广告归因模型详解

一、引言

在数字广告领域，有一个经典的问题：用户看到了广告，最终产生了转化（下载、购买、注册等），那么这个转化应该归功于哪个广告？

这就是广告归因要解决的核心问题。

归因，简单来说，就是依据结果倒推原因的过程。通俗地说，这结果是谁带来的？是一个论功行赏的过程。广告归因就是把广告带来的转化效果，算在哪条广告身上。

举个例子：用户小明在 Facebook 上看到了我们的广告，没有点击；当天又在 Snapchat 上刷到了我们的广告，点击下载了 App，但打开后只看了一眼；晚上收到推送通知，产生了购买欲望，下了一单。这时候问题来了：这一单应该算是谁的贡献？这就是一个归因问题。

准确的归因对于广告投放至关重要：

  • 预算分配：哪些渠道效果好？应该增加还是减少投放？
  • 效果评估：广告创意、定向策略是否有效？
  • ROI 计算：广告投入产出比是否合理？
  • 策略优化：如何调整投放策略提升效果？

本文将系统介绍广告归因的基础概念、业界常见的归因模型，并结合实际案例深入分析电商平台的归因实践。

二、归因基础概念

2.1 什么是归因？

归因（Attribution）是指在用户完成转化行为后，将转化功劳分配给用户旅程中各个触点的过程。

用户旅程示例：

假设一个用户的转化路径如下：

  1. Day 1：在 Facebook 信息流看到品牌广告（曝光）
  2. Day 3：在 Google 搜索相关关键词，点击搜索广告（点击）
  3. Day 5：收到营销邮件，打开浏览（点击）
  4. Day 7：在 Instagram 看到再营销广告，点击后完成购买（转化）

在这个旅程中，用户接触了 4 个触点，最终完成转化。归因模型需要回答：每个触点应该获得多少功劳？

2.2 归因的核心要素

在深入归因模型之前，我们需要理解几个关键概念：

触点（Touchpoint）
用户与广告的接触点，包括：

  • 曝光（Impression）：用户看到广告
  • 点击（Click）：用户点击广告
  • 深度链接（Deep Link）：通过链接直接打开 App

有效期（Attribution Window）
也称归因窗口，指触点发生后，该触点可以被归因的时间范围。例如 7 天归因窗口意味着，触点发生后 7 天内的转化可以归因于该触点。

保护期（Protection Period）
用户被某个触点归因后，该触点独占用户的时间。在保护期内，其他触点无法抢占该用户的归因权。

归因优先级
当多个触点都符合归因条件时，按照什么规则选择最终归因触点？不同模型有不同的优先级规则。

2.3 归因面临的核心挑战

多触点问题
用户转化前可能接触多个广告，如何分配功劳？

跨设备问题
用户在手机上看到广告，在电脑上完成购买，如何关联？

时间窗口问题
窗口太短可能漏掉贡献，窗口太长可能引入噪音。

数据准确性
广告平台的点击数据、曝光数据可能存在偏差。

三、业界常见归因模型

归因模型主要分为三大类：单触点归因、多触点归因和数据驱动归因。

3.1 单触点归因模型

单触点归因将 100% 的转化功劳分配给某一个特定的触点。

3.1.1 最后点击归因（Last Click）

原理： 将转化功劳全部归因于用户转化前的最后一个点击触点。

示例：
用户旅程：Facebook 曝光 → Google 点击 → 邮件点击 → Instagram 点击 → 转化
归因结果：Instagram 点击获得 100% 功劳

优点：

  • 逻辑简单，易于理解和实施
  • 直接关联转化行为，因果关系明确
  • 适合评估直接转化效果

缺点：

  • 忽略了早期触点的培育作用
  • 可能高估最后接触渠道的价值
  • 不适合长决策周期的产品

适用场景：

  • 决策周期短的产品（如日用品、快消品）
  • 注重直接转化的广告投放

3.1.2 首次点击归因（First Click）

原理： 将转化功劳全部归因于用户旅程中的第一个触点。

示例：
用户旅程：Facebook 曝光 → Google 点击 → 邮件点击 → Instagram 点击 → 转化
归因结果：Facebook 曝光获得 100% 功劳

