中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)語：隨著移動(dòng)互聯(lián)網(wǎng)的興起，業(yè)務(wù)的形態(tài)越來越復(fù)雜，歸因分析的需求日趨增多。本篇作者就對(duì)歸因分析進(jìn)行了概念定義和羅列了6種常見的歸因分析模型，以及實(shí)際在生活中出現(xiàn)的案例場(chǎng)景，一起來看一下吧。

一、什么是歸因分析？

在所有數(shù)據(jù)分析師面對(duì)的分析問題中，有一種類型的分析十分費(fèi)頭發(fā)，但是業(yè)務(wù)中又會(huì)經(jīng)常遇到，這種分析就是歸因分析，先看以下兩個(gè)案例：

案例1：小果在手機(jī)上看到了朋友圈廣告發(fā)布了最新的蘋果手機(jī)，午休的時(shí)候刷抖音看到了有網(wǎng)紅在評(píng)測(cè)最新的蘋果手機(jī)，下班在地鐵上刷朋友圈的時(shí)候發(fā)現(xiàn)已經(jīng)有小伙伴收到手機(jī)在曬圖了，于是喝了一杯江小白壯壯膽回家跟老婆申請(qǐng)經(jīng)費(fèi)，最后老婆批準(zhǔn)了讓他去京東買，有保障。那么問題來了，朋友圈廣告、抖音、好友朋友圈、京東各個(gè)站外渠道對(duì)這次成交分別貢獻(xiàn)了多少？

案例2：小丹在淘寶上買一雙籃球鞋 ，通過首頁搜索看到了AJ，點(diǎn)進(jìn)去看了款式和顏色，覺得真香，無奈囊中羞澀，就作罷。五一期間，小明再次打開了淘寶，看到首頁的優(yōu)惠活動(dòng)，點(diǎn)擊進(jìn)入活動(dòng)分會(huì)場(chǎng)，再次看到AJ，點(diǎn)進(jìn)去再過了一把眼癮，想想下個(gè)月的生活費(fèi)，又忍痛退出到了首頁。但是，緣分就是那么神奇，在首頁-猜你喜歡的頁面再次看到了AJ，點(diǎn)擊進(jìn)去看了一下評(píng)論和買家秀，不管了，要剁手了。那么問題來了，淘寶內(nèi)首頁搜索、活動(dòng)會(huì)場(chǎng)和猜你喜歡這些站內(nèi)的資源位對(duì)這次成交分別貢獻(xiàn)了多少？

隨著移動(dòng)互聯(lián)網(wǎng)的興起，業(yè)務(wù)的形態(tài)越來越復(fù)雜，歸因分析的需求日趨增多。上面兩個(gè)案例分別是站外渠道和站內(nèi)資源位兩個(gè)經(jīng)典場(chǎng)景下的歸因分析。場(chǎng)景雖有所區(qū)別，但是目的都是相似的。即針對(duì)當(dāng)前的場(chǎng)景和目標(biāo)，怎么把“貢獻(xiàn)”合理分配到每一個(gè)坑位上。

實(shí)際上這類問題其實(shí)并沒有標(biāo)準(zhǔn)答案，因?yàn)檎嬲臉I(yè)務(wù)錯(cuò)綜復(fù)雜，很難精準(zhǔn)地把貢獻(xiàn)進(jìn)行合理的分配，但歸因分析的需求又是如此高頻且要求很強(qiáng)的時(shí)效性，所以需要一些方法論的支撐來進(jìn)行快速嘗試，快速定位問題而不至于面對(duì)問題一臉懵B不知從何處下手。以下介紹幾種常見的歸因分析模型供參考。

二、常見的歸因分析模型

1. 末次歸因模型

也稱最后點(diǎn)擊模型，這種歸因模型將功勞100%分配給轉(zhuǎn)化前的最后一個(gè)渠道，即不管用戶發(fā)生了啥行為，只關(guān)注最后一次。這是最簡(jiǎn)單、直接，也是應(yīng)用最為廣泛的歸因模型。

