- 综合排序
- 最热优先
- 最新优先
- 来自专栏HsuHeinrich
渠道归因（一）传统渠道归因
渠道归因（一）传统渠道归因 小P：小H，我又来了。。。最近在做ROI数据，但是有个问题。。。 小H：什么问题，不就是收入/成本吗？ 小P：是的，每个渠道的成本很容易计算，但是收入就有点问题了。 说到渠道归因，那最容易想到的就是传统的渠道归因，这种方法一般是基于业务决策的。 首次归因：首次点击渠道赋予全部转化 末次归因：末次点击渠道赋予全部转化 线性（平均）归因：每个渠道均分转化 位置归因：自定义位置的权重，一般首位占50%，其余为0 时间衰减归因：距离转化的时间越短的渠道 3.195 6 2 alpha > iota > alpha > alpha > alpha > iota > ... 2 6.754 6 3 beta > eta 1 2.402 3 4 iota > 例如1->2，则1的权重是66.6%；1->2->3，则1的权重是50%，2的权重是33.3% def lapsAttribution(df, path, conversions, last_time_lapse
69520编辑于 2023-08-10 - 来自专栏HsuHeinrich
渠道归因（三）基于Shapley Value的渠道归因
渠道归因（三）基于Shapley Value的渠道归因 通过Shapley Value可以计算每个渠道的贡献权重，而且沙普利值的计算只需要参加的渠道总数，不考虑顺序，因此计算成本也较低。 pd import matplotlib.pyplot as plt import seaborn as sns 本文所有数据如果有需要的同学可关注公众号HsuHeinrich，回复【数据挖掘-渠道归因 ：渠道流转路径，英文逗号分隔 converted：成功转化次数 marketing_channel_subset converted 0 Email 110 1 Email,Facebook 11 2 总结 日常业务中，可以结合多个方法看一下归因的差异。 共勉～ 参考 python实现Shapley Value[1] Multi-Touch-Attribution_ShapleyValue官方示例[2] Shapley Value Methods for
81320编辑于 2023-08-10 - 来自专栏素质云笔记
多渠道归因分析（Attribution）：传统归因（一）
文章目录 1 归因分析 2 传统归因分析方法 2.1 传统归因分析 2.2.1 最终互动归因模型 2.2.2 最终非直接点击归因模型 2.2.3 最终AD点击归因 2.2.4首次互动归因 2.2.5 4 归因分析的服务商 1 zoho CRM —— 营销归因 2 Google Attribution 360使用 3 VisualIQ 4 Convertro 5 归因分析的一些案例 5.1 亚马逊广告归因 2 传统归因分析方法 2.1 传统归因分析 参考自文章[1][2][3] 还有文章：【数据分析思维】多因素影响下如何归因？ GA里面的归因模型有非常多种，分为单触点归因和多触点归因。 （2）一次转化中最高的渠道是哪个，这个就是优质渠道，需要加大投入。 参考文献 1 互联网广告的归因分析(Attribution Analysis) 2 2.3、流量的高级分析与流量渠道的协同：归因和归分析型 3 【科普】深度解析亚马逊广告归因（含案例解析） 4 【数据分析思维
2.9K43编辑于 2021-12-07 - 来自专栏HsuHeinrich
渠道归因（二）基于马尔可夫链的渠道归因
渠道归因（二）基于马尔可夫链的渠道归因 在应用当中，序列中的每个点通常映射为一个广告触点，每个触点都有一定概率变成真正的转化。通过这种建模，可以选择最有效，概率最高的触点路径。 本文主要参考自python实现马尔可夫链归因[1]。 马尔可夫链是一个过程，它映射运动并给出概率分布，从一个状态转移到另一个状态。 所以马尔可夫链模型可以用来做归因分析。 attribution.fit(df) # 输出结果 for key, value in ma['Markov Values'].items(): print (key.ljust(15), round(value,2) total_conversions total_conversion_value 0 eta 3440.255709 13711.503304 1 iota 3732.042103 14535.970443 2