优点：

  • 强调品牌认知和获客的重要性
  • 适合评估品牌广告效果
  • 有助于发现新的流量来源

缺点：

  • 忽略了后续触点的促进作用
  • 可能低估转化触点的价值
  • 难以衡量直接转化效果

适用场景：

  • 品牌推广阶段
  • 新用户获取阶段
  • 需要评估品牌曝光价值

3.1.3 单触点模型对比

模型 关注点 优点 缺点 适用场景
最后点击 直接转化 因果明确 忽略培育 短决策周期
首次点击 品牌认知 发现新渠道 忽略转化 品牌推广

3.2 多触点归因模型

多触点归因将转化功劳分配给用户旅程中的多个触点，更全面地反映各触点的贡献。

3.2.1 线性归因（Linear）

原理： 将转化功劳平均分配给用户旅程中的所有触点。

示例：
用户旅程：Facebook 曝光 → Google 点击 → 邮件点击 → Instagram 点击 → 转化
归因结果：每个触点各获得 25% 功劳

优点：

  • 认可所有触点的贡献
  • 简单公平，易于理解

缺点：

  • 未区分触点的重要性
  • 可能稀释关键触点的价值

适用场景：

  • 各触点作用相对均衡的情况
  • 需要全面了解用户旅程

3.2.2 时间衰减归因（Time Decay）

原理： 距离转化时间越近的触点，获得的功劳越多。通常采用指数衰减函数。

示例：
假设衰减周期为 7 天，用户旅程：

  • Day 1：Facebook 曝光
  • Day 3：Google 点击
  • Day 5：邮件点击
  • Day 7：Instagram 点击 → 转化

归因结果（假设权重）：Instagram 点击获得 40%，邮件点击获得 30%，Google 点击获得 20%，Facebook 曝光获得 10%

优点：

  • 更符合实际转化逻辑
  • 强调近期触点的作用

缺点：

  • 可能低估早期培育触点的价值
  • 衰减函数的选择影响结果

适用场景：

  • 决策周期适中的产品
  • 需要平衡品牌培育和直接转化

3.2.3 位置归因（Position Based / U型归因）

原理： 给第一个触点和最后一个触点分配较高权重（通常各 40%），中间触点平分剩余权重（20%）。

示例：
用户旅程：Facebook 曝光 → Google 点击 → 邮件点击 → Instagram 点击 → 转化
归因结果：Facebook 曝光 40%，Instagram 点击 40%，Google 点击 + 邮件点击各 10%

优点：

  • 同时重视获客和转化
  • 平衡了首次点击和最后点击的优点

缺点：

  • 中间触点权重可能被低估
  • 权重分配主观性较强

适用场景：

  • 需要同时评估品牌和转化的场景
  • 典型的 B2B 营销场景

3.2.4 多触点模型对比

模型 分配原则 优点 缺点 适用场景
线性 平均分配 简单公平 未区分重要性 均衡旅程
时间衰减 近多远少 符合实际 早期被低估 适中周期
位置 首尾重要 平衡获客转化 中间被低估 B2B 营销

3.3 数据驱动归因

原理： 利用机器学习算法，根据历史数据自动计算各触点的实际贡献权重。

实现方式：

  1. 收集大量用户转化路径数据
  2. 使用算法（如 Shapley Value、Markov Chain）分析各触点对转化的实际贡献
  3. 动态调整权重分配

优点：

  • 基于数据而非主观假设
  • 能够发现隐藏的触点价值
  • 持续学习和优化

缺点：

  • 需要大量数据支持
  • 算法复杂，黑盒性质
  • 数据质量要求高

业界实践：

  • Google Analytics 4：采用数据驱动归因作为默认模型
  • Facebook Attribution：提供数据驱动的多触点归因
  • AppsFlyer、Adjust 等 MMP：提供数据驱动的归因方案

