在用户行為分析領域，數據分析方法的科學應用結合理論推導，能夠相對完整地揭示用户行為的內在規律。而歸因是精細化運營必不可少的利器，歸因的目的，終究是為了提升運營轉化與收入增長。本文詳細介紹了歸因分析模型的概念和應用場景，與大家分享。
在 PC 互聯網時代，一個網站吸引新用户的主要方式之一就是投放線上廣告。而同樣一篇廣告可以投放至多個渠道，一個用户也可能在不同渠道商多次看到廣告才發生購買。這時候用户雖然是最後一次看到廣告才發生點擊，但前面的幾次曝光 可能給用户留下了印象，建立了心理認知，因此對用户的本次點擊亦有貢獻。
那麼如何將用户點擊行為的“貢獻”合理地 分配到每一個渠道呢？這便是渠道歸因要解決的問題。通過渠道歸因來衡量渠道的效果，反過來可以指導業務人員在渠道 投放時合理分配投入。
隨着移動互聯網的興起，業務的形態越來越複雜，站內歸因(也常被稱作“坑位歸因”)的需求日趨增多。以自營電商為 例:同樣的一個商品，可能會在站內多處“坑位”產生曝光，比如:首頁 Banner 的特賣活動頁、商品詳情頁的相關推薦、 購物車頁面下方的推薦列表中。運營人員會需要知道這些“坑位”對商品最終成單產生的“貢獻”分別是多大，從而指導 站內的商品運營工作，例如將主推的商品推至成單貢獻度高的坑位中，給予更多的曝光從而帶來更多的轉化。
對於歸因分析而言，一個很重要的命題即是，針對當前的場景和目標，怎麼把“貢獻”合理分配到每一個坑位上。下面我 們就以站內歸因為例，普及一下幾種常見的歸因分析計算思路。假設一個用户一天內使用 APP 的行為順序如下:
首先，啓動 APP，進入首頁，先行搜索，在搜索結果列表頁看到了商品 A，瀏覽了商品 A 的詳情，覺得不錯，但是並未購買， 退出 APP。然後，再次啓動 APP，看到首頁頂部 Banner，點擊進入活動分會場，瀏覽過程中再次看到商品 A，點擊再次 查看商品 A 詳情。接着，直接退出到了首頁，底部推薦列表中推薦了一篇商品 A 的用户評論，點擊進入，再次查看商品 A 的詳細信息。最後，下定決心，購買了商品 A。
以上過程是一個非常典型的用户購買決策路徑，在整個過程中用户一共三次瀏覽到了商品 A 的詳情頁，均通過不同的入口 發生訪問。如果將這個用户的成單轉化的功勞分配到對應的 3 個坑位上，實際上這類問題其實並沒有標準答案。以下介紹 幾種常見的思路供參考。
圖 四種常見的歸因思路
多個待選中觸點時，認為第一個的功勞為 100%。理由是第一個觸點給用户建立了認知，與用户形成了連接。適用於重視 新用户線索的業務。
多個待選中觸點時，認為最後一個的功勞為 100%。這種思路適用範圍最為廣泛，常用於電商業務的站內歸因的計算。
多個待選中觸點時，認為每個“待歸因事件”平均分配此次功勞。適合坑位效果比較平均的產品。
多個待選中觸點時，認為第一個和最後一個各佔 40% 功勞，其餘平分剩餘的 20% 功勞。兼顧最初的線索和最終的決策。
除此之外，還有“時間篩選歸因”，“末次非直接點擊”的歸因計算思路，此處不再詳細闡述，感興趣的讀者可進一步查閲 相關資料。以上每一種歸因計算思路均有各自的考量和不同的適用範圍，沒有絕對的孰優孰劣，在實際的應用過程當中， 需要根據自身業務特點來選擇合適的歸因計算思路。
回到上面那個電商案例中，我們對 2月3日至2月5日成交訂單進行歸因分析，此處我們選用的歸因計算方式是“末次歸因”。歸因窗口期設為 1 天，即觀察用户在發生訂單行為之前的 24 時之內點擊了哪些坑位。然後再找到離“提交訂單”最 近的一個坑位點擊行為。
最終得到的結果如下圖，APP 內多個坑位中，首頁精選推薦，商詳頁相關推薦，首頁 Banner 以及首頁運營位對於成單的 貢獻分別佔據了 37.5%、20.83%、20.83%、12.5%。搜索和購物車下方的相關推薦僅帶來不足 10% 的成單貢獻。通過這 個結果，可以清晰地反映如下幾點信息:
圖 電商業務下的站內歸因
注：總點擊數和有效點擊次數的區別。在所選的時間段內以及往前回溯的窗口期，總點擊數是總共發生了多少次坑位點擊，其中絕大部分是沒有帶來最終成單轉化的，而帶來的成單轉化的那些點擊即視作為有效點擊數。因此有效轉化點擊率可能衡量坑位的吸引程度。轉化率越高則吸引程度越大，發生一次坑位點擊則有更大的概率帶來轉化。
事實上，凡是有成交、充值環節的業務，都可以通過歸因分析來幫助我們在眾多的營銷觸點當中，找到最有效、對用户認知影響最明顯的一個或幾個觸點。以此來指導我們在後續的站內資源位分配時，給不同的業務分配最適合它的資源位。
常見用户行為分析模型解析（2）——用户留存分析
常見用户行為分析模型解析（3）——漏斗分析
常見用户行為分析模型解析（4）——用户行為路徑分析
常見用户行為分析模型解析（5）——用户分羣
常見用户行為分析模型解析（7）—— 間隔分析模型
作者：張喬，神策數據內容營銷負責人。公眾號：神策數據
本文由@張喬 原創發佈於人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。