概述

每次用戶在完成業務關注的轉化行為前，都會經歷一段復雜的行為流和決策過程。轉化前的用戶行為流中往往包含多個和目標轉化相關性較高、極可能促成轉化的因子事件，因此，業務方需要判斷各因子事件對轉化行為的貢獻程度。歸因分析功能內置了多種常見的歸因分析模型，業務方可以根據其業務特性選擇合適的歸因模型，將“貢獻”合理地分配到每個因子事件上。

其中，Quick Tracking中的“目標轉化事件”即為上述的“轉化行為”，通常是用戶在應用中達成業務目的時的行為，相關因子行為為“待歸因事件”，通常是可能促成目標轉化行為的事件。例如在電商購買場景中，用戶可能先在搜索框中搜索了此商品，再在推廣位擊了此商品的活動信息...最后在收到促銷短信后完成了購買行為，購買行為則為“目標轉化事件”，搜索商品、廣告位點擊、點擊促銷短信等行為則為此場景下的“待歸因事件”。

歸因分析可幫助回答以下問題：

• 電商場景中用戶發生了購買行為，淘寶內首頁搜索、活動會場、猜你喜歡這些站內資源位對這次成交分別貢獻了多少？

• 電商場景中，使用滿減優惠券、參與權益活動等行為對訂單金額的累加值分別貢獻多少？

• 地產應用中用戶留下了電話線索，房源查看、房源詢價、房價動態信息訂閱、收到他人房源推薦等行為，對最終留下電話線索分別貢獻了多少？

• 用戶開通了影視會員，試看了付費影視資源、收到了會員開通優惠信息、將即將上映的付費資源加入收藏夾、查看會員權益頁、收到了會員到期提醒等行為，對最終會員的開通分別貢獻了多少？

功能介紹

頁面組成

歸因分析模型主要由「信息配置區」、「界面組成分析結果區域」、「歷史查詢列表區域」三個部分組成。

• 在「信息配置區」指定目標轉化事件、待歸因事件、設置關聯事件、前向關聯屬性及篩選分組條件、選擇歸因模型、設置歸因窗口期

• 在「界面組成分析結果區域」進行查詢結果的表格展示

• 在「歷史查詢列表區域」進行報表的保存、更新、歷史報表查看及數據導出

功能操作

選擇目標轉化事件（必要）

• 選擇目標轉化事件

所有類型的事件（含虛擬事件）都可以作為目標轉化事件，通常為業務關注的盈利事件

• 選擇目標轉化事件的貢獻度計算指標

支持目標轉化事件的發生次數、其數值型事件屬性的累加值、數值型用戶屬性的累加值。支持設置多個指標，同時查詢各待歸因事件對目標轉化事件相關多個指標的貢獻，滿足橫向對比的分析場景

• 設置前向關聯事件（可選）

設置前向關聯事件及屬性可以提升歸因模型計算的精度，將某事件設置為目標轉化事件的前向關聯事件后，會限制用戶在待歸因事件觸發后、目標轉化事件前觸發了前向關聯事件才算做出真正貢獻。前向關聯事件將作為行為流的切分規則，只有觸發前向關聯事件之前的待歸因事件，才視作對目標轉化事件的有效貢獻參與計算。前向關聯事件可以設置多個，觸發任意一個即可產生切分效果。

在此case舉例中：

A、按照目標事件切分后，在每個目標事件序列中按照時間窗口確定有效回溯窗口，只計算回溯窗口期內的待歸因事件，即待歸因事件A_0和前向關聯事件F_4不參與計算

B、按前向關聯事件切分，只計算每個前向關聯事件序列中的待歸因事件，即待歸因事件A_4沒有前向關聯事件，所以待歸因事件A_4不統計

C、待歸因事件A_2和A_3的前項關聯事件是F_1，待歸因事件A_1的前項關聯事件是F_2, 因為前項關聯事件F_3前沒有待歸因事件，可以理解為是未經過任何待歸因事件的直接轉換，若以首次歸因模型計算，此次轉化將不記在任何待歸因事件的貢獻里，計為通過“其它”行為貢獻的轉化。

設置前向關聯事件可滿足如下場景：

以電商場景的購買行為為例，提交訂單為目標轉化事件，商品宣傳位點擊和商品搜索為待歸因事件，無論是何種待歸因事件，在實現轉化之前必須觸發瀏覽商品詳情頁的行為，若將“瀏覽商品詳情頁”設置為前向關聯事件，即可限制只有后續觸發了“瀏覽商品詳情頁”行為的待歸因事件才可以算作對轉化事件產生了貢獻。對于周期內先觸發一些待歸因事件，但后續不經商品詳情頁直接發生了購買行為（如在直播間直接秒殺提交訂單），則不視為此階段觸發的待歸因事件對目標事件產生了貢獻，此階段的待歸因事件不會參與計算。

