哪些營銷渠道促進了銷售？
他們的貢獻率是多少？
這些貢獻的背後是怎樣的用戶行為路徑？
如何用歸因分析的結論來指導我們選擇轉化率更高的渠道組合？
妳的第壹反應可能是:當然是我點了哪個廣告，然後進入商品詳情頁進行了購買，這功勞都是因為這個廣告！沒錯，這也是當今最流行的分析方法，最簡單粗暴的單通道歸因模型——這種方法通常將銷售轉化歸因於消費者第壹次(第壹款)或最後壹次接觸(最後壹款)的渠道。但顯然，這並不是壹種嚴謹準確的分析方法。
我們發現現實往往是非常復雜的多渠道投放，在衡量其貢獻值和分配組合渠道投放強度時，僅僅依靠單壹渠道歸因分析的結果和指導是不科學的，所以我們引入了多渠道歸因分析的方法。當然，多渠道歸因分析並不是萬能的，使用什麽樣的分析模型最終取決於業務本身的特點和考慮的成本。
換句話說，最後壹次點擊模式——最後壹個互動渠道獲得100%的信用，這是最簡單、最直接、應用最廣泛的歸因模式。
優點:首先，它是最容易測量的歸因模型，在分析器中不容易出錯。另外，由於大部分被跟蹤的cookie只有30-90天的生命周期(淘寶廣告最長計算周期只有15天)，對於客戶行為路徑和周期較長的場景，在歸因分析中可能會丟失數據，但對於最後壹個交互模型，這個數據跟蹤周期就不是那麽特別重要了。
缺點:這種模式的缺點也很明顯。例如，客戶從收藏夾進入產品詳情頁面，然後進行交易。根據上壹個歸因模型，100%的功勞將歸於收藏夾(直接流量)。而真實的用戶行為路徑更接近於產生興趣、信任、購買意向、信息對比等環節，這些都是其他渠道的貢獻，在這個模型中無法統計，最後壹個渠道的信用評價會被大大高估。
適合:轉化路徑少，周期短的商家，或者起關鍵作用的廣告。為了吸引客戶購買，直接點擊登陸產品詳情頁。
上面提到的最後壹種交互模型的缺點是數據分析的準確性被大量的“直接流量”誤導，所以對於最後壹種間接點擊模型，排除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，我們可以想象用戶從淘寶收藏夾點了壹個商品，然後進行了購買，但實際上他可能是在點擊了淘寶來訓練之後，才把這個商品添加到收藏夾的，所以在最後的間接點擊交互模型中，我們可以把這個功勞歸於淘寶來訓練。
適用於:如果妳的公司認為妳的業務大部分直接流量來自於其他渠道吸引的客戶，需要排除直接流量，那麽這個模式會非常適合妳。
最後壹個渠道互動模型會將100%的信用歸因於客戶在轉化前最後壹次點擊的廣告渠道。需要註意的是，這裏的“最後壹次交互”是指在妳想要衡量的任何轉化目標之前的最後壹次交互，這些目標可能是銷售線索、銷售機會建立或其他妳可以定制的目標。
優點:這種模式的優點是通常與各種渠道的標準壹致，比如臉書洞察使用上壹個臉書交互模式，谷歌廣告分析使用上壹個谷歌廣告交互模式等等。
缺點:很明顯，當妳同時在多個渠道投放的時候，壹個客戶第壹天會點擊臉書的廣告，第二天會點擊谷歌的廣告，最後會有壹個轉化。那麽在最後壹個渠道模型中，臉書和谷歌將把這次轉化的100%的功勞分別歸於自己的渠道。結果就是各部門的數據看起來都不錯，各渠道都高估了自己的影響力，但實際效果可能是壹半。如果您單獨使用這些歸因模型，並將它們集成到壹個報告中，您可能會獲得“兩倍甚至三倍”的轉換數據。
適用於:單壹渠道，或已知某個渠道特別有價值。
第壹個互動頻道獲得了100%的好評。
換句話說，第壹種交互模式更強調驅動用戶認知的轉化漏鬥頂端的渠道。
優點:這是壹個易於實現的單壹聯系模型。
缺點:受限於數據追蹤周期，對於路徑長、周期長的用戶行為，可能無法收集到真實的首次交互。
適用於:這種模式適合品牌認知度不大的公司，專註於最初能給他們帶來客戶的渠道，對拓展市場很有幫助。
