編輯導(dǎo)語(yǔ)：當(dāng)一個(gè)消費(fèi)者完成多觸點(diǎn)消費(fèi)旅程后，品牌分不清究竟是哪個(gè)渠道的功勞。面臨多渠道消費(fèi)，企業(yè)該如何選擇一種有效的渠道評(píng)估手段？作者分享了兩類(lèi)常見(jiàn)的歸因分析：規(guī)則歸因和算法歸因，幫助我們更好地進(jìn)行渠道評(píng)估，一起來(lái)看下。

企業(yè)在做全渠道營(yíng)銷(xiāo)時(shí)，希望找到一種簡(jiǎn)單、有效的方式來(lái)評(píng)估渠道質(zhì)量，以此為依據(jù)來(lái)動(dòng)態(tài)優(yōu)化資源投放優(yōu)先級(jí)。一般企業(yè)用渠道點(diǎn)擊率或轉(zhuǎn)化金額來(lái)直接評(píng)估渠道質(zhì)量，這也是最容易理解、操作最簡(jiǎn)單的一種渠道質(zhì)量評(píng)估手段。當(dāng)面臨的渠道越來(lái)越多時(shí)，怎樣才是一種有效的渠道評(píng)估手段呢？

首先，看一下某品牌典型的全渠道用戶旅程：

一個(gè)消費(fèi)者在朋友圈看到品牌發(fā)布的廣告，點(diǎn)擊查看了廣告詳情；第二天，他訪問(wèn)了品牌的微信公眾號(hào)，了解了更多信息；接下來(lái)多次訪問(wèn)了品牌微商城，并到就近門(mén)店體驗(yàn)后領(lǐng)取了一張優(yōu)惠券，最后下載了品牌 APP 并使用優(yōu)惠券完成下單。

這樣一個(gè)多觸點(diǎn)消費(fèi)者旅程在當(dāng)下全渠道品牌企業(yè)中非常普遍，但品牌一直有一個(gè)疑問(wèn)，最終這一筆轉(zhuǎn)化的功勞到底如何算到到各個(gè)渠道呢？

歸因分析就是為解決這一類(lèi)問(wèn)題而生的，只有算清楚了各渠道貢獻(xiàn)度，才能把有限的市場(chǎng)費(fèi)用投入得恰到好處，帶來(lái)更大的收益。

常見(jiàn)有兩類(lèi)歸因分析：規(guī)則歸因和算法歸因。

一、規(guī)則歸因：基于人工的啟發(fā)式歸因分析

規(guī)則歸因是一種基于運(yùn)營(yíng)人員經(jīng)驗(yàn)的歸因手段，帶有比較明顯的主觀判斷，可能因?yàn)檫\(yùn)營(yíng)的選擇帶來(lái)完全不同的結(jié)果。主要包括如下：

1. 末歸因

在這幾個(gè)規(guī)則模型中，末歸因應(yīng)用最廣，也最容易理解。100% 功勞計(jì)算在最終轉(zhuǎn)化渠道。稍微思考一下會(huì)發(fā)現(xiàn)末歸因有一些問(wèn)題。以足球隊(duì)為類(lèi)比，渠道就是球員，每個(gè)球員都為最終獲勝做出了貢獻(xiàn)，但獎(jiǎng)金只發(fā)給臨門(mén)一腳的人，這顯然是不公平的，會(huì)導(dǎo)致所有球員爭(zhēng)搶臨門(mén)一腳，不愿意配合，會(huì)導(dǎo)致整體能力退化。

這種規(guī)則適用于轉(zhuǎn)化路徑比較短，渠道比較單一的業(yè)務(wù)，觸達(dá)既轉(zhuǎn)化，這是符合廣告初衷的，希望每一次都是臨門(mén)一腳，亞馬遜廣告采用的就是這種模型。

2. 首歸因

第一個(gè)渠道獲得 100% 的功勞。類(lèi)比足球比賽中每一次進(jìn)攻發(fā)起者獲得所有功勞，獎(jiǎng)金只發(fā)給發(fā)起進(jìn)攻的人，這顯然也不是很公平。

這個(gè)模型側(cè)重于引流，強(qiáng)調(diào)獲客，適用于知名度低、新品牌建設(shè)和產(chǎn)品推廣初期進(jìn)行歸因分析。比較有經(jīng)驗(yàn)的新銳品牌創(chuàng)始人在推廣產(chǎn)品初期非常喜歡用這種模型評(píng)估各個(gè)渠道價(jià)值，以此來(lái)加大渠道投入。

