在用戶行為分析領(lǐng)域，數(shù)據(jù)分析方法的科學(xué)應(yīng)用結(jié)合理論推導(dǎo)，能夠相對完整地揭示用戶行為的內(nèi)在規(guī)律。而歸因是精細(xì)化運營必不可少的利器，歸因的目的，終究是為了提升運營轉(zhuǎn)化與收入增長。本文詳細(xì)介紹了歸因分析模型的概念和應(yīng)用場景，與大家分享。

在 PC 互聯(lián)網(wǎng)時代，一個網(wǎng)站吸引新用戶的主要方式之一就是投放線上廣告。而同樣一篇廣告可以投放至多個渠道，一個用戶也可能在不同渠道商多次看到廣告才發(fā)生購買。這時候用戶雖然是最后一次看到廣告才發(fā)生點擊，但前面的幾次曝光 可能給用戶留下了印象，建立了心理認(rèn)知，因此對用戶的本次點擊亦有貢獻(xiàn)。

那么如何將用戶點擊行為的“貢獻(xiàn)”合理地 分配到每一個渠道呢？這便是渠道歸因要解決的問題。通過渠道歸因來衡量渠道的效果，反過來可以指導(dǎo)業(yè)務(wù)人員在渠道 投放時合理分配投入。

一、歸因分析概述

隨著移動互聯(lián)網(wǎng)的興起，業(yè)務(wù)的形態(tài)越來越復(fù)雜，站內(nèi)歸因(也常被稱作“坑位歸因”)的需求日趨增多。以自營電商為 例:同樣的一個商品，可能會在站內(nèi)多處“坑位”產(chǎn)生曝光，比如:首頁 Banner 的特賣活動頁、商品詳情頁的相關(guān)推薦、 購物車頁面下方的推薦列表中。運營人員會需要知道這些“坑位”對商品最終成單產(chǎn)生的“貢獻(xiàn)”分別是多大，從而指導(dǎo) 站內(nèi)的商品運營工作，例如將主推的商品推至成單貢獻(xiàn)度高的坑位中，給予更多的曝光從而帶來更多的轉(zhuǎn)化。

對于歸因分析而言，一個很重要的命題即是，針對當(dāng)前的場景和目標(biāo)，怎么把“貢獻(xiàn)”合理分配到每一個坑位上。下面我 們就以站內(nèi)歸因為例，普及一下幾種常見的歸因分析計算思路。假設(shè)一個用戶一天內(nèi)使用 APP 的行為順序如下:

首先，啟動 APP，進(jìn)入首頁，先行搜索，在搜索結(jié)果列表頁看到了商品 A，瀏覽了商品 A 的詳情，覺得不錯，但是并未購買， 退出 APP。然后，再次啟動 APP，看到首頁頂部 Banner，點擊進(jìn)入活動分會場，瀏覽過程中再次看到商品 A，點擊再次 查看商品 A 詳情。接著，直接退出到了首頁，底部推薦列表中推薦了一篇商品 A 的用戶評論，點擊進(jìn)入，再次查看商品 A 的詳細(xì)信息。最后，下定決心，購買了商品 A。

以上過程是一個非常典型的用戶購買決策路徑，在整個過程中用戶一共三次瀏覽到了商品 A 的詳情頁，均通過不同的入口 發(fā)生訪問。如果將這個用戶的成單轉(zhuǎn)化的功勞分配到對應(yīng)的 3 個坑位上，實際上這類問題其實并沒有標(biāo)準(zhǔn)答案。以下介紹 幾種常見的思路供參考。

圖 四種常見的歸因思路

1. 首次歸因

多個待選中觸點時，認(rèn)為第一個的功勞為 100%。理由是第一個觸點給用戶建立了認(rèn)知，與用戶形成了連接。適用于重視 新用戶線索的業(yè)務(wù)。

2. 末次歸因

多個待選中觸點時，認(rèn)為最后一個的功勞為 100%。這種思路適用范圍最為廣泛，常用于電商業(yè)務(wù)的站內(nèi)歸因的計算。

3. 線性歸因

多個待選中觸點時，認(rèn)為每個“待歸因事件”平均分配此次功勞。適合坑位效果比較平均的產(chǎn)品。

4. 位置歸因

多個待選中觸點時，認(rèn)為第一個和最后一個各占 40% 功勞，其余平分剩余的 20% 功勞。兼顧最初的線索和最終的決策。

除此之外，還有“時間篩選歸因”，“末次非直接點擊”的歸因計算思路，此處不再詳細(xì)闡述，感興趣的讀者可進(jìn)一步查閱 相關(guān)資料。以上每一種歸因計算思路均有各自的考量和不同的適用范圍，沒有絕對的孰優(yōu)孰劣，在實際的應(yīng)用過程當(dāng)中， 需要根據(jù)自身業(yè)務(wù)特點來選擇合適的歸因計算思路。

二、歸因分析應(yīng)用示例

1. 場景：電商業(yè)務(wù)下站內(nèi)歸因

回到上面那個電商案例中，我們對 2月3日至2月5日成交訂單進(jìn)行歸因分析，此處我們選用的歸因計算方式是“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 時之內(nèi)點擊了哪些坑位。然后再找到離“提交訂單”最 近的一個坑位點擊行為。

最終得到的結(jié)果如下圖，APP 內(nèi)多個坑位中，首頁精選推薦，商詳頁相關(guān)推薦，首頁 Banner 以及首頁運營位對于成單的 貢獻(xiàn)分別占據(jù)了 37.5%、20.83%、20.83%、12.5%。搜索和購物車下方的相關(guān)推薦僅帶來不足 10% 的成單貢獻(xiàn)。通過這 個結(jié)果，可以清晰地反映如下幾點信息:

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

圖 電商業(yè)務(wù)下的站內(nèi)歸因

注：總點擊數(shù)和有效點擊次數(shù)的區(qū)別。在所選的時間段內(nèi)以及往前回溯的窗口期，總點擊數(shù)是總共發(fā)生了多少次坑位點擊，其中絕大部分是沒有帶來最終成單轉(zhuǎn)化的，而帶來的成單轉(zhuǎn)化的那些點擊即視作為有效點擊數(shù)。因此有效轉(zhuǎn)化點擊率可能衡量坑位的吸引程度。轉(zhuǎn)化率越高則吸引程度越大，發(fā)生一次坑位點擊則有更大的概率帶來轉(zhuǎn)化。

事實上，凡是有成交、充值環(huán)節(jié)的業(yè)務(wù)，都可以通過歸因分析來幫助我們在眾多的營銷觸點當(dāng)中，找到最有效、對用戶認(rèn)知影響最明顯的一個或幾個觸點。以此來指導(dǎo)我們在后續(xù)的站內(nèi)資源位分配時，給不同的業(yè)務(wù)分配最適合它的資源位。

#相關(guān)閱讀#

常見用戶行為分析模型解析（1）——行為事件分析

常見用戶行為分析模型解析（2）——用戶留存分析

常見用戶行為分析模型解析（3）——漏斗分析

常見用戶行為分析模型解析（4）——用戶行為路徑分析

常見用戶行為分析模型解析（5）——用戶分群

常見用戶行為分析模型解析（6）——點擊分析

常見用戶行為分析模型解析（7）—— 間隔分析模型

作者：張喬，神策數(shù)據(jù)內(nèi)容營銷負(fù)責(zé)人。公眾號：神策數(shù)據(jù)

本文由@張喬? 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。