首页

广告归因浅析（一）——归因模型解析与比较

海外广告投放

2024-05-25

289

导读：探讨几种常见的归因模型，并对它们的优点、缺点以及适用场景进行比较和分析

数字营销归因模型全解析：选择最适合业务的评估工具

深入比较单触点与多触点归因模型，助力精准营销决策

随着数字营销的快速发展，归因模型作为衡量营销效果的核心工具，日益受到关注。它能帮助营销人员识别各渠道对转化的贡献，优化预算分配与策略布局。然而，面对多种归因模型，如何选择最适合自身业务的方案，成为营销决策的关键难题

本文系统梳理主流归因模型，按分配逻辑可分为规则型（Rules-based）与数据驱动型（Data-driven, DDAM）；按互动方式分为点击归因（CTA）与展示归因（VTA）；按触点数量则分为单触点归因（STA）和多触点归因（MTA）

单触点归因 VS 多触点归因

单触点归因将全部转化功劳赋予某一特定触点，而多触点归因则综合评估用户旅程中的多个接触点，更全面反映各渠道协同作用

单触点归因模型

单触点归因（STA）将100%转化信用分配给唯一触点，忽略其他环节的贡献，常见类型包括首次点击、末次点击及最终非直接点击归因

首次点击归因

首次点击归因（First-click attribution）将全部转化功劳归于用户首次互动的渠道，突出初期触达的价值

优点：

逻辑清晰、易于实施；
凸显初始渠道在品牌曝光和获客中的作用

缺点：

忽视后续触点的推动作用，易高估早期渠道价值；
无法反映复杂转化路径；
受数据追踪周期限制，可能无法准确识别真实首次互动

适用场景：

新品牌推广阶段，侧重提升品牌认知；
注重潜在客户获取的营销目标；
购买周期短、转化路径简单的业务场景

末次点击归因

末次点击归因（Last-click attribution）将全部转化归功于转化前最后一次互动，是广告平台最常用的默认模型

优点：

简单直观，易于理解与执行；
清晰反映促成转化的“临门一脚”

