· 哪些營銷渠道促成了銷售？
· 他們的貢獻率分別是多少？
· 而這些貢獻的背後，是源自於怎樣的用戶行為路徑而產生的？
· 如何使用歸因分析得到的結論，指導我們選擇轉化率更高的渠道組合？
妳可能第壹反應就是：當然是我點了哪個廣告，然後進去商品詳情頁產生了購買以後，這個功勞就全部歸功於這個廣告呀！沒有錯，這也是當今最流行的分析方法，最簡單粗暴的單渠道歸因模型------這種方法通常將銷售轉化歸功於消費者第壹次 (首次互動模型，First Model) 或者最後壹次接觸 (末次互動模型，Last Model) 的渠道。但是顯然，這是壹個不夠嚴謹和準確的分析方法。
我們發現，現實情況往往是很復雜的多渠道投放，在衡量其貢獻價值以及做組合渠道投放力度的分配時，只依靠單渠道歸因分析得到的結果和指導是不科學的，於是引入了多渠道歸因分析的方法。當然，多渠道歸因分析也不是萬能的，使用怎樣的分析模型最終還是取決於業務本身的特性以及考慮投入其中的成本。
也稱，最後點擊模型-----最後壹次互動的渠道獲得100%的功勞，這是最簡單、直接，也是應用最為廣泛的歸因模型。
優點： 首先它是最容易測量的歸因模型，在分析計方面不容易發生錯誤。另外由於大部分追蹤的cookie存活期只有30-90天（淘寶廣告的計算周期最長只有15天)，對於顧客的行為路徑、周期比較長的場景，在做歸因分析的時候可能就會發生數據的丟失，而對於末次互動模型，這個數據跟蹤周期就不是那麽特別重要了。
弊端： 這種模型的弊端也是比較明顯，比如客戶是從收藏夾進入商品詳情頁然後形成了成交的，按照末次歸因模型就會把100%的功勞都歸功於收藏夾（直接流量）。但是真實的用戶行為路徑更接近於產生興趣、信任、購買意向、信息對比等各種環節，這些都是其他渠道的功勞，在這個模型中則無法統計進來，而末次渠道的功勞評估會被大幅高估。
適用於： 轉化 路徑少、周期短 的業務，或者就是起臨門壹腳作用的廣告，為了 吸引客戶購買 ，點擊直接落地到商品詳情頁。
上面講到的末次互動模型的弊端是數據分析的準確性受到了大量的"直接流量"所誤導，所以對於末次非直接點擊模型，在排除掉直接流量後會得到稍微準確壹點的分析結果。
從上面的案例中，我們可以想象，用戶是從淘寶收藏夾裏點了壹個商品然後進行了購買，但是實際上他可能是點了淘寶直通車後把這個商品加入到收藏夾的，那麽在末次非直接點擊互動模型裏，我們就可以把這個功勞歸功於淘寶直通車。
適用於 ：如果妳的公司認為，妳們 業務的直接流量大部分都被來自於被其他渠道吸引的客戶 ，需要排除掉直接流量，那麽這種模型會很適合妳們。
末次渠道互動模型會將100%的功勞歸於客戶在轉化前，最後壹次點擊的廣告渠道。需要註意這裏的"末次互動"是指任何妳要測量的轉化目標之前的最後壹次互動，轉化目標可能是銷售線索、銷售機會建立或者其他妳可以自定義的目標。
優點： 這種模式的優點是通常跟各渠道的標準壹致，如Facebook Insight使用末次Facebook互動模型，谷歌廣告分析用的是末次谷歌廣告互動模型等等。
弊端： 很明顯當妳在多渠道同時投放的時候，會發生壹個客戶在第壹天點了Facebook的廣告，然後在第二天又點擊了谷歌廣告，最後並發生了轉化， 那麽在末次渠道模型中，Facebook和谷歌都會把這次轉化的100%功勞分別歸到自己的渠道上 。這就導致各個部門的數據都看起來挺好的，各個渠道都高估了自己影響力，而實際效果則可能是折半，如果單獨使用這些歸因模型並且把他們整合到壹個報告中，妳可能會得到"翻倍甚至三倍"的轉化數據。
適用於： 單壹渠道，或者已知某個渠道的價值特別大
首次互動的渠道獲得100%的功勞。
換句話說， 首次互動模型更加強調的是驅動用戶認知的、位於轉化漏鬥最頂端的渠道 。
優點 ：是壹種容易實施的單觸點模型
弊端 ：受限於數據跟蹤周期，對於用戶路徑長、周期長的用戶行為可能無法采集真正的首次互動。
適用於 ：這種模型適用於 沒什麽品牌知名度的公司，關註能給他們帶來客戶的最初的渠道 ，對於擴展市場很有幫助的渠道。