優(yōu)點(diǎn)：首先它是最容易測(cè)量的歸因模型，在分析方面不容易發(fā)生錯(cuò)誤。另外由于大部分追蹤的cookie存活期只有30-90天，對(duì)于顧客的行為路徑、周期比較長(zhǎng)的場(chǎng)景，在做歸因分析的時(shí)候可能就會(huì)發(fā)生數(shù)據(jù)的丟失，而對(duì)于末次互動(dòng)模型，這個(gè)數(shù)據(jù)跟蹤周期就不是那么特別重要了。

缺點(diǎn)：這種模型的弊端也是比較明顯，比如客戶是從收藏夾進(jìn)入商品詳情頁然后形成了成交的，按照末次歸因模型就會(huì)把100%的功勞都?xì)w功于收藏夾（直接流量）。但是真實(shí)的用戶行為路徑更接近于產(chǎn)生興趣、信任、購(gòu)買意向、信息對(duì)比等各種環(huán)節(jié)，這些都是其他渠道的功勞，在這個(gè)模型中則無法統(tǒng)計(jì)進(jìn)來，而末次渠道的功勞評(píng)估會(huì)被大幅高估。

適用場(chǎng)景：短期的投放，轉(zhuǎn)化路徑少、周期短的業(yè)務(wù)快速提升，效果，按照末次歸因模型，能比較好了解到底是哪個(gè)渠道對(duì)于最終的轉(zhuǎn)化有比較好的促進(jìn)作用。

2. 首次歸因模型

也稱首次點(diǎn)擊模型，這種歸因模型將功勞100%分配給第一個(gè)觸達(dá)渠道，即不管用戶發(fā)生了啥行為，只關(guān)注第一次。如果，末次互動(dòng)是認(rèn)為，不管你之前有多少次互動(dòng)，沒有最后一次就沒有成交。那么首次互動(dòng)就是認(rèn)為，沒有我第一次的互動(dòng)，你們剩下的渠道連互動(dòng)都不會(huì)產(chǎn)生。換句話說，首次互動(dòng)模型更加強(qiáng)調(diào)的是驅(qū)動(dòng)用戶認(rèn)知的、位于轉(zhuǎn)化漏斗最頂端的渠道。

優(yōu)點(diǎn)：是一種容易實(shí)施的單觸點(diǎn)模型，初次點(diǎn)擊的歸因會(huì)讓你明確潛在消費(fèi)者是怎樣找到你的，且和最后點(diǎn)擊一樣，不需要大量的數(shù)據(jù)。

缺點(diǎn)：受限于數(shù)據(jù)跟蹤周期，對(duì)于用戶路徑長(zhǎng)、周期長(zhǎng)的用戶行為可能無法采集真正的首次行為，且初次點(diǎn)擊歸因并不能夠解釋所有后續(xù)所發(fā)生的用戶行為，對(duì)于后續(xù)的用戶行為沒有關(guān)注。

適用場(chǎng)景：一般是需要進(jìn)行拉新的時(shí)候，公司處于市場(chǎng)開拓的時(shí)候，這個(gè)時(shí)候我們關(guān)心把更多的用戶先圈過來，那么用首次互動(dòng)模型可以看出來哪些渠道對(duì)于業(yè)務(wù)拉新最有效。所以首次歸因模型對(duì)于沒什么品牌知名度、且重點(diǎn)在市場(chǎng)拓展，渠道優(yōu)化的公司，比較適用。

3. 線性歸因模型

線性歸因是多觸點(diǎn)歸因模型中的一種，也是最簡(jiǎn)單的一種，他將功勞平均分配給用戶路徑中的每一個(gè)觸點(diǎn)。

優(yōu)點(diǎn)：它是一個(gè)多觸點(diǎn)歸因模型，可以將功勞劃分給業(yè)務(wù)路徑中每個(gè)不同階段的營(yíng)銷渠道，不用考慮不同渠道的價(jià)值權(quán)重，大家一視同仁，計(jì)算也不復(fù)雜。另外，它的計(jì)算方法比較簡(jiǎn)單，計(jì)算過程中的價(jià)值系數(shù)調(diào)整也比較方便。