缺点：

忽略路径中其他触点贡献，易低估品牌与中间渠道价值；
仅关注转化底部行为，难以评估认知与兴趣阶段效果；
易受点击刷量等异常行为干扰

适用场景：

效果导向的短期广告投放；
转化路径简单、周期短的业务，如应用下载、即时成交类广告

最终非直接点击归因

最终非直接点击归因（Last Non-Direct Click）排除直接流量干扰，将100%转化价值归于最后一个非直接来源渠道

该模型有助于更真实评估营销渠道贡献，避免直接流量掩盖真实来源，Google Analytics 非多渠道报告默认采用此模型

多触点归因模型

单触点模型简化用户旅程，易导致渠道价值误判。多触点归因（MTA）通过分配功劳至多个触点，更科学衡量各渠道协同效应

主流多触点模型包括：线性归因、时间衰减归因、U型/基于位置归因、W型归因与Z型/全路径归因

线性归因模型

线性归因将转化价值平均分配给路径中所有触点，每个渠道权重相同

优点：覆盖全流程触点，计算简便，适合维护品牌持续曝光的场景

缺点：平均分配忽略各渠道实际影响力差异，可能导致高价值渠道被低估

适用场景：品牌长期运营、需持续触达用户的营销策略

时间衰减归因模型

时间衰减归因基于“越接近转化，影响力越大”的假设，按指数衰减方式分配权重，7天前触点权重减半

优点：突出近期互动价值，更贴近短周期转化逻辑

缺点：低估早期品牌曝光渠道，顶部营销努力难以被认可

适用场景：短期促销活动、客户决策周期短的营销场景

U 型/基于位置的归因模型

U型归因（又称基于位置归因）重点突出首次与末次互动，各分配40%功劳，剩余20%均分给中间触点

优点：兼顾品牌引入与转化促成环节，评估更全面

缺点：中间触点权重偏低，且忽略线索生成后的互动价值

适用场景：重视线索来源与最终成交渠道的业务，品牌与转化并重的策略

W 型归因模型

W型归因在U型基础上增加对中间关键节点的重视，赋予三个核心触点各30%权重：首次接触、线索生成、机会创建，其余触点共享10%

优点：

覆盖客户旅程关键转折点；
提升对中段营销活动的识别度；
兼顾长期品牌建设与短期转化

缺点：

实施复杂，依赖高质量数据支持；
关键触点界定存在主观性；
仍可能忽略非核心触点的累积影响

适用场景：客户旅程复杂、线索转化节点明确的企业

Z 型/全路径归因模型

Z型（全路径）归因覆盖四大关键阶段：首次触点、线索转化、机会建立、最终转化，各阶段触点分配22.5%权重，其余触点共享10%

该模型力求全面还原用户决策路径，适用于需深度分析全链路营销效果的精细化运营场景

如何选择合适的营销归因模型？

解析点击归因、展示归因与数据驱动模型的优劣及应用场景

全路径归因模型优点：涵盖转化前所有互动环节，通过追踪全部营销触点提供全面洞察，有助于识别关键渠道与策略贡献。

缺点：模型复杂度高，触点权重分配困难，需依赖强大数据分析工具；对各触点影响程度的量化可能存在偏差。

适用场景：适用于购买流程复杂、销售周期长的业务，尤其适合需要系统评估客户旅程中各环节价值的企业，以优化资源分配和营销策略。

归因模型在实际案例中的应用

以用户A的购买路径为例：TikTok广告曝光 → Google自然搜索访问 → Facebook广告点击注册 → 邮件推送触达 → 直接访问完成购买。该路径包含五个关键触点：

TikTok Video (paid ads)
Google Search（Organic）
Facebook (paid ads)
Email
Direct

不同归因模型对该路径的功劳分配如下表所示：

归因类型	TikTok	Organic	Facebook	Email	Direct
First-Click	100%	0%	0%	0%	0%
Last-Click	0%	0%	0%	0%	100%
Last Non-Direct Click	0%	0%	0%	100%	0%
Linear	20%	20%	20%	20%	20%
Time Decay	5%	10%	15%	25%	45%
U-Shaped	40%	6.7%	6.6%	6.7%	40%
W-Shaped	30%	5%	30%	5%	30%

备注：全路径归因适用于更复杂的场景，此处未列入对比。

点击归因 vs 展示归因

两者的核心差异在于归因依据：点击归因仅认可用户点击行为带来的转化，而展示归因认为即使未发生点击，广告曝光本身也可能影响最终转化决策。

点击归因（Click-through Attribution, CTA）

CTA是主流转化分析方式，基于用户点击广告后在指定时间内的转化行为进行归因。其路径清晰、执行简便，被广泛接受。

局限性在于难以衡量品牌广告的长期影响。例如，用户先看到联网电视广告，后点击Instagram广告完成安装，若仅依赖CTA，则会忽略CTV的前置引导作用，导致预算误配。

当前多渠道环境中，单独使用CTA已显不足，常与展示归因结合使用，以提升ROAS评估准确性。

展示归因（View-through Attribution, VTA）

VTA将转化归因于广告曝光事件，适用于视频、展示类多媒体广告，尤其在短视频广泛应用背景下，能更真实反映广告影响力。

VTA优势：

识别直接或间接推动转化的广告展示
全面评估品牌传播与渠道协同效应
支持上中游营销漏斗表现分析
提供完整的用户旅程视图
增强跨渠道预算优化信心，提升ROI与ROAS

VTA挑战：

缺乏直接关联：VTA基于假设建立曝光与转化的关系，无法确认用户是否真正受影响，准确性受质疑
归因窗口难定：窗口过长易误归因，过短则遗漏有效曝光，通常设置为24小时至7天
数据采集困难：各平台统计标准不一（如Facebook按3秒播放计一次曝光，YouTube按10秒），导致数据不一致或缺失
易受广告欺诈影响：机器人流量可伪造展示数据，增加无效支出风险

VTA适用场景：

品牌认知建设：用于提升品牌可见度的视觉广告活动
中上层漏斗营销：衡量品牌推广、产品教育等前期触达效果
多渠道整合营销：评估跨平台广告协同对决策的影响
视频广告效果评估：捕捉非即时点击型转化行为

