广告归因：归因模型

2021-03-06 [2753] tutorial feynmantech attribution ad

文章目录

上一篇 广告归因：归因方法 一文中，我们讲解了归因的具体流程、归因窗口和自归因平台的概念。

本篇来讲讲常用的归因模型。归因模型的选择对归因效果和数据分析会产生决定性的影响。

阅读归因系列的所有文章： 归因系列 。

归因效果

上篇我们讲过，对于自归因平台来说，归因可以让我们得到如下效果：

  1. 是哪一部手机（可以等同于哪一个用户）点击了广告；
  2. 点击的是哪一条广告。
  3. 这条广告的效果怎么样？（用户有没有看完广告？看到广告的第几秒点击的广告？看完广告后下载的用户比例？等等……）
  4. 这条广告花了多少钱？（业内一般会按照千条计算）

更一般的说，归因让 广告主 得到这样的信息：

哪些渠道/哪一条广告转化效果最好（更多广告点击），哪些渠道的用户质量更高（更多充值），哪些渠道的用户的用户更加活跃（更多时长）。

要准确分析这些信息，可不那么容易。

归因窗口的 BUG

在 广告归因：归因方法 讲解 归因窗口 的时候，我们提到了一个 BUG：

用户点击广告，下载 APP，启动 APP，这三者之间是有时间差的。用户可能在下载 APP 的时候碰到网络失败，也可能下载 APP 之后没有立刻打开。

解决这个 BUG 的方法就是设置 归因窗口。

然而还有 BUG。

假设我们投放了 3 个视频广告，有一个用户 A，在不同的地方观看了这 3 个广告，在看完广告 3 的时候，点击下载链接下载了 APP。这是否就说明第 3 个广告的效果最好呢？如果是这个用户在看完广告 2 就想下载，只是由于正好有事忘记了（例如接了个电话），过两天看到广告 3 的时候才最终完成下载，这不能说明广告 3 的效果最好啊！

假设另一个用户 B，在看到广告 1 的时候就点击了下载，但由于各种原因，一直没有在设备上启动 APP。也就是说，没有上一篇文章中第 8 步的匹配过程，归因无法完成。直到有一天，用户 B 观看了广告 3，点击下载（已经下载过），然后启动 APP 完成了归因。这能说明广告 3 的效果是最好的么？

这两个例子，都是 归因模型 要解决的问题。

基于点击的归因模型

首次点击归因模型

首次点击或访问归因模型会将 100% 的转化功劳归于转化路径中发生的首次点击或访问。

以上面提到的 3 个视频广告为例，广告 1 承载了所有的归因功劳。

graph LR p1["100%"] p2["0%"] p3["0%"] subgraph 广告1 p1 end subgraph 广告2 p2 end subgraph 广告3 p3 end p1 --> p2 --> p3 --> 转化
首次点击归因模型

从效果上看，首次点击归因模型割裂了归因与最终转化的联系，忽视了其他因素的影响。

最终点击归因模型

最终点击或访问归因模型会将 100% 的转化功劳归于转化路径中发生的最后一次点击或访问。

以上面提到的 3 个视频广告为例，广告 3 承载了所有的归因功劳。

graph LR p1["0%"] p2["0%"] p3["100%"] subgraph 广告1 p1 end subgraph 广告2 p2 end subgraph 广告3 p3 end p1 --> p2 --> p3 --> 转化
最终点击归因模型

从效果上看，最终点击归因模型没有考虑产品宣传的认知度和兴趣作用的过程，忽略了其他广告的促进作用。

可以看到，上面的两个归因模型都不完美。事实上，有更多的归因模型可以选择。在选择模型的时候，重点并非 事实是什么，而是 你想要得到怎样的事实 。

在了解更多的归因模型之前，我们要先了解一个新的概念： 触点。

触点

在之前的 归因系列文章 中，我们仅讨论了一种触点： 点击 。

点击是重要且主要的触点，因为点击说明了用户对广告感兴趣，点击是完全主动的行为，能够反映用户的自由意志。

但 展示 也是一个重要的触点。

还是以上面的 3 个广告为例。用户 C 在看了广告 1 和广告 2 之后，没有进行点击的操作。当看完了广告 3 之后点击了下载。我们可以说广告 1 和广告 2 的 展示 就没有作用吗？如果没有广告 1 和广告 2 的 展示，用户在首次碰到广告 3 的时候，可能也不会进行 点击 操作。

除了 基于点击的归因，还有 基于展示的归因。

现在来定义 触点：

触点就是转化前发生的展示、点击和访问总量。

通过对触点比重的分配，我们可以构建更多的归因模型。

更多归因模型

线性归因/功劳均等归因模型

虽然名称不同，但都采用相同的方式计算所有触点的功劳。

graph LR p1["33.3%"] p2["33.3%"] p3["33.3%"] subgraph 展示广告1 p1 end subgraph 展示广告2 p2 end subgraph 点击广告3 p3 end p1 --> p2 --> p3 --> 转化
线性归因模型

时间衰减归因模型

触点越越接近转化发生时间，分配的功劳就越多。以 Google Ads 为例：

假设归因窗口为 28 天，那么点击每相隔 7 天，所分配的功劳就会相差一半。换言之，转化发生 8 天前的触点所获功劳是转化发生 1 天前的触点所获功劳的一半。

位置归因模型

Google Ads 会进行下面的分配：

为客户首个触点以及最终触点分别分配 40% 的功劳，将其余 20% 的功劳平均分配给其他触点。

以数据为依据的归因模型

根据转化操作的历史数据来分配转化功劳。该归因模型与其他归因模型的区别在于，它使用帐号数据计算每个触点在转化路径中的实际功劳。

参考链接

全文完