圖片來(lái)源：圖蟲創(chuàng)意

前言

Cookies的重要性

數(shù)據(jù)采集的變化&限制

無(wú)Cookies的數(shù)據(jù)分析狀態(tài)

①營(yíng)銷歸因模型(Marketing Attribution Models)

What：什么是營(yíng)銷歸因模型？

Why：為什么我們需要營(yíng)銷歸因模型？

How：如何建立營(yíng)銷歸因模型？

有哪些不同類型的歸因模型？

常見的營(yíng)銷歸因模型有哪些？

1.首次交互或首次點(diǎn)擊模型(First Interaction or First Click Model)

2.最后互動(dòng)或最后點(diǎn)擊模型(Last Interaction or Last Click Model)

3.最后非直接點(diǎn)擊模型(Last Non-Direct Click Model)

4.線性模型(Linear Model)

5.時(shí)間衰減模型（以及其他考慮時(shí)間的模型）(Time Decay Model (and other models that take time into account))

6.基于位置或U形模型(Position-Based or U-Shaped model)

Google工具體系的DDA(數(shù)據(jù)驅(qū)動(dòng)分析 Data-Driven Attribution)

1.Google Ads的DDA

2.Google Analytics 360的DDA

3.Search Ads 360的DDA

②算法歸因模型(Algorithmic Attribution Models)

1. 夏普利值歸因(Shapley Value Attribution)——觸點(diǎn)價(jià)值

1)計(jì)算Facebook Ad觸點(diǎn)的價(jià)值

2)計(jì)算Direct觸點(diǎn)的價(jià)值

2.馬爾可夫鏈歸因(Markov Chain Attribution)——鏈條價(jià)值

1)根據(jù)視圖進(jìn)行表格分配

2)根據(jù)軌跡圖具象化數(shù)據(jù)價(jià)值

3)觸點(diǎn)價(jià)值計(jì)算

3.BI/ML歸因模型

1)洞察廣告渠道運(yùn)作效果

2)比對(duì)不同用戶群的獲取渠道

3)BI/Business Intelligence 商業(yè)智能

結(jié)語(yǔ)

前言

我們?cè)?/span>數(shù)字化獨(dú)立站演進(jìn)歷程(二)2022年全觸點(diǎn)管理&私域營(yíng)銷解讀過(guò)大型廣告平臺(tái)(Google、Facebook)的商業(yè)利益，源于廣告平臺(tái)算法對(duì)用戶數(shù)據(jù)的利用。

然而隨著隱私政策和Web3.0到來(lái)，Cookies(無(wú)論第一方Cookies還是第三方Cookies)的生命周期縮短從而導(dǎo)致廣告系統(tǒng)收集用戶級(jí)數(shù)據(jù)的能力減弱，數(shù)字化廣告效果展現(xiàn)前所未有的低靡。

(圖片來(lái)源：甲子光年)

2023年，海外電商營(yíng)銷人員將徹底無(wú)法收集目前有關(guān)廣告渠道有效性的大部分?jǐn)?shù)據(jù)——意味著如果還是堅(jiān)持目前廣告投放的管理方式，所有廣告(哪怕Google Ads)的ROAS都會(huì)異常難看。

而因?yàn)閺V告數(shù)據(jù)不精準(zhǔn)，獨(dú)立站投放團(tuán)隊(duì)目前已經(jīng)浪費(fèi)21%的預(yù)算——而隨著更多Cookies限制以及Google隱私沙盒的采用，這個(gè)比例只會(huì)更讓每個(gè)廣告主心頭滴血。

所有獨(dú)立站營(yíng)銷團(tuán)隊(duì)，在2022年都會(huì)面臨一個(gè)挑戰(zhàn)

“如何過(guò)渡到一種新的歸因分析公式(Attribution Analytical Formula)”