以规则为依据 vs 以数据为依据的归因模型

Google Analytics定义归因模型为“一组规则或算法，用于确定转化功劳在各接触点间的分配方式”。据此分为两类：基于规则的归因模型和数据驱动归因模型。

以规则为依据的归因模型（Rule-based Attribution）

此类模型按预设规则分配转化价值，如Last-click、First-click、Linear、U-Shaped等，均属此类。

优势在于逻辑透明、易于实施；但缺乏灵活性，无法适应动态用户行为。因此，Google Ads与GA4已于2023年停用“首次点击”“线性”“时间衰减”等传统规则模型。

以数据为依据的归因模型（Data-driven Attribution, DDA）

DDA利用机器学习算法，基于实际转化路径数据动态计算各触点贡献值。其核心是通过对比转化路径与非转化路径，分析时间、设备、互动频次、素材类型等因素，采用反事实推理判断哪些触点最可能促成转化。

优势：模型个性化、权重自动调整，能更精准反映真实转化动因，提升预算效率与营销回报率。

不足：对数据量要求高，小企业难以满足；算法复杂且不透明，实施与维护成本较高，需专业技术支持。

常用算法：

马尔科夫链（Markov Chain）：模拟用户在营销触点间的状态转移，具备“无记忆”特性，即下一状态仅由当前状态决定。

沙普利值（Shapley Value）：源自合作博弈论，公平分配团队成员贡献。Google早期DDA采用此算法，计算各触点在转化中的边际增益。

生存分析（Survival Analysis）：研究事件发生时间的统计方法，现为GA4与AdWords所采用，评估触点在转化过程中的持续影响力。

Harsanyi Dividend：沙普利值的扩展，目前仅有Adobe等少数平台使用，公开资料有限。

如何选择合适的归因模型？

选择归因模型应综合考虑以下因素：

明确营销目标：若侧重品牌曝光，可选First-click或U型模型；若聚焦短期转化，则Last-click或Time Decay更合适
评估销售周期：短周期产品适合Last-click或Time Decay；长周期、多触点产品推荐全路径或W-Shaped模型
客户旅程复杂度：旅程越复杂，越需能全面追踪与量化各触点贡献的高级模型，如W-Shaped或数据驱动模型

如何选择适合的营销归因模型？

当客户旅程较为简单直接时，首次触点或最后触点等基础归因模型即可满足需求；若客户触点多样且跨越多个时间节点，则需采用更复杂的归因模型以准确评估各渠道贡献。

若企业仍依赖直邮、电视或户外广告等线下推广方式，营销归因分析（MTA）的覆盖范围将受限。尽管部分线下数据可被采集，但关键在于能否将其与线上行为数据有效整合。

企业规模及可调配资源也是决定归因模型选择的重要因素。归因建模高度依赖数据分析能力，若企业具备较强的数据科学团队和技术支持，推荐采用全路径、W型或数据驱动归因模型，以实现对用户行为的深度洞察。

对于数据能力有限的中小企业，单触点或线性归因模型更为实用，操作简便且易于理解。

以下表格总结了各类归因模型的适用与不适用场景，便于企业快速匹配自身需求。

模型类型	适用场景	不适用场景
首次点击归因	重视首次互动，适用于简单、短暂的客户旅程或新品牌推广初期。	复杂客户旅程或多触点长周期购买场景。
末次点击归因	重视最终转化触点，适用于简单、短暂的客户旅程。	复杂客户旅程或多触点长周期购买场景。
线性归因	客户旅程短且各渠道贡献均等时适用。	渠道影响力差异大或旅程复杂的场景。
时间衰减归因	适用于时效性强的活动（如季节性促销），侧重转化前的互动效果。	需评估早期认知阶段触点价值的场景。
U型归因	强调初始接触与潜在客户开发，兼顾辅助与转化触点。	需精细化区分各中间触点角色时。
W型归因	适用于明确划分首次互动、线索生成与机会转化阶段的客户旅程。	线索与机会阶段不清晰或未系统映射时。
全路径归因	适用于需全面了解从首次接触到成交全过程的用户体验。	数据缺失或用户路径追踪不完整时。
数据驱动归因	拥有高质量大数据并具备机器学习能力的企业，可构建最优模型。	要求模型透明可解释，或数据量少、质量低时。
自定义归因	适用于具有行业特殊性或独特营销策略的企业。	缺乏定义规则的专业知识时难以实施。