96540编辑于 2023-08-10 - 来自专栏seth-shi的专栏
广告归因-让你彻底弄归因架构实现
app, 然后首次安装启动时能从本地存储获取到归因数据 曝光归因 曝光归因由于有数据量极大、不会使用此项 点击归因(常用) 所谓点击归因, 就是点击广告之后首个转化, 基本都是用这种方式归因 归因模型 根据不同框架, 把数据解析到统一请求上 $req = new AdClickRequest(); // 2. 根据不同框架, 把数据解析到统一请求上 $req = new AppReportRequest(); // 2. 提示投放, 是通过什么归因成功的(oaid), 等等其它信息 事件回传联调, 把所有可能的事件列出来, 事件建议用JSON存储, 存成{"event1": "status1", "event2": " status2"}这样 事件回传成功, 整个归因联调完成
2K21编辑于 2023-12-18 - 来自专栏素质云笔记
多渠道归因分析：python实现马尔可夫链归因（三）
本篇主要是python实现马尔科夫链归因，关联的文章： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（ 三） 多渠道归因分析（Attribution）：python实现Shapley Value（四） 多渠道归因分析（Attribution）：用attention-RNN来做归因建模（附代码demo）（五 所以马尔可夫链模型可以用来做归因分析。 论文：吸收态马尔可夫链及其应用中的一则使用： 2 R语言实现 基本，参考：数据运营36计：马尔可夫链对营销渠道归因建模，R语言实现 官方论文： https://papers.ssrn.com/sol3 这是一个多渠道归因模型问题。 Google Analytics（分析）的定义有助于：归因模型是一个或一组规则，用于确定如何将销售和转化功劳分配给转化路径中的接触点。
1.4K21编辑于 2021-12-07 - 来自专栏素质云笔记
多渠道归因分析：互联网的归因江湖（二）
本篇主要是python实现马尔科夫链归因，关联的文章： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（ 由于非Facebook的广告使用的是第三方归因平台如AppFlyer、Adjust或者Kochava，他们并没有Facebook的归因数据，所以双方是独立的归因系统和归因逻辑，也就是会存在多次计费的可能 2）将应用自然流量上（organic）归因到了Facebook的广告上：广告在Facebook 的流量或者联盟流量上曝光过，但是没有转化，最终用户主动的在Google play或者APP Store 上进行了转化激活 2 “有效触点”的归因方案——广告主角度 最痛的应该就是广告主。但实际上，广告主要发现这里的问题也是相当不容易的。 首先，广告主做用户增长的团队需要有懂广告归因的人，况且即便懂了这套归因逻辑，也很难区分有效触点归因“抢”了多少自然量。
1.7K41编辑于 2021-12-07 - 来自专栏互联网数据官iCDO
分析小贴士：归因模型 101
今天，我们将列举一些常用的归因模型，并演示如何使用Googel Analytics 归因模型对比工具来为你的业务挑选最适合的模型。 归因模型应用示例 假设你的网站售卖烧烤架。 一周之后，他在Facebook上点击了一个关于免费送货2日达的帖子。而周末就是美国的纪念日了，他需要烧烤架！Grillmaster先生通过点击这个帖子广告进入了网站，但他仍然需要先跟妻子商量商量。 Google Analytics 归因模型101 在末次互动归因模型中，我们将转化的全部功劳归于用户的最后一个触点。 末次非直接点击归因模型忽视了直接流量，把转化功劳全归因于在完成销售之前的最后一次渠道点击。 我们再来看更多模型： 与末次互动相似，首次互动归因模型把转化功劳全归因于首次触点——在Grillmaster先生的例子中，即为自然搜索。 线性归因模型在各个渠道之间平均分配成功转化分数。
1.5K60发布于 2018-03-02 - 来自专栏万能的小草
网站及APP坑位流量归因分析-（2）数据采集篇