• 設置關聯屬性（可選）

設置關聯屬性與設置前向關聯事件一樣，是提升歸因模型計算精度的方式。通過設置關聯屬性，可指定目標轉化事件的某屬性屬性值和前向關聯事件的某屬性屬性值一致，才算作對轉化行為成功貢獻。

如：在以上電商場景的示例中，可通過設置關聯屬性，在設置關聯事件邏輯的基礎上實現限制目標轉化事件（提交訂單）與前向關聯事件（商品詳情頁瀏覽）的商品ID的屬性值須一致，確保瀏覽的商品詳情頁和提交訂單的是同一個商品。如果瀏覽的是商品A下單的是商品B，則不視為關聯事件前的待歸因事件對目標事件產生了實際貢獻，此階段的待歸因事件不參與計算。

關聯屬性只對屬性值是否一致做判斷，為滿足擁有同一含義但屬性跟隨事件有不同命名的場景，可使用不同的屬性進行關聯。如：

在商品詳情頁瀏覽事件中，可能以屬性“商品ID”上報商品的唯一ID，在提交訂單事件中，可能以屬性“提交訂單的商品編碼”上報商品的唯一ID，他們都對應商品的唯一ID“AA123456”，這種情況下設置前向關聯事件“商品詳情頁瀏覽”的事件屬性“商品ID”與目標轉化事件“提交訂單”的事件屬性“提交訂單的商品編碼”關聯，當屬性值相等時即為前向關聯事件關聯成功。

選擇待歸因事件（必要）

• 設置待歸因事件

待歸因事件不可與目標轉化事件相同，虛擬事件若包含目標轉化事件，也視為與目標轉化事件相同，不可支持。除此之外，所有類型的事件都可以設置為待歸因事件。

• 設置待歸因事件的篩選條件、別名（可選）

歸因分析的篩選條件設置、添加別名的邏輯與事件分析相同

• 設置關聯屬性（可選）

支持待歸因事件與目標轉化事件做關聯屬性，即指定待歸因事件某屬性的屬性值與目標事件某屬性的屬性值一致，才算作待歸因事件為本次轉化做出貢獻，如：

通過設置“提交訂單”的訂單ID與“使用優惠券”時的訂單ID須關聯成功，才算作本次使用優惠券為提交訂單真正做出貢獻。

• 設置分組、全局篩選、用戶分群（可選）

歸因分析的設置分組、全局篩選、用戶分群邏輯與事件分析相同

• 選擇歸因模型

當前支持四種最常見的歸因模型：首次觸點歸因、末次觸點歸因、線性歸因、位置歸因和時間衰減歸因。業務方可以根據自己的業務需求靈活選擇最合適的分析模型

A、首次觸點歸因

多個“待歸因事件”對同一個“目標轉化事件”做出貢獻時，認為第一個有效的“待歸因事件”功勞為100%。

首次觸點歸因適用于新品牌、新產品推廣的場景，或是業務正處在拉新和市場開拓時期，這時業務關心把更多的用戶先圈進客戶池，通常可用首次觸點歸因看哪些渠道對業務拉新最有效，刺激客戶轉化的最初事件是什么，是什么待歸因行為最先驅動了用戶進行目標轉化的認知。

需要注意的是，首次觸點歸因不太適用于轉化周期較長的業務，由于周期和窗口期的限制，可能無法采集真正的首次行為。

B、末次觸點歸因

多個“待歸因事件”對同一個“目標轉化事件”做出貢獻時，認為最后一個有效的“待歸因事件”功勞為100%。

末次歸因的數據不易丟失，適用于想做短期的投放以快速提升效果的業務場景，或注重最終銷售轉化效果的公司，了解什么行為最能促進最終轉化。

C、線性歸因

多個“待歸因事件”對同一個“目標轉化事件”做出貢獻時，認為每個有效的“待歸因事件”的功勞相同，平均分配。

線性歸因可以將功勞平均分配給業務路徑中的各個階段，適用于企業期望在整個銷售周期內保持與客戶的聯系，并維持品牌認知度的公司，各待歸因事件在轉化前起到相同的作用。

線性歸因模型容易將價值比較高的渠道效果“平均”，如電商購物場景中，用戶最先通過好友分享進入商品詳情頁，后續3次從收藏夾進入商品詳情頁，最后實現成交，線性歸因會將好友分享的貢獻視為25%貢獻，將收藏夾視為75%貢獻，好友分享的權重過低，收藏夾權重過高。

D、位置歸因：多個“待歸因事件”對同一個“目標轉化事件”做出貢獻時，認為第一個和最后一個“待歸因事件”各占40%的功勞，其余“待歸因事件”平分剩余的20%的功勞。