更好地為全球電商營(yíng)銷無(wú)Cookies后的變化做好準(zhǔn)備

Cookies的重要性

探討無(wú)Cookies時(shí)代，當(dāng)然先要解讀Cookies的重要性

舉個(gè)栗子：

假設(shè)我們是要辦理銀行業(yè)務(wù)的個(gè)人，那么Cookies就是銀行給予我們的一次性One-ID

什么是One ID？

這是數(shù)字化時(shí)代營(yíng)銷的術(shù)語(yǔ)，基于每個(gè)個(gè)人都存在手機(jī)號(hào)、郵箱、設(shè)備ID等不同的ID信息，因此為了更有效識(shí)別到個(gè)人，結(jié)合業(yè)務(wù)規(guī)則、機(jī)器學(xué)習(xí)、圖算法等算法，進(jìn)行ID-Mapping，將各種ID信息都映射到統(tǒng)一ID上。

通過(guò)這個(gè)統(tǒng)一ID(即One ID)，便可關(guān)聯(lián)起各個(gè)ID的數(shù)據(jù)

用戶在每個(gè)銀行首次辦理業(yè)務(wù)，都需要填寫相關(guān)身份信息——身份證號(hào)/手機(jī)號(hào)碼/住宅等，但只需填寫一次，不需要在第二次過(guò)去的時(shí)候再次填寫，因?yàn)殂y行已經(jīng)給了銀行卡號(hào)作為用戶和銀行進(jìn)行交互的One-ID

銀行卡:4281261264265622（隨手填充的）

姓名:ABC

手機(jī)號(hào)碼:12345678910

住宅:深圳灣一號(hào)

PS:One-ID體系在數(shù)據(jù)指標(biāo)&分析中有更深層次的應(yīng)用，銀行卡號(hào)實(shí)際上也不是One ID的最佳選擇，此處舉例說(shuō)明只為大家方便理解

(圖片來(lái)源：紛析咨詢-宋星老師關(guān)于One-ID應(yīng)用的舉例說(shuō)明)

當(dāng)每個(gè)用戶第一次訪問(wèn)獨(dú)立站，Cookie的設(shè)置以及推送/保存會(huì)經(jīng)歷類似的4個(gè)步驟：

(圖片來(lái)源：Bing)

移動(dòng)端/PC通過(guò)瀏覽器推送一個(gè)請(qǐng)求(Http Request)到服務(wù)器

本質(zhì)上，Cookie是一小段代碼，當(dāng)我們用戶訪問(wèn)網(wǎng)站時(shí)，這一小段代碼就會(huì)存儲(chǔ)在瀏覽器中，跟蹤在該用戶網(wǎng)站上進(jìn)行的種種行為，從中搜集基本數(shù)據(jù)。

常用Cookie有兩種形式：

第一方Cookie，即用戶訪問(wèn)我們站點(diǎn)時(shí)創(chuàng)建的Cookie——用戶通過(guò)移動(dòng)端/PC瀏覽器停留在我們網(wǎng)頁(yè)的過(guò)程中，瀏覽器追蹤用戶的行動(dòng)中將數(shù)據(jù)文件保存到用戶的移動(dòng)端或者PC；

第三方Cookie，可以在不同的網(wǎng)站/平臺(tái)之間共享，廣告商和社交媒體可以根據(jù)用戶近期的停留內(nèi)容和對(duì)內(nèi)容的行為數(shù)據(jù)來(lái)調(diào)整廣告策略，定向投放廣告——聽起來(lái)是不是有些耳熟：

(圖片來(lái)源：Meta廣告后臺(tái))

實(shí)際上，Meta Pixel就是一段JavaScript代碼加載小型函數(shù)庫(kù)，是一個(gè)第三方Cookie

所以我們過(guò)去依賴的Facebook Ads，本質(zhì)是用戶(①首次廣告/②再營(yíng)銷廣告)通過(guò)瀏覽器進(jìn)入站點(diǎn)，以對(duì)方的Cookies區(qū)別“新”“舊”用戶，并且應(yīng)用數(shù)字化廣告系統(tǒng)/平臺(tái)，推送的（再營(yíng)銷）廣告

但Cookies和銀行卡的區(qū)別在于，Cookies是一次性的：

(圖片來(lái)源：騰訊云)