對於路徑上所有的渠道，平等地分配他們的貢獻權重。
線性歸因是多觸點歸因模型中的壹種，也是最簡單的壹種，他將功勞平均分配給用戶路徑中的每壹個觸點。
優點： 他是壹個多觸點歸因模型，可以將功勞劃分給轉化漏鬥中每個不同階段的營銷渠道。另外，他的計算方法比較簡單，計算過程中的價值系數調整也比較方便。
弊端： 很明顯，線性平均劃分的方法不適用於某些渠道價值特別突出的業務。比如，壹個客戶在線下某處看到了妳的廣告，然後回家再用百度搜索，連續三天都通過百度進入了官網（真實用戶場景也許就是用戶懶得記錄或者收藏官網地址），並在第四天成交。那麽按照線性歸因模型，百度會分配到75%的權重，而線下某處的廣告得到了25%的權重，這很顯然並沒有給到線下廣告足夠的權重。
適用於： 根據線性歸因模型的特點， 他更適用於企業期望在整個銷售周期內保持與客戶的聯系，並維持品牌認知度的公司 。在這種情況下，各個渠道在客戶的考慮過程中，都起到相同的促進作用。
對於路徑上的渠道，距離轉化的時間越短的渠道，可以獲得越多的功勞權重。
時間衰減歸因模型基於壹種假設，他認為 觸點越接近轉化，對轉化的影響力就越大。 這種模型基於壹個指數衰減的概念，壹般默認周期是7天。也就是說，以轉化當天相比，轉化前7天的渠道，能分配50%權重，前14天的渠道分25%的權重，以此類推...
優點： 相比線性歸因模型的平均分權重的方式，時間衰減模型讓不同渠道得到了不同的權重分配，當然前提是基於 "觸點離轉化越近，對轉化影響力就越大" 的前提是準確的情況下，這種模型是相對較合理的。
弊端： 這種假設的問題就是，在漏洞頂部的營銷渠道永遠不會得到壹個公平的分數，因為它們總是距離轉化最遠的那個。
適用於： 客戶 決策周期短、銷售周期短 的情況。比如，做短期的促銷，就打了兩天的廣告，那麽這兩天的廣告理應獲得較高的權重。
基於位置的歸因模型，也叫U型歸因模型，它其實是 混合使用了首次互動歸因和末次互動歸因 的結果。
U型歸因模型也是壹種多觸點歸因模型，實質上是壹種重視 最初帶來線索 和 最終促成成交 渠道的模型，壹般它會給首次和末次互動渠道各分配40%的權重，給中間的渠道分配20%的權重，也可以根據實際情況來調整這裏的比例。
U型歸因模型非常適合那些 十分重視線索來源和促成銷售渠道的公司 。該模型的缺點則是 它不會考慮線索轉化之後的觸點的營銷效果 ，而這也使得它成為銷售線索報告或者只有銷售線索階段目標的營銷組織的理想歸因模型。
以下，我們通過神策數據提供的歸因模式，做壹次計算原理的演繹：
下圖是通過神策分析所得到某電商用戶行為序列圖示。在圖示中，各字母代表的含義是 D-廣告位、Q-商品詳情頁、D-推薦位、M-購買商品。目標轉化事件是“購買商品”，為了更好地“配對”，運營人員將 M1（目標轉化事件——購買商品1）與 Q1（前項關聯事件——商品 1 詳情）設置了屬性關聯，同樣將 M2 與 Q2 進行關聯。
該場景中，發生了兩次購買行為，神策分析進行歸因時會進行兩輪計算，產生計算結果。
（壹）第壹輪計算：
第壹步，從 M1 開始向前遍歷尋找 Q1 以及離 Q1 最近發生的廣告瀏覽。
如圖所示，不難得到結果 M1=[Dc，Dc，Da]。
第二步，我們帶入分析模型中，進行功勞的分配。運營人員選擇 “位置歸因” 的分析模型，根據“位置歸因”的計算邏輯，第壹個“待歸因事件”和最後壹個“待歸因事件”各占 40%，中間平分 20%。
第壹輪我們得到結果：Dc=0.4；Dc=0.2；Da=0.4
（二）第二輪計算
從 M2 開始向前遍歷尋找 Q2 以及離 Q2 最近發生的廣告瀏覽。
這裏值得強調的是，即使第壹輪中計算過該廣告，在本輪計算時依然會參與到計算中，因為經常會出現壹個廣告位同時推薦多個商品的情況。
我們不難得到結論，M2=[Dc，Db]。基於這個結論，我們通過“位置歸因” 得到結果：Dc=0.5；Db=0.5 （不足 3 個時會有特殊處理） 。
