00、導語

在之前的文章里筆者寫過用戶行為分析中“漏斗分析”的概念和應用，收到了不少讀者的反饋，并希望能夠就用戶行為分析中別的分析模型進行介紹。于是筆者在此就讀者呼聲比較高，且相對難以理解的歸因分析模型進行講解。因為歸因分析本身難度較大，本篇文章就先從理論出發，讓讀者先有一個認知，在提到歸因分析時不至于“云里霧里”。

01、“歸因分析”簡介

一般聽到“歸因分析”的時候，大多數人的第一反應是“渠道歸因”，也就是說哪個投放渠道能夠帶來更多高質量的用戶。但是其實還有一種“運營位”的歸因分析。筆者在向他人介紹這種分析方式的時候，一般會先引入一個比較生動的例子：假如用戶在app上做了一系列操作后進行了支付轉化，我們把此次轉化所帶來的收益貢獻當成是一塊“蛋糕”，那應該怎么“公平”地劃分這塊蛋糕，把功勞合理地分配給app的各類營銷策略和運營位、商品欄目等，從而決定哪些板塊能夠最大程度帶來用戶支付轉化，這是很多運營策劃者和數據分析者迫切想知道的。所以，用一句話概括“歸因分析”的含義，就是“用來衡量某個目標行為的各項前序行為對目標行為的轉化貢獻多少的分析模型”。比如在電商平臺里，用戶在點擊各個運營位、廣告位、推薦位后可能會進行支付行為，那哪些坑位會對促用戶轉化起到更大的作用，這個問題是可以通過“歸因分析”回答的。

02、“歸因分析”分類

既然“歸因分析”是“分配功勞”的工具，那就會有不同的“功勞”計算和分配方法。下面介紹一些常見的歸因方式：

線性歸因：有多個運營位都帶來最終轉化收益時，將“功勞”平均分配，避免“不均”的情況。這種歸因方式適合運營位分配較為均勻或者坑位分工較為細致的產品

首次歸因：有多個運營位都帶來最終轉化收益時，將“功勞”全部分配給第一個觸點。一般“靠線索吃飯”的企業會使用這種歸因方式，比如教育行業、房地產行業等靠用戶留資獲得線索的企業。

末次歸因：與“首次歸因”相反，末次歸因就是將“功勞”全部分配給最后一次運營位的操作行為，適合一些用戶決策較快的產品，例如電商等，一般轉化前的運營坑位是刺激用戶轉化的直接貢獻者。

位置歸因：有多個運營位都帶來最終轉化收益時，給首尾兩個運營位各40%“功勞”，剩下20%的功勞平均分給其他的運營位。這種歸因方式結合了首次歸因和末次歸因的特點，如果企業重視線索的作用，但是覺得用戶轉化前最后的決策也起到了關鍵作用，可使用這種方法。

時間衰減歸因：有多個運營位都帶來最終轉化收益時，時間上越靠近最后轉化收益的運營位貢獻越大。這個計算方式依賴統計學知識，筆者就不多贅述。

03、“歸因分析”的計算方式

這里筆者就較為簡單的“線性歸因”給各位讀者展示具體的計算方式，只要理解這里的例子，其他的歸因方式大同小異：

假設這是某用戶在某電商app內的行為，我們想要知道促成該用戶支付這兩筆訂單的因素是什么，具體貢獻有多少（對應數字是商品id，例如支付訂單1，就是支付購買了商品1，瀏覽商詳1就是瀏覽了商品1的商詳頁）：

Step 1：假設這邊設定可能影響用戶支付轉化決策的因素有：搜索、點擊推薦位、點擊廣告位、點擊banner位。我們從商品1的這筆訂單往前追溯這些決策因素分別是：點擊banner位A，點擊推薦位A，點擊廣告B。然后到商品2 的訂單，我們這邊先定義一個向前追溯的“窗口期”為1天，也就是說從支付商品2的訂單往前推1天內的行為才會納入商品2訂單的前向歸因因素（圖中的黑色豎線就是1天追溯期的界限）。這樣設置的原因是用戶行為序列上過早的行為可能是很久之前的，對最終的轉化其實沒有什么作用。我們從商品2的這筆訂單往前追溯這些決策因素分別是：點擊廣告位B，點擊廣告位C，搜索商品2。

Step 2：在找到兩筆訂單對應的前向影響因素后，我們根據線性歸因“平均分配”的原則對各因素打分：

（1）商品1訂單：

點擊banner位A = 0.33

點擊推薦位A = 0.33

點擊廣告位B = 0.33

（2）商品2訂單：

點擊廣告位B = 0.33

點擊廣告位C = 0.33

搜索商品2 = 0.33

Step 3：對上述得分進行加和得到：

點擊推薦位 = 0.33

點擊廣告位 = 0.33 + 0.33 + 0.33 = 1

點擊banner位 = 0.33

搜索商品 = 0.33

總計 = 0.33 + 1 + 0.33 + 0.33 = 2

Step 4：上述四個因素的得分占比，就是他們對這兩筆訂單的轉化貢獻：

點擊推薦位 = 0.33 / 2 = 16.67%

點擊廣告位 = 1 / 2 = 50%

點擊banner位 = 0.33 / 2 = 16.67%

搜索商品 = 0.33 / 2 = 16.67%

總的來說，在這個場景中，點擊廣告位對于最終兩筆訂單支付轉化的貢獻度最大，占比達到50%。

04、“歸因分析”的應用

app的某個頁面一開始在布局的時候，可能是根據業務經驗進行設計，但是有時候對業務貢獻最大的坑位反而會被放到不顯眼的位置，運營坑位的作用沒有被最大化。通過歸因分析，可以找到提升關鍵指標的重要因素，并將其前置放到用戶易接觸的位置，從而提升轉化效果。

當然了，歸因分析的應用場景不只是這個，各家企業可根據自己的業務情況自由發揮，找到屬于自己的“關鍵因素”。

05、結語

結合筆者的經驗，由于歸因分析理解和應用的難度較高，它是一個很容易被忽視的模型。如果能夠合理利用，將會為提升收益帶來很大幫助。當然，“歸因分析”并不是萬能的，在某些復雜場景里其實并不適用這種模型，例如汽車行業：每賣出一輛汽車，受到的影響因素太多，不光是那些汽車媒體的線上觸點，還有各類車展、4s店活動等線下活動，且汽車這種非快消品客單價高，用戶決策周期長，難以用這種歸因模型去找到“如何賣車”的關鍵因素。總的來說還是需要具體問題具體分析的~