在Cookies屬性值中，Expires= Optional，簡(jiǎn)單解讀一下，這是作為HTTP日期時(shí)間戳的Cookie的最大生命周期。

PS：如果未指定，則Cookie將只有會(huì)話Cookie的生命周期——會(huì)話在客戶端關(guān)閉時(shí)結(jié)束，會(huì)話Cookie同時(shí)被刪除。

數(shù)據(jù)采集的變化&限制

當(dāng)我們進(jìn)入無(wú)Cookies營(yíng)銷，瀏覽器已開始限制Cookies的生命周期，甚至完全拒絕使用：

默認(rèn)情況下，F(xiàn)irefox已經(jīng)阻止Cookies跟蹤

谷歌在2023年底前放棄Chrome瀏覽器中的第三方Cookies

在Safari中，第三方Cookies的生命周期已縮短為7天，在某些情況下縮短為1天

這意味著第三方網(wǎng)站的重定向可能性將被限制在1天之內(nèi)

如果用戶在1天內(nèi)沒(méi)有與網(wǎng)站互動(dòng)，則Cookies將被刪除，并且在下次訪問(wèn)時(shí)將識(shí)別為新用戶

谷歌瀏覽器在2021年占據(jù)超過(guò)65.27%的瀏覽器市場(chǎng)份額，考慮到每月有46.6億活躍互聯(lián)網(wǎng)用戶，全球使用它的人數(shù)估計(jì)為30.4億，跨越超過(guò)40 億臺(tái)單獨(dú)設(shè)備

(圖片來(lái)源：Google Chrome)

圖片來(lái)源：Jaron Tom以上的變化&限制意味著：

廣告服務(wù)將限制在用戶個(gè)人信息級(jí)別的跟蹤用戶活動(dòng)能力。所有對(duì)于個(gè)人信息數(shù)據(jù)是否被收集越加重視，因此廣告服務(wù)會(huì)越加限制追蹤用戶行為&信息，以保護(hù)用戶——意味著數(shù)據(jù)隊(duì)列分析和審計(jì)越加復(fù)雜化。

平臺(tái)和瀏覽器將限制用戶級(jí)別的跟蹤。例如，iOS已經(jīng)阻止了IDFA(廣告標(biāo)識(shí)符)，這是Apple設(shè)備用戶的Cookies的模擬。默認(rèn)情況下，移動(dòng)應(yīng)用程序追蹤IDFA已經(jīng)是禁止的。沒(méi)有廣告標(biāo)識(shí)符，應(yīng)用程序發(fā)送的用戶操作數(shù)據(jù)不會(huì)與特定設(shè)備相關(guān)聯(lián)

意味著用戶和廣告的相關(guān)操作，都不會(huì)被廣告平臺(tái)/廣告主捕抓

(圖片來(lái)源：Jaron Tom)

這些變化的發(fā)生主要有以下三個(gè)原因：

數(shù)字平權(quán)(digital equality)——ATT之后出海互聯(lián)網(wǎng)廣告生態(tài)，本身更像一場(chǎng)定價(jià)權(quán)革命：

對(duì)于廣告投放者來(lái)說(shuō)，ATT嚴(yán)格來(lái)說(shuō)只是帶來(lái)的是iOS渠道的整體ROI下降，廣告投放者依然可以進(jìn)行其它的投放驅(qū)動(dòng)。

——工具是營(yíng)銷技術(shù)的結(jié)晶，技術(shù)是需求的推導(dǎo)，以客戶為中心的需求誕生客戶為中心的工具

(圖片來(lái)源：https://www.gartner.com/en/conferences/calendar)

無(wú)Cookies的數(shù)據(jù)分析狀態(tài)

“新”網(wǎng)站用戶的份額將會(huì)增加，盡管這些“新”用戶中的很多實(shí)際上是分配了“新”Cookie的老用戶。

?如果用戶在周一點(diǎn)擊廣告鏈接，周二直接返回網(wǎng)站，系統(tǒng)會(huì)將第二次會(huì)話的來(lái)源分配給廣告活動(dòng)，而不是直接客戶。

但如果這是一個(gè)“新”用戶，那么與吸引該用戶的廣告活動(dòng)沒(méi)有任何聯(lián)系。?