前一节讲到多种流量归因的模型，本质上流量归因是为了辅助我们如何将钱花的更有价值以及高效洞察用户的习惯和行为，为下一步迭代产品的功能提供数据支撑。 今天这一节，结合具体的业务场景来看看流量归因分析如何在数据采集方案上落地的。 业内通用五大基本归因方案 旺盛的小草，公众号：万能的小草网站及APP坑位流量归因分析-（1）理论篇 一、背景 比如B站的产品内，提供了非常多的入口能够使得用户进入直播间里面。 2. 计算路径去重：统计页面跳转记为有效路径，不同层级跳转记为无效路径，剔除异常数据。 数据采集需要的信息如下： 字段顺序 字段名称 字段类型 字段注释 1 bili_code STRING 埋点点位编码 2 app_key STRING APP编码 3 app_name STRING APP
1.6K20编辑于 2022-09-21 - 来自专栏钱塘小甲子的博客
Brison归因与代码
不管是做FOF也好，仅仅想单纯归因也好，Brison是一种比较常见，也算是通用的归因方法，其一般用于权益类或者大类资产配置类基金。 其实Brison归因的逻辑很简单，假设有一个基准，基准在各类资产的配置上的权重分别是wbi（weight of benchmark of asset i），这些资产的收益率分别是rbi（return of benchmark of asset i），同样的，我们有一个需要归因的基金产品，也就是我们自己的组合，在各类资产上的权重是wpi（weight of portfolio of asset i），收益率分别是 所谓的Brison归因就是把一个组合的超额收益分解为资产配置的能力、个券选择的能力、以及交互收益。
91831发布于 2019-03-15 - 来自专栏互联网数据官iCDO
【分析方法】归因分析入门
这就是归因模型的目的，寻找出媒介中哪个接触点是确定有助于成功转换的营销渠道，然后将值分配给每个通道，最终计算出营销投资回报率。 我们所面临的挑战，是B2B的客户们很少用线性的路线到你的门口。 让我们来看看每一个普及的模型，看看每一步骤的归因。这样我们就可以权衡利弊。 最后点击（Last-Click） ? 这归因模型功劳于转化前的最后一个通道，这就是我们以上举例的重定向广告。 缺点：它需要一个以上的搜索和点击，或者像一个B2B买家寻找并考虑一个解决方案，初次点击归因并不能够解释所有后续所发生的用户行。 缺点：时间衰减归因对最后转化有贡献，但是是初始的触达的渠道有打折扣，例如Facebook或者最初的搜索会话。 自定义（Custom ） ? 这就是“圣杯”归因模型！ 你需要对其他模型非常了解再来运用自定义归因模型 正如你所看到的，这里有很多归因模型，找到一个适合你的业务的模型途径需要测试并且优化。使用一些虚拟数据集来测试不同的广告项目和媒介渠道。
3.4K80发布于 2018-03-02 - 来自专栏互联网数据官iCDO
针对B2B的多触点归因追踪分析平台——Proof介绍
译者注： 国内已经开始有专门针对营销渠道归因的分析平台（例如目标科技），而美国人在这一块做的更多，已经有数个相当高质量的专门归因分析的工具问世。Proof是其中很有代表性的一个。 这是一个经历多年B2B实践磨砺的新技术解决方案。 ? 与B2C售卖方式不同，B2B往往需要花费好几个月的时间才能达成最终的售卖。 Proof平台的归因分析引擎可以展现出很多具有延时性效果的工作对最终售卖的影响。比如像市场营销活动，以及为了提升售卖率、消费者认知度、员工留任率等的努力。这套引擎正在申请专利中。 ? Mark Stouse还介绍到，Proof最本质的功能就是为了帮助B2B企业的管理层能够弄清楚花费与效果之间的关系。“没有其他人在如此的探寻时间滞后效应的原因”，Stouse进一步强调。 ? 第一个因素是需要通过多触点归因追踪消费者的行为，记录下诸如消费者浏览过的网站，下载过的白皮书或者其它对最终购买有影响的行为。
1.6K50发布于 2018-03-02 末次触达归因的挑战与突破：从“单点归因”到“全局视角”的进化
若仅以LTA归因，抖音和小红书的贡献将被完全忽略，导致品牌高估微信的短期价值，而低估前期种草内容的长期价值。 2. 2. 多触点归因模型：平衡短期与长期价值 除MMM外，品牌还可结合其他多触点归因模型（如线性归因、时间衰减模型）优化策略： 线性归因：平均分配各触点的贡献值，适合强调全链路体验的品牌（如奢侈品）。 2. 奢侈品行业 奢侈品消费者决策周期长，且高度依赖品牌信任。LTA的短期归因可能导致品牌忽视社交互动和品牌活动的长期影响。 改用多触点归因后，品牌发现KOL合作对最终购买的贡献率达25%，并据此调整投放策略。 3. B2B行业 B2B客户的决策路径复杂，涉及多部门协作。LTA无法捕捉销售团队与数字广告的协同效应。 去标识化数据 品牌需采用去标识化数据（如哈希处理的用户ID）进行归因分析，避免侵犯用户隐私。例如，某金融科技公司通过加密用户邮箱哈希值，实现跨平台归因，同时符合GDPR合规要求。 2.
