归因模型

归因模型（Attribution Model）是在用户完成购买、订阅、询盘等目标后，把相应功劳或价值分配给合格营销触点的规则或算法。它回答“这次转化在所观察路径中如何计入各来源”，可以将全部功劳给一个触点，也可以分配给多个触点。

本文讨论数字营销中的归因模型。“归因”在心理学、故障分析等领域也有其他含义，不能将这些理论直接当作广告报表的计算规则。营销归因结果同样不等于已经证明的因果关系：某个触点获得较高功劳，可以帮助提出优化问题，却不能单独证明停掉该触点后会失去同样数量的订单。

计算前需要确定哪些条件

首先是目标事件。支付成功、创建订单、提交表单和有效成交之间存在区别。把未付款订单当作销售，或者把一次购买重复上报，就会使任何模型的结果失真。计算收入时，还要明确是否扣除折扣、退款，以及是否包含税费和运费。

其次是触点资格。模型可以围绕广告点击、观看、网站来源或其他已记录互动运行，但不同系统覆盖的数据不同。点击与观看的回溯窗口、同一来源重复接触的处理、直接访问是否参与，都应说明。模型名称相同，并不意味着这些前提相同。

最后是路径范围。一次会话内的归因与跨会话的客户路径可能使用不同触点；回溯窗口外的互动通常不参与对应分配。无法观察或合理关联的跨设备、平台和线下接触，不能因为模型复杂就自然补齐。Adobe Analytics也把模型、归因范围及回溯窗口列为需要共同理解的组成部分。

常见模型如何分配功劳

首次点击或首次触点，将全部功劳给范围内第一个符合条件的接触。它突出被观察到的起点，适合用来研究早期来源，但这个起点不一定是客户真正第一次知道品牌。末次点击或末次触点，将功劳给转化前最后一个符合条件的互动，方便理解后期承接，却不说明前面的接触没有影响。

线性模型在合格触点间平均分配；时间衰减让较接近转化的触点得到较高权重；基于位置的模型则偏重某些角色，例如路径首末或线索形成节点。这些模型把不同假设明确写入计算。平均分配不证明影响相等，偏重末次也不证明末次一定最重要。

数据驱动模型根据具体数据和算法估计如何分配，可能考虑互动顺序、时间、路径和转化结果。不同平台的算法、输入、覆盖范围与数据要求并不一致。不能把“数据驱动”理解成一个统一公式，也不能凭这一名称保证所有缺失和偏差已被解决。

下面用一笔可分配价值为200元、依次有社交广告、搜索和邮件三个合格触点的假设订单说明差异。示例只演示规则，金额与比例不是行业基准。

线性行因四舍五入展示可能有尾差，实际计算可保留足够精度。无论采用哪一行，实际订单仍只有一笔、价值仍为200元，改变的是功劳分配。时间衰减还需要各触点时间及衰减规则，数据驱动则需要相应数据和算法，不能仅凭三个渠道名称就凭空给出“真实权重”。

末次点击不一定把直接访问算作最后来源

某些模型会排除直接访问，将功劳归给最后一个符合条件的非直接来源。例如客户从邮件访问后，又直接返回购买，在采用相应规则时可以仍归给邮件。另一种只看最后一次访问的自定义规则，则可能归入直接来源。这不是哪个渠道名称写错，而是资格和分配规则不同。

“首次用户来源”“当前会话来源”和“某笔转化的归因来源”也不是同一个问题。客户首次来自搜索，后来从邮件回访并购买，三个维度可以合理展示不同来源。阅读报表时要先确定是在分析客户最初获取、某次访问，还是转化功劳。

参与型统计不一定可以相加

多数常见分摊模型会在合格触点之间分配一份转化功劳，但并非所有名为归因的指标都遵循“渠道相加等于一笔订单”。Adobe Analytics的Participation参与型模型，会给各个唯一参与触点完整功劳，用于观察参与关系。因此，跨项目合计可能超过实际转化总数。

在上面的假设订单中，如果三个唯一触点都按完整参与价值记入200元，合计就是600元。这并不意味着商家获得600元销售，而是三个触点各自参与了同一笔200元订单。分摊价值与参与价值应分别解释，不能在计算全店收入时混合使用。

广告平台之间也可能重复认领。同一订单分别满足两个平台的窗口，两个平台都报告转化，不等于两笔成交。平台内部去重、跨平台归因分配和真实订单去重，是不同层面的问题；交易事实应能与业务系统核对。

概念与现行产品功能要区分

模型仍可作为理论或自建分析方法，但软件未必继续提供相应选项。GA4现行归因报告支持的模型与旧教程不同，首次点击、线性、时间衰减和基于位置模型已于2023年11月停止提供。改变报告归因模型时，还应核查其影响的维度范围，不能以为所有用户、会话和事件来源都会一起变更。

平台专门的归因产品也有自己的规则。Amazon Attribution用于衡量带有相应标签的站外营销活动，其官方指南说明采用14天的末次触点方法，并以最近的合格点击分配功劳。这不能直接套用于全部亚马逊广告产品、所有广告观看或所有站外访问；其他产品要核对各自的说明。

因此，实际配置应以当前账户和官方资料为准，分别确认事件、来源、窗口、模型和报告范围。教程文章的发布日期较新，也不证明引用的旧产品规则已经更新。

如何选择和比较模型

选择应从所要回答的问题开始。研究最初接触可以关注起点；研究临近交易的承接可以关注末次；研究多次互动的配合，可以在数据条件允许时比较多触点分配。没有一个模型可以同时完整回答品牌长期影响、客户增量、每次点击价值和整体利润。

比较时尽量保持相同订单、观察期、触点范围和收入口径，再查看分配如何变化。某渠道在不同模型下变化很大，说明结论对规则较敏感，值得进一步研究。不能先选希望获胜的渠道，再反向挑一个能让它数字更好的模型。

回溯窗口也需要一并分析。扩大窗口使渠道获得更多归因，不代表窗口外的原有营销此前完全没有作用；缩短窗口使结果更接近近期互动，也不代表结果就更准确。窗口的选择应结合购买周期和具体产品支持范围，并明确对比条件。

归因报表如何服务经营判断

归因收入、ROAS等指标可以帮助描述被系统分配的结果，但应结合商品贡献、广告成本、退款、客户质量和履约能力。一个末次渠道可能因为承接已有需求而获得高归因收入；另一个早期渠道可能影响用户认识商品，却在可见路径里缺失。不能仅按归因金额排序后立即大幅调整预算。

需要判断新增效果时，应使用适合目标的增量测试或其他有明确假设的分析。更换同一批历史订单的模型，是重新计算功劳，不能直接称为证明因果的A/B实验。模型预测、分配合理性和投放后的真实业务提升，也应分别评价。

最后还要核查报表成熟度与一致性。时区、币种、按点击日期还是转化日期统计、处理延迟及模型更新，都可能造成差异。逐一对齐口径，有助于解释结果；无法归因的订单可以明确保留为未知，不能为了让所有渠道都有完整功劳而编造来源。

参考资料：Adobe Analytics归因组成与模型、GA4归因设置说明、Amazon Attribution方法指南。