3. 線性歸因

每個(gè)渠道平均分配 100% 的功勞。類(lèi)比球場(chǎng)上每個(gè)球員不管貢獻(xiàn)大小，平分獎(jiǎng)金。這種模型也明顯具有弊端，容易造成吃大鍋飯，某些渠道的作用被夸大，同時(shí)某些渠道的作用被低估。相比前兩種模型，線性歸因最大優(yōu)點(diǎn)是一個(gè)多觸點(diǎn)歸因模型，可以將功勞劃分給每個(gè)不同階段的營(yíng)銷(xiāo)渠道。

線性歸因不適用于某些渠道價(jià)值特別突出的業(yè)務(wù)。比如，一個(gè)消費(fèi)者在線下門(mén)店體驗(yàn)了商品，然后回家搜索，連續(xù)三天都通過(guò)微商城了解商品信息，并在第四天成交。那么按照線性歸因模型，微商城會(huì)分配到 75% 的權(quán)重，而線下門(mén)店只得到了 25% 的權(quán)重，這種情況線下門(mén)店的重要性便被忽視了。

根據(jù)線性歸因模型的特點(diǎn)，更適用于品牌期望在整個(gè)消費(fèi)者生命周期內(nèi)保持與客戶的聯(lián)系，并維持品牌忠誠(chéng)度的公司，比如一些決策周期長(zhǎng)，購(gòu)買(mǎi)頻率低的商品。這種情況各個(gè)渠道在消費(fèi)者轉(zhuǎn)化過(guò)程中起到相同的促進(jìn)作用。

4. 時(shí)間衰減歸因

越靠近轉(zhuǎn)化時(shí)間的渠道功勞越大，這個(gè)模型兼顧了末歸因優(yōu)點(diǎn)同時(shí)兼顧了之前各個(gè)渠道的貢獻(xiàn)，相比線性歸因模型的平均分配，時(shí)間衰減模型讓不同渠道得到了不同的權(quán)重，符合生活經(jīng)驗(yàn)和思維模式，容易被接受。

當(dāng)然時(shí)間衰減模型問(wèn)題是，在漏洞頂部的營(yíng)銷(xiāo)渠道永遠(yuǎn)得不到高分，因?yàn)樗鼈兛偸蔷嚯x轉(zhuǎn)化最遠(yuǎn)的那個(gè)，這樣就會(huì)忽略某些渠道在業(yè)務(wù)增長(zhǎng)中的重要性。

根據(jù)時(shí)間衰減模型的特點(diǎn)，更適用于消費(fèi)決策周期短、銷(xiāo)售周期短的商品。比如，做短期促銷(xiāo)、快閃店等，就做了兩天的營(yíng)銷(xiāo)，那么這兩天的渠道應(yīng)獲得更高的功勞。

5. 原始?xì)w因

這種模型就不解釋了，基本沒(méi)人用。

二、算法歸因：基于數(shù)據(jù)驅(qū)動(dòng)的全局概率歸因分析

以上這些規(guī)則歸因都是基于一系列人工規(guī)則，獨(dú)立看每一次轉(zhuǎn)化，進(jìn)行功勞分配，再把相同渠道的功勞相加，得到每個(gè)渠道功勞。而隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)的發(fā)展，一種新的歸因手段逐漸發(fā)展，這就是算法歸因，也叫數(shù)據(jù)驅(qū)動(dòng)歸因（DDA）。與人工規(guī)則最大的不同是，算法歸因站在整個(gè)轉(zhuǎn)化大數(shù)據(jù)的基礎(chǔ)上，全局的看各渠道與最終轉(zhuǎn)化的關(guān)系，自動(dòng)生成更加客觀，更加實(shí)證和科學(xué)的歸因結(jié)果。

在許多的算法歸因模型中，有兩種算法歸因效果十分顯著，夏普利值歸因（Shapley Value Attribution）和馬爾科夫鏈歸因（Markov-Chain Attribution），兩種算法的差別如下：

相同點(diǎn)：都是基于全局視角，理清關(guān)系后求整體的渠道影響力。

不同點(diǎn)：馬爾科夫鏈更加突出轉(zhuǎn)化路徑中各個(gè)渠道的先后順序，而沙普利值的計(jì)算只需知道有哪些渠道參與了轉(zhuǎn)化，對(duì)于數(shù)據(jù)量大，渠道多的業(yè)務(wù)，沙普利值的算力要求會(huì)小一些。比如谷歌就采用了沙普利值歸因。