對於路徑上的所有通道，平均分配它們的貢獻權重。
線性歸因是多接觸歸因模式中的壹種，也是最簡單的壹種。它將積分平均分配給用戶路徑上的每個聯系人。
優點:是壹個多觸點的歸因模型，可以將轉化漏鬥中不同階段的信用劃分為營銷渠道。另外，他的計算方法簡單，計算過程中調整價值系數方便。
缺點:顯然，線性平均劃分的方法不適合壹些渠道價值特別突出的業務。舉個例子，壹個客戶在線下某個地方看到妳的廣告，然後回家用百度搜索，通過百度連續三天進入官網(真實的用戶場景可能是用戶懶得記錄或者收集官網地址)，第四天成交。那麽根據線性歸因模型，百度會被賦予75%的權重，而線下某處的廣告會得到25%的權重，這顯然沒有給予線下足夠的權重。
適用於:根據線性歸因模式的特點，更適合期望在整個銷售周期內與客戶保持聯系並保持品牌知名度的公司。在這種情況下，所有渠道在促進客戶考慮方面發揮著同樣的作用。
對於路徑上的渠道，距離轉化的時間越短，可以獲得的信用權重越多。
時間衰減歸因模型是基於這樣壹個假設，即接觸越靠近轉化，對轉化的影響越大。這個模型是基於指數衰減的概念，壹般默認周期是7天。也就是說，相對於轉換當天，轉換前7天的渠道可以分配50%的權重，轉換前14天的渠道可以分配25%的權重，以此類推。...
優點:與線性歸因模型相比，時間衰減模型允許不同的信道得到不同的權重分布。當然，在接觸越接近轉化，對轉化的影響越大的前提下，這個模型是相對合理的。
缺點:這種假設的問題是，漏洞頂端的營銷渠道永遠得不到公平的分數，因為他們永遠是離轉化最遠的。
適用於:客戶決策周期短，銷售周期短。比如妳做了壹個短期的推廣，做了兩天的廣告，那麽這兩天的廣告就值得更高的權重。
基於位置的歸因模型，又稱U型歸因模型，實際上是第壹次交互歸因和最後壹次交互歸因混合的結果。
U型歸因模型也是壹種多接觸歸因模型，本質上是壹種重視初始線索和最終交易渠道的模型。壹般會給第壹個和最後壹個交互渠道分配40%的權重，給中間渠道分配20%的權重，這裏的比例也可以根據實際情況進行調整。
u型歸因模型非常適合非常重視線索來源和推廣銷售渠道的公司。該模型的缺點是沒有考慮銷售線索轉化後聯系人的營銷效果，這使得它成為銷售線索報告或只有銷售線索階段目標的營銷組織的理想歸因模型。
下面，我們通過廁神數據提供的歸因模型，對計算原理做壹個推演:
下圖是通過神策分析得到的某電商公司用戶行為序列示意圖。在圖中，字母代表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”。為了更好的“匹配”，運營商設置了M1(目標轉化事件-購買商品1)和Q1(前段提到的相關事件-商品詳情1)的屬性關聯，還將M2與Q2關聯起來。
在這種情況下，有兩次采購，在廁神分析的歸屬過程中將進行兩輪計算以產生計算結果。
(壹)第壹輪計算:
第壹步是從M1向前遍歷，找到Q1以及從Q1開始的最近廣告瀏覽。
如圖，不難得到結果M1=[Dc，Dc，Da]。
第二步，我們將其引入分析模型並分配信用。運營商選擇“區位歸因”的分析模型。按照“位置歸屬”的計算邏輯，第壹個“待歸屬事件”和最後壹個“待歸屬事件”各占40%，中間平分20%。
第壹輪我們得到的結果是:Dc = 0.4；Dc = 0.2Da=0.4
(2)第二輪計算
從M2出發，向前遍歷找到Q2和最近發生在Q2的廣告瀏覽。
這裏值得強調的是，即使廣告在第壹輪計算，在這壹輪仍然會參與計算，因為經常會出現壹個廣告位同時推薦多個產品的情況。
我們不難得出結論，M2=[Dc，Db]。基於這個結論，我們通過“區位歸因”得到結果:Dc = 0.5；Db=0.5(少於3會有特殊處理)。