缺點(diǎn)：很明顯，線性平均劃分的方法不適用于某些渠道價(jià)值特別突出的業(yè)務(wù)，對(duì)于價(jià)值比價(jià)高的渠道，可能會(huì)“被平均”，因?yàn)檫@種渠道是靠質(zhì)量而不是數(shù)量贏得結(jié)果的。比如，一個(gè)客戶在線下某處看到了你的廣告，然后回家再用百度搜索，連續(xù)三天都通過百度進(jìn)入了官網(wǎng)，并在第四天成交。那么按照線性歸因模型，百度會(huì)分配到75%的權(quán)重，而線下某處的廣告得到了25%的權(quán)重，這很顯然并沒有給到線下廣告足夠的權(quán)重。

適用場(chǎng)景：根據(jù)線性歸因模型的特點(diǎn)，它更適用于企業(yè)期望在整個(gè)銷售周期內(nèi)保持與客戶的聯(lián)系，并維持品牌認(rèn)知度的公司。在這種情況下，各個(gè)渠道在客戶的考慮過程中，都起到相同的促進(jìn)作用。

4. 時(shí)間衰減歸因模型

對(duì)于路徑上的渠道，距離轉(zhuǎn)化的時(shí)間越短的渠道，可以獲得越多的功勞權(quán)重。時(shí)間衰減歸因模型基于一種假設(shè)，他認(rèn)為觸點(diǎn)越接近轉(zhuǎn)化，對(duì)轉(zhuǎn)化的影響力就越大。這種模型基于一個(gè)指數(shù)衰減的概念，一般默認(rèn)周期是7天。也就是說，以轉(zhuǎn)化當(dāng)天相比，轉(zhuǎn)化前7天的渠道，能分配50%權(quán)重，前14天的渠道分25%的權(quán)重，以此類推……

優(yōu)點(diǎn)：這個(gè)模型考慮了時(shí)間的作用，因?yàn)橐话闱闆r下也是時(shí)間越久對(duì)于用戶的轉(zhuǎn)化作用是越弱。相比線性歸因模型的平均分權(quán)重的方式，時(shí)間衰減模型讓不同渠道得到了不同的權(quán)重分配，當(dāng)然前提是基于”觸點(diǎn)離轉(zhuǎn)化越近，對(duì)轉(zhuǎn)化影響力就越大”的前提是準(zhǔn)確的情況下，這種模型是相對(duì)較合理的。

缺點(diǎn)：如果有的渠道天然處于轉(zhuǎn)化鏈路的起點(diǎn)，那么對(duì)于這些渠道是不公正的，因?yàn)樗鼈兛偸蔷嚯x轉(zhuǎn)化最遠(yuǎn)的那個(gè)，永遠(yuǎn)不會(huì)得到一個(gè)公平的權(quán)重。

適用場(chǎng)景：和末次歸因比較類似，適用于客戶決策周期短、銷售周期短、引導(dǎo)用戶完成轉(zhuǎn)化的場(chǎng)景的情況。比如，做短期的促銷，就打了兩天的廣告，那么這兩天的廣告理應(yīng)獲得較高的權(quán)重。

5. 位置歸因模型

基于位置的歸因模型，也叫U型歸因模型，它綜合了首次歸因、末次歸因、線性歸因，將第一次和最后一次觸點(diǎn)各貢獻(xiàn)40%，中間的所有觸點(diǎn)平均剩下的20%貢獻(xiàn)。

U型歸因模型也是一種多觸點(diǎn)歸因模型，實(shí)質(zhì)上是一種重視最初帶來線索和最終促成成交渠道的模型，一般它會(huì)給首次和末次互動(dòng)渠道各分配40%的權(quán)重，給中間的渠道分配20%的權(quán)重，也可以根據(jù)實(shí)際情況來調(diào)整這里的比例。