位置歸因也叫做U型歸因模型，是一種多觸點的歸因模型，適合于十分重視銷售線索和促成銷售的公司，此模型弱化了過程中的營銷刺激效果，適合于重視銷售線索階段的公司。

E、時間衰減歸因

多個「待歸因事件」對同一個「目標轉化事件」做出貢獻時，距離目標轉化事件越短的待歸因事件貢獻功勞越多。

6.設置歸因窗口期

歸因分析模型有兩個時間相關的口徑：時間范圍、歸因分析窗口期

• 時間范圍：同事件分析一樣，時間范圍是目標轉化事件發生的時間周期范圍

• 歸因分析窗口期：歸因分析會按照目標轉化事件發生的客戶端時間，在窗口期內進行待歸因事件的回溯，本次目標轉化事件的窗口期內觸發的待歸因事件才視作對本次轉化產生了貢獻

如以下case中：

在不設置關聯事件和關聯屬性的前提下，目標事件G_1發生在設置的時間范圍內，設置窗口期為1天，即模型將按照目標事件發生的前24h向前回溯行為流，回溯截止時間之后、本次目標轉化事件前發生的所有待歸因事件視為參與了有效轉化。即圖中的待歸因事件A_2、A_3、A_4會參與模型計算，A_1由于在回溯期外，不參與模型計算。

歸因窗口期設置可以選擇當天或自定義

• 當天：要求觸發目標轉化事件后，向前截至當日0點追溯待歸因事件

• 自定義：可選天、小時、分鐘，滿足向前截至目標事件發生前n天、n小時、n分鐘的回溯周期場景

結果展示

完成模型配置后，點擊「開始分析」即可發起查詢。歸因分析的查詢結果由明細數據表展示。

分析圖表中展示各待歸因事件下的待歸因事件點擊-總點擊數、待歸因事件點擊-有效轉化點擊數、待歸因事件點擊-有效轉化點擊數、目標轉化事件-觸發次數、目標轉化事件貢獻度。

• 待歸因事件點擊-總點擊數：在時間周期+窗口期范圍內，此待歸因事件的發生次數。此指標和歸因模型、目標事件無關

舉例：歸因分析選擇了2號~8號的時間周期，歸因窗口期選擇當天，那么總點擊數即為2號~8號期間待歸因事件發生的總次數；如歸因窗口期選擇1天，總點擊數即為1號~8號期間此待歸因事件發生的總次數

• 待歸因事件點擊-有效轉化點擊數：在時間周期+窗口期范圍內，每個目標轉化事件之前的有效待歸因事件的總次數

舉例：歸因分析2號~8號的時間周期，歸因窗口期選擇當天，那么有效轉化點擊數則為每個目標轉化事件觸發當天發生的、滿足關聯前向關聯事件/屬性條件的待歸因事件點擊次數

• 有效轉化點擊率：有效轉化點擊數/總轉化數

• 目標轉化事件-觸發次數：周期內根據選擇的歸因模型計算方式，能將轉化歸因為此待歸因事件成功貢獻的次數比如首次轉化

• 目標轉化事件貢獻度：目標轉化事件的總次數 / 所有目標轉化事件的總次數之和

• 其他：未歸因的事件。舉例：要分析事件A的歸因，在待歸因時間中選擇了B、C、D、E來進行歸因分析，但實際還有F，那么F則為其他歸因事件。

計算方式舉例

歸因分析2號~8號的時間周期，歸因窗口期選擇當天，用戶行為序列為：（1號）A_3 ,（2號）A_1, A_3 , （3號）A_1,（8號）A_1, G_1, A_1, A_3 , A_1, A_2,G_2, A_2,（9號） A_3,G_3，按照位置歸因模型。

• A_1-總點擊數=5；A_2-總點擊數=2；A_3-總點擊數=3；

• A_1-有效轉化點擊數=4；A_2-有效轉化點擊數=1；A_3-有效轉化點擊數=1；

• A_1-有效轉化點率=80%；A_2-有效轉化點擊率=50%；A_3-有效轉化點擊率=33.3%；

對G_1 而言G_1 -> {A_1(100%)}，對G_2而言G_2-> {A_1（40%）,A_1（6.6%）, A_3（6.6%） , A_1（6.6%）, A_2（40%）}，A_2雖然在8號當日內，但無法關聯至任何目標轉化事件， A_3、G_3超出周期不計算。

• A_1的目標轉化事件-觸發次數= 1*100*（1.0+0.4+0.067+0.067）/100 =1.534；A_3的目標轉化事件-觸發次數=1*100*（0.067）/100 =0.067；A_2的目標轉化事件-觸發次數=1*100*（0.4）/100 =0.4；

• A_1-貢獻度=1.534/2=76.7%；A_2-貢獻度=0.4/2=20%；A_2-貢獻度=0.067/2=3.35%