归因分析

概述

每次用户在完成业务关注的转化行为前，都会经历一段复杂的行为流和决策过程。转化前的用户行为流中往往包含多个和目标转化相关性较高、极可能促成转化的因子事件，因此，业务方需要判断各因子事件对转化行为的贡献程度。归因分析功能内置了多种常见的归因分析模型，业务方可以根据其业务特性选择合适的归因模型，将“贡献”合理地分配到每个因子事件上。

其中，Quick Tracking中的“目标转化事件”即为上述的“转化行为”，通常是用户在应用中达成业务目的时的行为，相关因子行为为“待归因事件”，通常是可能促成目标转化行为的事件。例如在电商购买场景中，用户可能先在搜索框中搜索了此商品，再在推广位击了此商品的活动信息...最后在收到促销短信后完成了购买行为，购买行为则为“目标转化事件”，搜索商品、广告位点击、点击促销短信等行为则为此场景下的“待归因事件”。

归因分析可帮助回答以下问题：

• 电商场景中用户发生了购买行为，淘宝内首页搜索、活动会场、猜你喜欢这些站内资源位对这次成交分别贡献了多少？

• 电商场景中，使用满减优惠券、参与权益活动等行为对订单金额的累加值分别贡献多少？

• 地产应用中用户留下了电话线索，房源查看、房源询价、房价动态信息订阅、收到他人房源推荐等行为，对最终留下电话线索分别贡献了多少？

• 用户开通了影视会员，试看了付费影视资源、收到了会员开通优惠信息、将即将上映的付费资源加入收藏夹、查看会员权益页、收到了会员到期提醒等行为，对最终会员的开通分别贡献了多少？

功能介绍

页面组成

归因分析模型主要由「信息配置区」、「界面组成分析结果区域」、「历史查询列表区域」三个部分组成。

• 在「信息配置区」指定目标转化事件、待归因事件、设置关联事件、前向关联属性及筛选分组条件、选择归因模型、设置归因窗口期

• 在「界面组成分析结果区域」进行查询结果的表格展示

• 在「历史查询列表区域」进行报表的保存、更新、历史报表查看及数据导出

功能操作

选择目标转化事件（必要）

• 选择目标转化事件

所有类型的事件（含虚拟事件）都可以作为目标转化事件，通常为业务关注的盈利事件

• 选择目标转化事件的贡献度计算指标

支持目标转化事件的发生次数、其数值型事件属性的累加值、数值型用户属性的累加值。支持设置多个指标，同时查询各待归因事件对目标转化事件相关多个指标的贡献，满足横向对比的分析场景

• 设置前向关联事件（可选）

设置前向关联事件及属性可以提升归因模型计算的精度，将某事件设置为目标转化事件的前向关联事件后，会限制用户在待归因事件触发后、目标转化事件前触发了前向关联事件才算做出真正贡献。前向关联事件将作为行为流的切分规则，只有触发前向关联事件之前的待归因事件，才视作对目标转化事件的有效贡献参与计算。前向关联事件可以设置多个，触发任意一个即可产生切分效果。

在此case举例中：

A、按照目标事件切分后，在每个目标事件序列中按照时间窗口确定有效回溯窗口，只计算回溯窗口期内的待归因事件，即待归因事件A_0和前向关联事件F_4不参与计算

B、按前向关联事件切分，只计算每个前向关联事件序列中的待归因事件，即待归因事件A_4没有前向关联事件，所以待归因事件A_4不统计

C、待归因事件A_2和A_3的前项关联事件是F_1，待归因事件A_1的前项关联事件是F_2, 因为前项关联事件F_3前没有待归因事件，可以理解为是未经过任何待归因事件的直接转换，若以首次归因模型计算，此次转化将不记在任何待归因事件的贡献里，计为通过“其它”行为贡献的转化。

设置前向关联事件可满足如下场景：

以电商场景的购买行为为例，提交订单为目标转化事件，商品宣传位点击和商品搜索为待归因事件，无论是何种待归因事件，在实现转化之前必须触发浏览商品详情页的行为，若将“浏览商品详情页”设置为前向关联事件，即可限制只有后续触发了“浏览商品详情页”行为的待归因事件才可以算作对转化事件产生了贡献。对于周期内先触发一些待归因事件，但后续不经商品详情页直接发生了购买行为（如在直播间直接秒杀提交订单），则不视为此阶段触发的待归因事件对目标事件产生了贡献，此阶段的待归因事件不会参与计算。