U型歸因模型非常適合那些十分重視線索來源和促成銷售渠道的公司。該模型的缺點(diǎn)則是它不會(huì)考慮線索轉(zhuǎn)化之后的觸點(diǎn)的營(yíng)銷效果，而這也使得它成為銷售線索報(bào)告或者只有銷售線索階段目標(biāo)的營(yíng)銷組織的理想歸因模型。

6. 自定義模型

你可以根據(jù)自己對(duì)于業(yè)務(wù)的理解，創(chuàng)建你自己的模型，讓其具有更具體的業(yè)務(wù)性和目的性，并可將其來和其他默認(rèn)模型做對(duì)比。

優(yōu)點(diǎn)：在這種模式下，你可以使用線性歸因、首次歸因、末次歸因、時(shí)間衰減歸因，以及位置歸因模型作為基準(zhǔn)線，通過不斷地測(cè)試，調(diào)整各個(gè)渠道的權(quán)重，最好的效果是，它可以個(gè)性化地評(píng)估當(dāng)前的業(yè)務(wù)，并可以隨著時(shí)間的推移進(jìn)行優(yōu)化。

缺點(diǎn)：在沒有先做一些測(cè)試之前不要直接使用自定義模型，不要僅靠經(jīng)驗(yàn)判斷哪些渠道的貢獻(xiàn)可能更大，實(shí)際數(shù)據(jù)上的表現(xiàn)可能會(huì)有所差異，需要基于數(shù)據(jù)的測(cè)試來進(jìn)行判斷。

三、歸因分析的實(shí)際案例

以電商用戶購(gòu)物場(chǎng)景為例，用戶進(jìn)入App到最終產(chǎn)生支付購(gòu)買行為，中間可能會(huì)有以下關(guān)鍵的渠道和坑位：

• 點(diǎn)擊搜索欄進(jìn)行搜索進(jìn)入商詳頁
• 點(diǎn)擊首頁運(yùn)營(yíng)位進(jìn)入商詳頁
• 通過點(diǎn)擊push消息進(jìn)入商詳頁
• 通過參與限時(shí)活動(dòng)進(jìn)入商詳頁
• 通過微信公眾號(hào)推動(dòng)消息進(jìn)入商詳頁
• 通過購(gòu)物車等坑位直接轉(zhuǎn)化

我們對(duì)近30日成交訂單進(jìn)行歸因分析，此處我們選用的歸因計(jì)算方式是“末次歸因”。歸因窗口期設(shè)為 1 天，即觀察用戶在發(fā)生訂單行為之前的 24 時(shí)之內(nèi)點(diǎn)擊了哪些坑位。然后再找到離“提交訂單”最 近的一個(gè)坑位點(diǎn)擊行為。

最終得到的結(jié)果如上圖，APP 內(nèi)多個(gè)坑位中，點(diǎn)擊搜索欄和直接轉(zhuǎn)化對(duì)于成單的 貢獻(xiàn)分別占據(jù)了 52.67%、27.56%。運(yùn)營(yíng)位、活動(dòng)、Push和微信公眾號(hào)的相關(guān)推薦僅帶來不足 10% 的成單貢獻(xiàn)。通過這個(gè)結(jié)果，可以清晰地反映如下幾點(diǎn)信息:

1. 最終的貢獻(xiàn)度反映了不同坑位對(duì)最終成單轉(zhuǎn)化的貢獻(xiàn)及互相之間的差異。
2. 對(duì)比不同坑位的有效轉(zhuǎn)化點(diǎn)擊率，可得知不同坑位對(duì)用戶的吸引程度。

以上就是數(shù)據(jù)分析思維—?dú)w因分析部分的內(nèi)容，部分?jǐn)?shù)據(jù)分析思維請(qǐng)翻看歷史文章，更多數(shù)據(jù)分析思維的文章持續(xù)更新中，敬請(qǐng)期待，如果覺得不錯(cuò)，也歡迎分享、點(diǎn)贊和收藏！

本文由 @數(shù)據(jù)分析星球 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于CC0協(xié)議