站外点击广告时，将标识写入剪贴板，用户激活下载再读取剪贴板，由此完成匹配，但近些年用户隐私监管很严，此类归因方式效果逐渐降低；

    4、IP+UA归因，通过采集用户的IP和UA（User-Agent）进行匹配，不过这种方式下，IP是公域的不唯一，所以效率很差。

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。

 1. 末次互动模型。也称为最后点击模型——最后一次互动的渠道获得100%的功劳，这是最简单、直接，也是应用最为广泛的归因模型。

 2. 末次非直接点击互动模型。上面讲到的末次互动模型的弊端是数据分析的准确性受到了大量的”直接流量”所误导，所以对于末次非直接点击模型，在排除掉直接流量后会得到稍微准确一点的分析结果。

3. 末次渠道互动模型。末次渠道互动模型会将100%的功劳归于客户在转化前，最后一次点击的广告渠道。需要注意这里的”末次互动”是指任何你要测量的转化目标之前的最后一次互动，转化目标可能是销售线索、销售机会建立或者其他你可以自定义的目标。

4. 首次互动模型。首次互动的渠道获得100%的功劳。如果末次互动认为，不管你之前有多少次互动，没有最后一次就没有成交。那么首次互动就是认为，没有第一次的互动，剩下的渠道连互动都不会产生。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。

5. 线性归因模型。对于路径上所有的渠道，平等地分配他们的贡献权重。将功劳平均分配给用户路径中的每一个触点。

 6. 时间衰减归因模型。对于路径上的渠道，距离转化的时间越短的渠道，可以获得越多的功劳权重。时间衰减归因模型基于一种假设，他认为触点越接近转化，对转化的影响力就越大。这种模型基于一个指数衰减的概念，一般默认周期是7天。也就是说，以转化当天相比，转化前7天的渠道，能分配50%权重，前14天的渠道分25%的权重，以此类推。

7. 基于位置的归因模型（U型归因）。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。U型归因模型也是一种多触点归因模型，实质上是一种重视最初带来线索和最终促成成交渠道的模型，一般它会给首次和末次互动渠道各分配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来调整这里的比例。U型归因模型非常适合那些十分重视线索来源和促成销售渠道的公司。该模型的缺点则是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。

归因分析一种算法、分析方法，它能够应用在实际的运营投放当中，应用在广告投放的效果评估上，能够在大量的数据以及复杂的用户消费行为路径当中识别所有对实际转化量有贡献的过程，以此衡量其贡献价值以及做组合渠道投放力度的分配。然而，尽管归因分析非常有用，但在实际应用当中仍然存在一些难以克服的问题，例如数据缺失、虚假流量等，不过仍然能够通过归因算法来找出渠道共性，从而减少运营过程中可能会出现的亏损问题。