• 设置关联属性（可选）

设置关联属性与设置前向关联事件一样，是提升归因模型计算精度的方式。通过设置关联属性，可指定目标转化事件的某属性属性值和前向关联事件的某属性属性值一致，才算作对转化行为成功贡献。

如：在以上电商场景的示例中，可通过设置关联属性，在设置关联事件逻辑的基础上实现限制目标转化事件（提交订单）与前向关联事件（商品详情页浏览）的商品ID的属性值须一致，确保浏览的商品详情页和提交订单的是同一个商品。如果浏览的是商品A下单的是商品B，则不视为关联事件前的待归因事件对目标事件产生了实际贡献，此阶段的待归因事件不参与计算。

关联属性只对属性值是否一致做判断，为满足拥有同一含义但属性跟随事件有不同命名的场景，可使用不同的属性进行关联。如：

在商品详情页浏览事件中，可能以属性“商品ID”上报商品的唯一ID，在提交订单事件中，可能以属性“提交订单的商品编码”上报商品的唯一ID，他们都对应商品的唯一ID“AA123456”，这种情况下设置前向关联事件“商品详情页浏览”的事件属性“商品ID”与目标转化事件“提交订单”的事件属性“提交订单的商品编码”关联，当属性值相等时即为前向关联事件关联成功。

选择待归因事件（必要）

• 设置待归因事件

待归因事件不可与目标转化事件相同，虚拟事件若包含目标转化事件，也视为与目标转化事件相同，不可支持。除此之外，所有类型的事件都可以设置为待归因事件。

• 设置待归因事件的筛选条件、别名（可选）

归因分析的筛选条件设置、添加别名的逻辑与事件分析相同

• 设置关联属性（可选）

支持待归因事件与目标转化事件做关联属性，即指定待归因事件某属性的属性值与目标事件某属性的属性值一致，才算作待归因事件为本次转化做出贡献，如：

通过设置“提交订单”的订单ID与“使用优惠券”时的订单ID须关联成功，才算作本次使用优惠券为提交订单真正做出贡献。

• 设置分组、全局筛选、用户分群（可选）

归因分析的设置分组、全局筛选、用户分群逻辑与事件分析相同

• 选择归因模型

当前支持四种最常见的归因模型：首次触点归因、末次触点归因、线性归因、位置归因和时间衰减归因。业务方可以根据自己的业务需求灵活选择最合适的分析模型

A、首次触点归因

多个“待归因事件”对同一个“目标转化事件”做出贡献时，认为第一个有效的“待归因事件”功劳为100%。

首次触点归因适用于新品牌、新产品推广的场景，或是业务正处在拉新和市场开拓时期，这时业务关心把更多的用户先圈进客户池，通常可用首次触点归因看哪些渠道对业务拉新最有效，刺激客户转化的最初事件是什么，是什么待归因行为最先驱动了用户进行目标转化的认知。

需要注意的是，首次触点归因不太适用于转化周期较长的业务，由于周期和窗口期的限制，可能无法采集真正的首次行为。

B、末次触点归因

多个“待归因事件”对同一个“目标转化事件”做出贡献时，认为最后一个有效的“待归因事件”功劳为100%。

末次归因的数据不易丢失，适用于想做短期的投放以快速提升效果的业务场景，或注重最终销售转化效果的公司，了解什么行为最能促进最终转化。

C、线性归因

多个“待归因事件”对同一个“目标转化事件”做出贡献时，认为每个有效的“待归因事件”的功劳相同，平均分配。

线性归因可以将功劳平均分配给业务路径中的各个阶段，适用于企业期望在整个销售周期内保持与客户的联系，并维持品牌认知度的公司，各待归因事件在转化前起到相同的作用。

线性归因模型容易将价值比较高的渠道效果“平均”，如电商购物场景中，用户最先通过好友分享进入商品详情页，后续3次从收藏夹进入商品详情页，最后实现成交，线性归因会将好友分享的贡献视为25%贡献，将收藏夹视为75%贡献，好友分享的权重过低，收藏夹权重过高。

D、位置归因：多个“待归因事件”对同一个“目标转化事件”做出贡献时，认为第一个和最后一个“待归因事件”各占40%的功劳，其余“待归因事件”平分剩余的20%的功劳。