72310编辑于 2025-05-28- 来自专栏张俊红
利用ChatGPT快速进行指标的异常归因
指标的异常归因是数据分析师日常工作中遇到的最高频问题之一。 关于异常归因的核心问题其实就两个：一个是从哪些维度进行指标拆解，另一个是各个维度之间的贡献度分别是多少？ 我们在实际工作场景中就完全可以利用ChatGPT来提高日常归因的效率。
74510编辑于 2023-09-06 - 来自专栏MixLab科技+设计实验室
归因分析指南v1.0
此影响，有点像1+1>2的情况，不容易把为什么大于2的影响因素归因到某个1。 我们进一步抽象下： 我们把行业记为H， 投资组合记为A， 权重记为w， 分配效果记为A（w1 * H1，w2 * H2，w3 * H3） 基准记为H1base，Abase 分配影响记为Ea 选择影响记为 Es 相互作用影响记为Ei Ea比较的是： W1,w2,w3 W1base,w2base,w3base Es比较的是: H1/H1base Ei比较的是: Ei=wa*Ea + ws*Es wa跟ws的权重大小 2 合理地根据具体业务选择适合的归因模型； Mix, match, or compare attribution models in your analysis 3 可视化的重要性 可视化图表的选择代表了所想要展示的规律 - 功能2 预测分析 Predictive analytics. Predicting the future is what data was made for. 数据的存在价值就是为了预测未来。
2.8K20发布于 2020-07-17 - 来自专栏GA小站
归因模型的演进路径：从规则分配到“人”为中心的归因体系
在数字营销领域，“归因”从来不只是一个技术问题，而是一个如何理解用户决策过程的问题。随着媒介环境、数据能力和用户识别方式的变化，归因模型也经历了明显的阶段性演进。 从整体上看，这条演进路径可以概括为三个阶段： 阶段 1：基于规则的归因（Rule-based Attribution） 阶段 2：基于算法的归因（Data-Driven Attribution, DDA 、结果可解释 常见的规则归因模型包括：： 模型 归因逻辑 最后一次点击（Last Click） 转化归功于最后一个触点 第一次点击（First Click） 转化归功于第一个触点 线性归因 所有触点平均分配 时间衰减 越接近转化，权重越高 位置归因 首次与最后一次权重更高 延伸阅读：Web端广告归因模型全解析：从单触点到多触点归因 这一阶段的归因模型，适用于： 渠道数量有限 用户路径较短 Cookie/ 阶段 2：基于算法的归因（Data-Driven Attribution） DDA的核心不再是规则，而是：基于历史转化路径，分析触点出现与转化之间的统计关系，估算每个渠道的边际贡献 常见方法包括：马尔可夫链
15610编辑于 2026-03-12 - 来自专栏常用算法专栏
归因模型：解读用户旅程的“功劳分配算法”
二、历史起源：从单点归因到多点归因的认知演进 归因模型的发展史，本质上是营销人对用户决策旅程认知不断深化、以及数据分析技术不断进步的历史。 数字营销中期：规则模型的出现：广告主逐渐意识到最终点击的弊端，催生了首批多点触达归因模型，如首次点击（强调拉新）、线性归因（平均分配）、时间衰减（越近越重要）、位置归因（U型模型，强调首尾）等。 实现营销与销售目标的一致对齐：在B2B等长周期业务中，归因模型帮助市场部证明其产生的早期线索对最终销售的贡献，解决市场与销售部门间的“功劳之争”，促进团队协作。 跨设备归因的挑战：用户可能在手机上看广告，在电脑上完成购买。传统基于Cookie的归因已失效，需要借助跨设备识别技术或概率模型。 线下转化的归因盲区：线上广告可能驱动线下门店购买。 窗口期长短会根本改变归因结果，需根据产品决策周期合理设定。 警惕“过度归因”与内部博弈：复杂归因可能让市场部声称对几乎所有销售负责，引发部门矛盾。