經過兩輪計算，我們得出結論:DC = 1.1；Da = 0.4如果Db=0.5，廣告位C的貢獻最大，廣告位B的貢獻次之，廣告位A的貢獻最小。
馬爾可夫鏈認為時間和狀態是離散的馬爾可夫過程，未來會發生，與過去的管理者無關(只與現在有關)。壹般來說，今天的事只取決於昨天，明天的事只取決於今天。
回到歸因模型，馬爾可夫鏈模型的本質是訪問者下次訪問某個頻道的概率取決於這次訪問的頻道。
歸因模型的選擇很大程度上決定了轉化率的計算結果，比如前面提到的第壹個交互模型和最後壹個交互模型，實際上都需要手動分配規則。顯然不是壹個“智能”的機型選擇。而且由於每個推廣渠道的屬性和目的不同，我們無法從用戶的整個轉化路徑上單獨計算。因此，馬爾可夫鏈歸因模型本質上是壹種數據驅動的、更加精確的歸因算法。
馬爾可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。
那麽具體的馬爾可夫鏈怎麽玩呢？(請自帶圖論知識)
如果把每個推廣渠道看成壹個系統狀態，推廣渠道之間的轉換看成壹個系統狀態之間的轉換，那麽用戶轉換路徑可以用馬爾可夫鏈來表示。
馬爾可夫鏈表明，系統在t+1時刻的狀態只與系統在t時刻的狀態有關，與系統在t-1，t-2時刻的狀態無關，...，t0。平穩馬爾可夫鏈的轉移矩陣可以通過極大似然估計來計算，即統計狀態間的轉移概率。用馬爾可夫鏈圖定義渠道推廣的歸因模型:
1，狀態集，定義為banner，text，keyword，link，video，mobile，unknown七種推廣類型加上start，null，conversion三種系統狀態。
2.通過計算某公司網站20天的原始點擊數據得出的穩定狀態下的轉化矩陣如下。
3.利用轉換矩陣構造有向圖，通過計算從節點開始到節點轉換的所有簡單路徑的累積權重系數之和來計算去除效應系數。
4.通過去除影響系數，計算每個狀態的轉換貢獻值。
去除效果如何？
我們可以簡化上述情況，並嘗試計算每個通道的去除效果和變換貢獻值:
在上述系統中，整體轉化率=(0.667 * 0.5 * 1 * 0.5+0.333 * 1 * 0.5)= 33.3%。
去除節點C1後，整體轉化率= 0.333 * 0.1 * 0.5 = 16.7%，因此節點C1-0.167/0.333 = 0.5。
類似地，可以計算出節點C2和C3的移除效應分別為1和1。
通過移除影響系數來計算變換貢獻值:
c 1:0.5/(0.5+1+1)= 0.2
C2:1/(0.5+1+1)= 0.4
C3:1/(0.5+1+1)= 0.4
如果妳對馬爾可夫鏈有疑問，可以點擊這裏了解壹下。
從上面這麽多的歸因模式中，我們大概可以把它們分成兩類:
(1)基於規則:預先為通道設置固定的權重值，具有計算簡單、數據合並容易、通道間互不影響的優點。當然，妳可以根據實際需要調整它們的重量比例。
(2)基於算法:每個通道的權值不壹樣，不同通道的權值會根據算法和時間而變化(數據驅動)。
在選擇使用哪種歸因模式之前，首先要想好商業模式！
如果是新品牌、新產品的推廣，企業要對能給我們帶來更多新用戶的渠道給予足夠的重視，那麽就應該選擇第壹種互動模式；
如果推出單壹競價渠道，那麽我們應該選擇最後的交互歸因模式還是渠道交互歸因模式；
如果公司關心線索的來源和銷售渠道的推廣，那麽我們應該選擇U型歸因模型；
如果公司渠道多，數據量大，被永久用戶識別，基於算法的歸因模型可以為營銷分析提供很大幫助；
....
壹般來說，沒有完美的歸因模型。任何模式都有其局限性和缺點。如何將客觀數據與主觀推測有效結合，是用好歸因模型的重要前提。
這裏有個有趣的問題。妳可以通過思考背後的分析邏輯，嘗試將其應用到歸因模型中。