位置归因也叫做U型归因模型，是一种多触点的归因模型，适合于十分重视销售线索和促成销售的公司，此模型弱化了过程中的营销刺激效果，适合于重视销售线索阶段的公司。

E、时间衰减归因

多个「待归因事件」对同一个「目标转化事件」做出贡献时，距离目标转化事件越短的待归因事件贡献功劳越多。

6.设置归因窗口期

归因分析模型有两个时间相关的口径：时间范围、归因分析窗口期

• 时间范围：同事件分析一样，时间范围是目标转化事件发生的时间周期范围

• 归因分析窗口期：归因分析会按照目标转化事件发生的客户端时间，在窗口期内进行待归因事件的回溯，本次目标转化事件的窗口期内触发的待归因事件才视作对本次转化产生了贡献

如以下case中：

在不设置关联事件和关联属性的前提下，目标事件G_1发生在设置的时间范围内，设置窗口期为1天，即模型将按照目标事件发生的前24h向前回溯行为流，回溯截止时间之后、本次目标转化事件前发生的所有待归因事件视为参与了有效转化。即图中的待归因事件A_2、A_3、A_4会参与模型计算，A_1由于在回溯期外，不参与模型计算。

归因窗口期设置可以选择当天或自定义

• 当天：要求触发目标转化事件后，向前截至当日0点追溯待归因事件

• 自定义：可选天、小时、分钟，满足向前截至目标事件发生前n天、n小时、n分钟的回溯周期场景

结果展示

完成模型配置后，点击「开始分析」即可发起查询。归因分析的查询结果由明细数据表展示。

分析图表中展示各待归因事件下的待归因事件点击-总点击数、待归因事件点击-有效转化点击数、待归因事件点击-有效转化点击数、目标转化事件-触发次数、目标转化事件贡献度。

• 待归因事件点击-总点击数：在时间周期+窗口期范围内，此待归因事件的发生次数。此指标和归因模型、目标事件无关

举例：归因分析选择了2号~8号的时间周期，归因窗口期选择当天，那么总点击数即为2号~8号期间待归因事件发生的总次数；如归因窗口期选择1天，总点击数即为1号~8号期间此待归因事件发生的总次数

• 待归因事件点击-有效转化点击数：在时间周期+窗口期范围内，每个目标转化事件之前的有效待归因事件的总次数

举例：归因分析2号~8号的时间周期，归因窗口期选择当天，那么有效转化点击数则为每个目标转化事件触发当天发生的、满足关联前向关联事件/属性条件的待归因事件点击次数

• 有效转化点击率：有效转化点击数/总转化数

• 目标转化事件-触发次数：周期内根据选择的归因模型计算方式，能将转化归因为此待归因事件成功贡献的次数比如首次转化

• 目标转化事件贡献度：目标转化事件的总次数 / 所有目标转化事件的总次数之和

• 其他：未归因的事件。举例：要分析事件A的归因，在待归因时间中选择了B、C、D、E来进行归因分析，但实际还有F，那么F则为其他归因事件。

计算方式举例

归因分析2号~8号的时间周期，归因窗口期选择当天，用户行为序列为：（1号）A_3 ,（2号）A_1, A_3 , （3号）A_1,（8号）A_1, G_1, A_1, A_3 , A_1, A_2,G_2, A_2,（9号） A_3,G_3，按照位置归因模型。

• A_1-总点击数=5；A_2-总点击数=2；A_3-总点击数=3；

• A_1-有效转化点击数=4；A_2-有效转化点击数=1；A_3-有效转化点击数=1；

• A_1-有效转化点率=80%；A_2-有效转化点击率=50%；A_3-有效转化点击率=33.3%；

对G_1 而言G_1 -> {A_1(100%)}，对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虽然在8号当日内，但无法关联至任何目标转化事件， A_3、G_3超出周期不计算。

• A_1的目标转化事件-触发次数= 1*100*（1.0+0.4+0.067+0.067）/100 =1.534；A_3的目标转化事件-触发次数=1*100*（0.067）/100 =0.067；A_2的目标转化事件-触发次数=1*100*（0.4）/100 =0.4；

• A_1-贡献度=1.534/2=76.7%；A_2-贡献度=0.4/2=20%；A_2-贡献度=0.067/2=3.35%