經過兩輪計算，我們得出結論：Dc=1.1；Da=0.4；Db=0.5，則廣告位 c 的貢獻最大、廣告位 b 貢獻次之，廣告位 a 的貢獻最小。
馬爾科夫鏈思時間、狀態都是離散的馬爾科夫過程，是將來發生的事情，和過去的經理沒有任何關系（只和當前有關系）。通俗的講： 今天的事情只取決於昨天，而明天的事情只取決於今天。
回到歸因模型上，馬爾科夫鏈模型實質就是：訪客下壹次訪問某個渠道的概率，取決於這次訪問的渠道。
歸因模型的選擇，很大程度上決定轉化率計算結果，像前面講的首次互動、末次互動等模型，實際上需要人工來分配規則的算法，顯然它並不是壹種“智能化”的模型選擇。而且因為各個推廣渠道的屬性和目的不同，我們也無法脫離用戶整個的轉化路徑來單獨進行計算。因此，馬爾科夫鏈歸因模型實質上是壹種以數據驅動的(Data-Driven)、更準確的歸因算法。
馬爾科夫鏈歸因模型適用於 渠道多、數量大、有建模分析能力 的公司。
那麽具體馬爾科夫鏈怎麽玩？（請自備圖論知識）
如果將各推廣渠道視為系統狀態，推廣渠道之間的轉化視為系統狀態之間的轉化，可以用馬爾科夫鏈表示用戶轉化路徑。
馬爾科夫鏈表示系統在t+1時間的狀態只與系統在t時間的狀態有關系，與系統在t-1,t-2,...,t0時間的狀態無關，平穩馬爾科夫鏈的轉化矩陣可以用最大似然估計，也就是統計各狀態之間的轉化概率計算得到。用馬爾科夫鏈圖定義渠道推廣歸因模型：
1、狀態集合，定義為 banner,text,keyword,link,video,mobile,unknown 7種推廣類型加上start,null,conversion 3種系統狀態
2、穩定狀態下的轉化矩陣，通過某公司web網站20天的原始click數據計算的得到如下狀態轉化矩陣
3、利用該轉化矩陣來構造 有向圖（Directed Graph） ，通過計算從節點start到節點conversion的所有非重復路徑（Simple Path）的累乘權重系數之和來計算 移除效應系數
4、通過移除效應系數，計算各個狀態的轉化貢獻值
什麽是移除效應？
我們可以把上面的案例簡化壹下，嘗試具體計算下移除效應和各渠道的轉化貢獻值：
在以上系統中，總體的轉化率 = （0.667*0.5*1*0.5+0.333*1*0.5）= 33.3%
移除節點C1後，整體轉化率 = 0.333*0.1*0.5 = 16.7%，所以C1節點的移除效應系數 = 1-0.167/0.333=0.5
同理可計算節點C2和C3的移除效應分別是1和1
通過移除效應系數計算得到轉化貢獻值：
C1 : 0.5 / (0.5+1+1) = 0.2
C2 : 1 / (0.5+1+1) = 0.4
C3 : 1 / (0.5+1+1) = 0.4
如果妳對馬爾科夫鏈有疑惑，可以 點擊這裏 了解下
從上面這麽多種歸因模型來看，我們大概可以把他們分成2類：
（1） 基於規則的 ：預先為渠道設置了固定的權重值，他的好處是計算簡單、數據容易合並、渠道之間互不影響，當然妳也可以根據實際需要去調整他們的權重配比
（2） 基於算法的 ：每個渠道的權重值不壹樣，會根據算法和時間，不同渠道的權重值會發生變化（數據驅動）
在選擇用何種歸因模型之前，我們應該先 想清楚業務模式！
如果是 新品牌、新產品推廣 ，企業應該給予能 給我們帶來更多新用戶的渠道 足夠的權重，那麽我們應該選擇首次互動模型；
如果是投放了 單壹的競價渠道 ，那麽我們應該選取末次互動歸因模型或者渠道互動歸因模型；
如果公司很在乎 線索來源和促成銷售渠道 ，那麽我們應該選擇U型歸因模型；
如果公司的渠道多、數據量大，並且由永久用戶標識，基於算法的歸因模型能夠為營銷分析提供巨大的幫助；
....
總的來說， 沒有完美的歸因模型 。任何模型都存在他的局限性和不足，如何有效地結合客觀數據與主觀推測，是用好歸因模型的重要能力前提。
這裏拋出壹個有趣的問題，大家可以通過思考他背後的分析邏輯，嘗試壹下如何應用到歸因模型中