在用户行为分析领域，数据分析方法的科学应用结合理论推导，能够相对完整地揭示用户行为的内在规律。而归因是精细化运营必不可少的利器，归因的目的，终究是为了提升运营转化与收入增长。本文详细介绍了归因分析模型的概念和应用场景，与大家分享。

在 PC 互联网时代，一个网站吸引新用户的主要方式之一就是投放线上广告。而同样一篇广告可以投放至多个渠道，一个用户也可能在不同渠道商多次看到广告才发生购买。这时候用户虽然是最后一次看到广告才发生点击，但前面的几次曝光 可能给用户留下了印象，建立了心理认知，因此对用户的本次点击亦有贡献。

那么如何将用户点击行为的“贡献”合理地 分配到每一个渠道呢？这便是渠道归因要解决的问题。通过渠道归因来衡量渠道的效果，反过来可以指导业务人员在渠道 投放时合理分配投入。

一、归因分析概述

随着移动互联网的兴起，业务的形态越来越复杂，站内归因(也常被称作“坑位归因”)的需求日趋增多。以自营电商为 例:同样的一个商品，可能会在站内多处“坑位”产生曝光，比如:首页 Banner 的特卖活动页、商品详情页的相关推荐、 购物车页面下方的推荐列表中。运营人员会需要知道这些“坑位”对商品最终成单产生的“贡献”分别是多大，从而指导 站内的商品运营工作，例如将主推的商品推至成单贡献度高的坑位中，给予更多的曝光从而带来更多的转化。

对于归因分析而言，一个很重要的命题即是，针对当前的场景和目标，怎么把“贡献”合理分配到每一个坑位上。下面我 们就以站内归因为例，普及一下几种常见的归因分析计算思路。假设一个用户一天内使用 APP 的行为顺序如下:

首先，启动 APP，进入首页，先行搜索，在搜索结果列表页看到了商品 A，浏览了商品 A 的详情，觉得不错，但是并未购买， 退出 APP。然后，再次启动 APP，看到首页顶部 Banner，点击进入活动分会场，浏览过程中再次看到商品 A，点击再次 查看商品 A 详情。接着，直接退出到了首页，底部推荐列表中推荐了一篇商品 A 的用户评论，点击进入，再次查看商品 A 的详细信息。最后，下定决心，购买了商品 A。

以上过程是一个非常典型的用户购买决策路径，在整个过程中用户一共三次浏览到了商品 A 的详情页，均通过不同的入口 发生访问。如果将这个用户的成单转化的功劳分配到对应的 3 个坑位上，实际上这类问题其实并没有标准答案。以下介绍 几种常见的思路供参考。

图 四种常见的归因思路

1. 首次归因

多个待选中触点时，认为第一个的功劳为 100%。理由是第一个触点给用户建立了认知，与用户形成了连接。适用于重视 新用户线索的业务。

2. 末次归因

多个待选中触点时，认为最后一个的功劳为 100%。这种思路适用范围最为广泛，常用于电商业务的站内归因的计算。

3. 线性归因

多个待选中触点时，认为每个“待归因事件”平均分配此次功劳。适合坑位效果比较平均的产品。

4. 位置归因

多个待选中触点时，认为第一个和最后一个各占 40% 功劳，其余平分剩余的 20% 功劳。兼顾最初的线索和最终的决策。

除此之外，还有“时间筛选归因”，“末次非直接点击”的归因计算思路，此处不再详细阐述，感兴趣的读者可进一步查阅 相关资料。以上每一种归因计算思路均有各自的考量和不同的适用范围，没有绝对的孰优孰劣，在实际的应用过程当中， 需要根据自身业务特点来选择合适的归因计算思路。

二、归因分析应用示例

1. 场景：电商业务下站内归因

回到上面那个电商案例中，我们对 2月3日至2月5日成交订单进行归因分析，此处我们选用的归因计算方式是“末次归因”。归因窗口期设为 1 天，即观察用户在发生订单行为之前的 24 时之内点击了哪些坑位。然后再找到离“提交订单”最 近的一个坑位点击行为。

最终得到的结果如下图，APP 内多个坑位中，首页精选推荐，商详页相关推荐，首页 Banner 以及首页运营位对于成单的 贡献分别占据了 37.5%、20.83%、20.83%、12.5%。搜索和购物车下方的相关推荐仅带来不足 10% 的成单贡献。通过这 个结果，可以清晰地反映如下几点信息:

1. 最终的贡献度反映了不同坑位对最终成单转化的贡献及互相之间的差异。
2. 对比不同坑位的有效转化点击率，可得知不同坑位对用户的吸引程度。

图 电商业务下的站内归因

注：总点击数和有效点击次数的区别。在所选的时间段内以及往前回溯的窗口期，总点击数是总共发生了多少次坑位点击，其中绝大部分是没有带来最终成单转化的，而带来的成单转化的那些点击即视作为有效点击数。因此有效转化点击率可能衡量坑位的吸引程度。转化率越高则吸引程度越大，发生一次坑位点击则有更大的概率带来转化。

事实上，凡是有成交、充值环节的业务，都可以通过归因分析来帮助我们在众多的营销触点当中，找到最有效、对用户认知影响最明显的一个或几个触点。以此来指导我们在后续的站内资源位分配时，给不同的业务分配最适合它的资源位。

#相关阅读#

常见用户行为分析模型解析（1）——行为事件分析

常见用户行为分析模型解析（2）——用户留存分析

常见用户行为分析模型解析（3）——漏斗分析

常见用户行为分析模型解析（4）——用户行为路径分析

常见用户行为分析模型解析（5）——用户分群

常见用户行为分析模型解析（6）——点击分析

常见用户行为分析模型解析（7）—— 间隔分析模型

作者：张乔，神策数据内容营销负责人。公众号：神策数据

本文由@张乔  原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。