01
“归因分析”简介
一般听到“归因分析”的时候，大多数人的第一反应是“渠道归因”，也就是说哪个投放渠道能够带来更多高质量的用户。但是其实还有一种“运营位”的归因分析。笔者在向他人介绍这种分析方式的时候，一般会先引入一个比较生动的例子：假如用户在app上做了一系列操作后进行了支付转化，我们把此次转化所带来的收益贡献当成是一块“蛋糕”，那应该怎么“公平”地划分这块蛋糕，把功劳合理地分配给app的各类营销策略和运营位、商品栏目等，从而决定哪些板块能够最大程度带来用户支付转化，这是很多运营策划者和数据分析者迫切想知道的。所以，用一句话概括“归因分析”的含义，就是“用来衡量某个目标行为的各项前序行为对目标行为的转化贡献多少的分析模型”。比如在电商平台里，用户在点击各个运营位、广告位、推荐位后可能会进行支付行为，那哪些坑位会对促用户转化起到更大的作用，这个问题是可以通过“归因分析”回答的。
02
“归因分析”分类
既然“归因分析”是“分配功劳”的工具，那就会有不同的“功劳”计算和分配方法。下面介绍一些常见的归因方式：
- 线性归因：有多个运营位都带来最终转化收益时，将“功劳”平均分配，避免“不均”的情况。这种归因方式适合运营位分配较为均匀或者坑位分工较为细致的产品
- 首次归因：有多个运营位都带来最终转化收益时，将“功劳”全部分配给第一个触点。一般“靠线索吃饭”的企业会使用这种归因方式，比如教育行业、房地产行业等靠用户留资获得线索的企业。
- 末次归因：与“首次归因”相反，末次归因就是将“功劳”全部分配给最后一次运营位的操作行为，适合一些用户决策较快的产品，例如电商等，一般转化前的运营坑位是刺激用户转化的直接贡献者。
- 位置归因：有多个运营位都带来最终转化收益时，给首尾两个运营位各40%“功劳”，剩下20%的功劳平均分给其他的运营位。这种归因方式结合了首次归因和末次归因的特点，如果企业重视线索的作用，但是觉得用户转化前最后的决策也起到了关键作用，可使用这种方法。
- 时间衰减归因：有多个运营位都带来最终转化收益时，时间上越靠近最后转化收益的运营位贡献越大。这个计算方式依赖统计学知识，笔者就不多赘述。
03
“归因分析”的计算方式
这里笔者就较为简单的“线性归因”给各位读者展示具体的计算方式，只要理解这里的例子，其他的归因方式大同小异：
假设这是某用户在某电商app内的行为，我们想要知道促成该用户支付这两笔订单的因素是什么，具体贡献有多少（对应数字是商品id，例如支付订单1，就是支付购买了商品1，浏览商详1就是浏览了商品1的商详页）：
Step 1：假设这边设定可能影响用户支付转化决策的因素有：搜索、点击推荐位、点击广告位、点击banner位。我们从商品1的这笔订单往前追溯这些决策因素分别是：点击banner位A，点击推荐位A，点击广告B。然后到商品2 的订单，我们这边先定义一个向前追溯的“窗口期”为1天，也就是说从支付商品2的订单往前推1天内的行为才会纳入商品2订单的前向归因因素（图中的黑色竖线就是1天追溯期的界限）。这样设置的原因是用户行为序列上过早的行为可能是很久之前的，对最终的转化其实没有什么作用。我们从商品2的这笔订单往前追溯这些决策因素分别是：点击广告位B，点击广告位C，搜索商品2。
Step 2：在找到两笔订单对应的前向影响因素后，我们根据线性归因“平均分配”的原则对各因素打分：
（1）商品1订单：
点击banner位A = 0.33
点击推荐位A = 0.33
点击广告位B = 0.33
（2）商品2订单：
点击广告位B = 0.33
点击广告位C = 0.33
搜索商品2 = 0.33
Step 3：对上述得分进行加和得到：
点击推荐位 = 0.33
点击广告位 = 0.33 + 0.33 + 0.33 = 1
点击banner位 = 0.33
搜索商品 = 0.33
总计 = 0.33 + 1 + 0.33 + 0.33 = 2
Step 4：上述四个因素的得分占比，就是他们对这两笔订单的转化贡献：
点击推荐位 = 0.33 / 2 = 16.67%
点击广告位 = 1 / 2 = 50%
点击banner位 = 0.33 / 2 = 16.67%
搜索商品 = 0.33 / 2 = 16.67%
总的来说，在这个场景中，点击广告位对于最终两笔订单支付转化的贡献度最大，占比达到50%。
04
“归因分析”的应用
app的某个页面一开始在布局的时候，可能是根据业务经验进行设计，但是有时候对业务贡献最大的坑位反而会被放到不显眼的位置，运营坑位的作用没有被最大化。通过归因分析，可以找到提升关键指标的重要因素，并将其前置放到用户易接触的位置，从而提升转化效果。
当然了，归因分析的应用场景不只是这个，各家企业可根据自己的业务情况自由发挥，找到属于自己的“关键因素”。
05
结语
结合笔者的经验，由于归因分析理解和应用的难度较高，它是一个很容易被忽视的模型。如果能够合理利用，将会为提升收益带来很大帮助。当然，“归因分析”并不是万能的，在某些复杂场景里其实并不适用这种模型，例如汽车行业：每卖出一辆汽车，受到的影响因素太多，不光是那些汽车媒体的线上触点，还有各类车展、4s店活动等线下活动，且汽车这种非快消品客单价高，用户决策周期长，难以用这种归因模型去找到“如何卖车”的关键因素。总的来说还是需要具体问题具体分析的~
来源：一个数据人的自留地