四、实战案例：电商平台归因实践

了解了理论模型后，我们来看任职过的公司实际的电商平台归因实践案例。某跨境电商平台采用了一套多模型并行的归因体系，既考虑了行业标准，又结合了业务特点。

4.1 整体架构说明

多模型并行机制

该平台的归因系统采用了”四套模型并行”的策略：

当用户产生转化行为时，系统会同时尝试使用四种归因模型进行归因：

  1. 7天归因模型（窗口归因）
  2. LastClick 模型
  3. 留存 LastClick 模型
  4. 新老客归因模型

只有符合特定模型规则的触点，才会被该模型归因。这样设计的好处是：

  • 不同业务场景可以选择合适的归因模型
  • 可以进行多维度效果分析
  • 避免单一模型的局限性

存储架构

归因系统采用双层存储架构：

存储系统 用途 数据保留时间
Redis 实时归因判断、快速查询 非 H5: 30 天
H5 页面: 7 天
HBase 历史数据存储、离线分析 60 天

这种设计兼顾了实时性能和历史数据追溯能力。

4.2 四种归因模型详解

4.2.1 7天归因模型（窗口归因）

核心逻辑：

这是经典的归因窗口模型，用户被某个触点触达后，在 7 天保护期内，该触点独占用户归因权。

触点绑定条件（满足其一即可）：

  1. 用户从未被任何广告归因过
  2. 当前触点时间距离上次归因已超过 7 天保护期
  3. 上一次归因触点已过期（超过 30 天有效期）

示例：

1
2
3
4
5
用户 A 的归因历程：
- Day 1：点击广告 A，被广告 A 归因
- Day 3：点击广告 B，但因在 7 天保护期内，仍归因于广告 A
- Day 8：点击广告 C，保护期已过，归因权转移到广告 C
- Day 35：完成购买，因广告 C 已过期（超过 30 天），变为自然用户

特点：

  • 平衡了稳定性和灵活性
  • 7 天保护期避免归因频繁跳动
  • 30 天有效期确保归因的时效性

4.2.2 LastClick 模型

核心逻辑：

这是标准的最后点击归因模型，始终将归因权分配给最近的触点。

触点绑定条件（满足其一即可）：

  1. 当前触点时间 > 现存归因触点时间
  2. 上一次归因触点已过期（超过 30 天）

示例：

1
2
3
4
用户 B 的归因历程：
- Day 1：点击广告 A，被广告 A 归因
- Day 5：点击广告 B，归因权立即转移到广告 B（即使还在保护期内）
- Day 10：点击广告 C，归因权转移到广告 C

特点：

  • 简单直接，归因逻辑清晰
  • 强调最近触点的价值
  • 适合评估直接转化效果

与 7 天模型的对比：

维度 7天归因模型 LastClick 模型
保护期 有（7 天） 无
归因稳定性 高（不易跳动） 低（频繁变动）
适用场景 品牌培育 直接转化

4.2.3 留存 LastClick 模型 ⭐

核心逻辑：

这是该平台创新的归因模型，结合了用户行为数据，确保归因的是”真实有效的触点”。

前置条件（必须满足）：

用户被某条广告触达后，在 30s ~ 180s 内有以下行为之一：

  • 浏览商品
  • 点击商品
  • 加购商品

关键点： 用户必须在页面停留 30s 以上，且有一个行为，才会被归因。

后置条件（满足其一即可）：

  1. 当前触点时间 > 现存归因触点时间
  2. 上一次归因触点已过期（超过 30 天）

示例：

1
2
3
4
5
6
7
8
9
10
11
用户 C 的场景：
场景 1：有效归因
- 10:00:00 点击广告 D
- 10:01:30 浏览商品（停留 90s，满足条件）
- 10:02:00 点击商品
→ 被广告 D 归因

场景 2：无效归因
- 14:00:00 点击广告 E
- 14:00:20 离开页面（停留仅 20s，不满足条件）
→ 不被广告 E 归因

设计理念：

这个模型解决了一个实际问题：很多点击是误触或跳失的，这类触点不应该获得归因权。通过要求用户必须有一定的停留和互动，可以过滤掉无效点击，提升归因准确性。

特点：

  • 过滤无效点击，提升归因质量
  • 结合用户行为数据
  • 平衡了准确性和复杂度

有效期： 30 天

4.2.4 新老客归因模型

核心逻辑：

专门针对新用户的归因模型，确保新用户的首次转化归因准确。

前置条件：

  1. 通过 MMP（Mobile Measurement Partner）返回的 isFirstSession 判断是否为新用户
  2. 该用户确实来自归因上报（非事件上报）
  3. 确认为新用户