47820编辑于 2025-12-21 - 来自专栏素质云笔记
多渠道归因分析（Attribution）：用attention-RNN来做归因建模（附代码demo）（五）
之前几篇多渠道归因分析应该算是比较通用的一些方法论： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（三 ） 多渠道归因分析（Attribution）：python实现Shapley Value（四） 多渠道归因分析（Attribution）：用attention-RNN来做归因建模（附代码demo）（五） 加入 1.5 customer profile — embedding layer + ANN：额外融入用户属性信息 1.6 融合层 2 下游应用 2.1 下游应用一：分配路径权重 2.2 下游应用二 案例代码demo解读 3.1 数据样式 3.2 训练与预测 3.3 确定最优影响力的路径 3.4 确定attention weight 4 后续YY 参考文献 1 基于注意力的循环神经网络多点触摸归因模型 （markov考虑了顺序） 未融入用户属性信息 1.2 注意力的循环神经网络多点触摸归因模型框架 一种基于注意力的循环神经网络多点触摸归因模型，以监督学习的方式预测一系列事件是否导致转换(购买)。
1K11编辑于 2021-12-07 - 来自专栏得物技术
得物App白屏优化系列｜归因篇
本文将介绍从用户视角出发的白屏检测方案以及线上白屏问题的大致归因思路。 并且其内部实现了超时机制，超过500ms后会回调异常码，但是由于在子线程执行，时间片调度未必及时，实测经常会超过500ms，因此需要自行计算耗时，如果超过一定阈值（例如2s），说明设备此时性能不佳，应当关闭白屏检测或者暂停一段时间 如果一个日志不符合任意一种环境问题，那么就需要对白屏中的所有图片单独做归因，最后再取占比最高的问题类型作为整体的白屏归因。 归因策略特殊异常问题OCSP问题（网络篇有介绍），解码异常，证书校验异常此类问题都伴有特殊的基础库异常，可以直接归因，不像CDN节点异常和弱网之间存在着重叠部分，还需要现场信息佐证。 这也证明了该策略对脏数据归因的准确性。归因优先级我们目前问题归因的优先级从高到低如下，主要按归因证据的可信度来排序。
91610编辑于 2024-09-03 - 来自专栏互联网数据官iCDO
多触点归因模型真适合你吗？
当你意识到市场营销应该产生收入并需要一个营销归因模型来追踪收入来源，那下一个问题就是，你应该用哪一种归因模型？ B2B 还是 B2C 营销 选择归因模型的首个要点是B2B和B2C的划分。一般来说，B2B营销者应该使用多触点归因模型，而B2C应该使用单触点模型。这里面有几个原因。 首先，B2B交易通常会把数人的互动看作为单个“账户”的互动，这就意味着涉及了更多的触点。其次, B2B 的整个销售周期通常持续数周甚至数月。 唯一要注意的是，如果你的B2C公司里有一支销售团队，你的营销和其效果测量相对于典型的B2C公司来说会更像一间B2B公司。 在很多B2B机构中，当一个潜在用户到达机遇期，销售团队已经获取了用户的信任。但是，现在很多B2B机构寄希望于提升转化漏斗尾部渠道的正面体验来寻找对潜在用户更好的营销效果。
2.4K100发布于 2018-03-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号