本文會(huì)重點(diǎn)介紹馬爾科夫鏈歸因。

數(shù)學(xué)家-安德雷·馬爾科夫

戰(zhàn)斗民族的數(shù)學(xué)家安德雷.馬爾科夫?qū)Q策的貢獻(xiàn)普遍應(yīng)用到了歸因上，下面舉一個(gè)例子說(shuō)明多渠道下馬爾科夫鏈的計(jì)算過(guò)程：

假設(shè)某品牌做了一次營(yíng)銷(xiāo)活動(dòng)，在朋友圈（P），抖音（O），門(mén)店（S）三個(gè)渠道一共產(chǎn)生了八次互動(dòng)，其中兩個(gè)轉(zhuǎn)化（C），兩個(gè)未轉(zhuǎn)化（N）。

第一步：把三個(gè)渠道的八次互動(dòng)畫(huà)成以下 4 條路徑。

第二步：把路徑拆成對(duì)子。

第三步：根據(jù)每個(gè)節(jié)點(diǎn)到其他節(jié)點(diǎn)的概率我們可以畫(huà)下面這張全路徑概率圖——決策樹(shù)。

第四步，計(jì)算出決策樹(shù)中 C 的概率。

由于決策樹(shù)里有三條路徑中含有無(wú)限循環(huán) PS，在計(jì)算 TOT2、TOT3、TOT4 時(shí)需要用無(wú)限等比數(shù)列求和公式，Sum = a / ( 1 – q )，計(jì)算過(guò)程省略，最后得到 C 概率 TOT 為 4/7。

第五步，利用損失效應(yīng)，衡量每個(gè)渠道對(duì)于 C 概率的影響，也就是衡量渠道的重要性。

把 P 去掉，決策樹(shù)如下：

P 不存在，則 S 也無(wú)法實(shí)現(xiàn)轉(zhuǎn)化。轉(zhuǎn)化只能通過(guò) StarOC ，轉(zhuǎn)化概率從原始的 4 / 7 降到 1 / 8，因此 P 在轉(zhuǎn)化率中的 attribution 應(yīng)該是 1 – ( 1 / 8 ) / ( 4 / 7 ) = 25 / 32。

把 O 去掉，決策樹(shù)如下：

O不存在，路徑只剩下 TOT3 和 TOT 4，TOT = 11 / 28，轉(zhuǎn)化概率從原始的 4 / 7 降到 11 / 28，因此 O 在轉(zhuǎn)化率中的 attribution 應(yīng)該是 1 – ( 11 / 28 ) / ( 4 / 7 ) = 5 / 16。

把 S 去掉，決策樹(shù)如下：

S不存在，只剩下以上幾條路徑，TOT = 1/4。轉(zhuǎn)化概率從原始的 4 / 7 降到 1 / 4 因此 S 在轉(zhuǎn)化率中的 attribution 應(yīng)該是1 – ( 1 / 4 ) / ( 4 / 7 ) = 9 / 16。

綜上匯總，按照馬爾科夫鏈歸因三個(gè)渠道的 attribution 如下：

P : O : S = 25 : 10 : 18

對(duì)比規(guī)則歸因的三種模型結(jié)果：

（1）按照首歸因

P : O : S = 0 : 0 : 2

（2）按照末歸因

P : O : S = 1 : 1 : 0

（3）按照線性歸因

P : O : S = 5 : 2 : 5

首歸因，完全忽略了 P 和 O 渠道的貢獻(xiàn)，高估了 S；末歸因則相反，完全忽略渠道 S 的貢獻(xiàn)；線性歸因雖然三個(gè)渠道都考慮到，但實(shí)際上高估了渠道 S 的貢獻(xiàn)。

案例：

最后用 Python 對(duì)一份網(wǎng)上找到真實(shí)數(shù)據(jù)進(jìn)行計(jì)算，其中包括 1 w 條互動(dòng)路徑、轉(zhuǎn)化數(shù)、轉(zhuǎn)化金額、無(wú)轉(zhuǎn)化數(shù)，實(shí)際看一下馬爾科夫鏈算法歸因的效果。

以下為原始數(shù)據(jù)和代碼截圖：

以下為首歸因、末歸因、線性歸因、馬爾科夫鏈對(duì)轉(zhuǎn)化次數(shù)歸因的對(duì)比：

以下為首歸因、末歸因、線性歸因、馬爾科夫鏈對(duì)轉(zhuǎn)化金額歸因的對(duì)比：

作者：劉生，公眾號(hào)：直隸暗察史

本文由 @劉生 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(lái)自Unsplash，基于CC0協(xié)議