后置条件（满足其一即可）：

  1. 当前触点时间 > 现存归因触点时间
  2. 上一次归因触点已过期（超过 30 天）

示例：

1
2
3
4
5
6
7
8
9
10
新用户 D：
- 通过 Facebook 广告下载 App（MMP 返回 isFirstSession = true）
- 首次打开 App 浏览商品
- 完成首次购买
→ 该购买归因于 Facebook 广告

老用户 E：
- 曾在 30 天前通过 Google 广告归因
- 再次通过 Facebook 广告打开 App
→ 不触发新老客归因（已是老用户）

特点：

  • 专注新用户归因
  • 与 MMP 数据联动
  • 确保新用户获客归因准确

4.3 模型对比与应用场景

各模型特点总结：

归因模型 核心特点 适用场景 优势 劣势
7天归因 窗口保护 品牌培育、稳定归因 归因稳定 可能错过近期触点
LastClick 最后触点 直接转化评估 逻辑清晰 忽略早期培育
留存 LastClick 行为验证 过滤无效点击 归因准确 实现复杂
新老客归因 新用户专属 新用户获客 新客归因精准 仅适用新用户

实际业务应用：

不同业务场景可以选择不同的归因模型：

1
2
3
4
品牌广告投放 → 使用 7天归因模型
直接转化广告 → 使用 LastClick 模型
效果广告优化 → 使用留存 LastClick 模型
新用户获取 → 使用新老客归因模型

数据流转示意：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
用户触达广告
    ↓
归因上报（广告信息、时间、渠道等）
    ↓
并行触发四种归因模型
    ↓
符合模型规则？
    ↓ 是
更新归因触点库（Redis + HBase）
    ↓
用户产生转化行为
    ↓
查询归因触点库，确定归因
    ↓
转化数据关联到对应广告

五、特殊情况处理

在实际业务中，可能遇到一些特殊场景，需要针对性的归因逻辑调整。

5.1 特定落地页的归因优化

某些特殊落地页（如单页落地页、营销活动页）的归因逻辑可能需要调整。

示例场景：

某电商平台有一些特殊的营销单页，这些页面的用户行为模式与普通页面不同：

  • 用户可能在单页快速浏览后直接转化
  • 不需要强制要求 30s 停留时间

优化策略：

对于来自特定落地页的归因上报：

  • 直接尝试”留存 LastClick 归因”和”新老客归因”
  • 不强制要求 30s ~ 180s 的行为验证
  • 简化归因流程，提升归因率

5.2 多站点场景处理

对于运营多个独立站点的电商平台，可能需要特殊的归因处理策略。

场景示例：

某电商品牌运营多个垂直站点：

  • 主站点：主品牌官方商城
  • 垂直站点：特定品类或活动的独立站点

处理策略：

针对特定站点，可以：

  • 放宽归因条件，提升归因覆盖
  • 调整有效期和保护期
  • 自定义归因规则

这需要根据具体业务场景和数据反馈持续优化。

六、总结

6.1 归因模型的演进趋势

广告归因领域正在经历持续的演进：

从单触点到多触点
早期简单的最后点击归因，逐步演进到多触点归因，更全面地反映用户旅程。

从规则驱动到数据驱动
从人为定义规则（如 7 天窗口、40%/20%/40% 权重），到基于数据的机器学习模型。

从 Cookie 到隐私优先
随着隐私法规（GDPR、CCPA）和浏览器限制（ITP），传统 Cookie 归因面临挑战，需要新的技术方案（如 SKAdNetwork、Privacy Sandbox）。

从单设备到跨设备
用户跨设备行为日益普遍，跨设备归因成为刚需。

6.2 电商平台归因体系的特点

通过前面的案例分析，我们可以看到电商平台的归因体系有如下特点：

多模型并行
不同场景使用不同模型，避免单一模型的局限性。

结合业务特点
如”留存 LastClick 模型”结合用户行为数据，过滤无效点击。

灵活调整
针对特殊场景（特定落地页、多站点）可以调整归因逻辑。

数据驱动决策
通过多维度归因数据，支持广告预算分配、效果评估、策略优化。

广告
#归因模型 #广告投放 #数据分析
广告归因模型详解
https://cason.work/2025/04/02/广告归因模型详解/
作者
Cason Mo
发布于
2025年4月2日
许可协议