轉(zhuǎn)化鏈的長(zhǎng)度會(huì)減少。如果之前可以觀察到用戶在完成轉(zhuǎn)化之前進(jìn)行了幾次點(diǎn)擊，那么現(xiàn)在可以與一個(gè)用戶關(guān)聯(lián)的接觸點(diǎn)數(shù)量將會(huì)減少。

Facebook和Shopify訂單同步不準(zhǔn)的原因在這里

盡管如此，賣家的廣告營(yíng)銷反而更依賴Last Click，因?yàn)橹挥?個(gè)會(huì)話或1天內(nèi)的用戶歷史記錄可供分析系統(tǒng)使用，因此評(píng)估將更接近末次互動(dòng)歸因模型(Last Click Attribution Model)

聽起來(lái)挺矛盾，但這就是目前獨(dú)立站投放的尷尬——投放越加收窄，而且一擴(kuò)就崩

多觸點(diǎn)關(guān)聯(lián)轉(zhuǎn)化會(huì)在評(píng)估廣告組時(shí)將會(huì)增加考慮(過(guò)往基本只考慮Facebook投流)。包括廣告商在內(nèi)都已經(jīng)開始通過(guò)考慮多觸點(diǎn)關(guān)聯(lián)轉(zhuǎn)化來(lái)評(píng)估多渠道(Multi-channel)乃至全渠道(Omni-channel)營(yíng)銷——因?yàn)闊o(wú)法觀察用戶對(duì)廣告的反應(yīng)，意味著單觸點(diǎn)的投放基本都屬于盲投。

(圖片來(lái)源：Bing)

①營(yíng)銷歸因模型(Marketing Attribution Models)

What：什么是營(yíng)銷歸因模型？

這是一個(gè)營(yíng)銷學(xué)術(shù)用語(yǔ)

——營(yíng)銷歸因(Attribution)分析是應(yīng)用統(tǒng)計(jì)方法為購(gòu)物路徑的每一個(gè)觸點(diǎn)分配轉(zhuǎn)化價(jià)值，歸因模型(Attribution Model)則是一個(gè)框架，每種歸因模型都會(huì)以不同的方式在每個(gè)觸點(diǎn)上分配轉(zhuǎn)化價(jià)值。

(圖片來(lái)源：Bing)

Why：為什么我們需要營(yíng)銷歸因模型？

在復(fù)雜的數(shù)據(jù)爆炸時(shí)代，大量的社交媒體&用戶數(shù)據(jù)每天都在指數(shù)級(jí)別增加；

用戶復(fù)雜的消費(fèi)行為路徑，反映到廣告投放的效果評(píng)估上，往往會(huì)產(chǎn)生一系列的問(wèn)題：

哪些營(yíng)銷渠道完成轉(zhuǎn)化銷售？

大部分賣家第一反應(yīng)就是：當(dāng)然是用戶點(diǎn)了哪個(gè)廣告(尤其是Facebook AD，大部分賣家都偏愛Add To Cart)從而進(jìn)去商品詳情頁(yè)產(chǎn)生購(gòu)買，當(dāng)然那就是產(chǎn)生作用的出單廣告。

這是最常用的(甚至可以說(shuō)是，基本都用的)分析方法，最簡(jiǎn)單粗暴的單渠道歸因模型

——這種方法通常將銷售轉(zhuǎn)化歸功于用戶第一個(gè)(首次互動(dòng)模型，First Click Attribution Model)或者最后一個(gè)廣告觸點(diǎn)(末次互動(dòng)模型，Last Click Attribution Model)的渠道。

然而，這是理想情況下的歸因模式

客戶會(huì)在第一次查看廣告后立即購(gòu)物

(此類情況，是在投放的角度，是素材差異化，也是大部分投手每天都在疲于測(cè)試各類廣告素材的原因)

實(shí)際上，事情要復(fù)雜得多。例如，舉一種可能的情況是：

了解——客戶看到廣告，點(diǎn)擊網(wǎng)站鏈接，并注冊(cè)身份留下聯(lián)系方式(郵件)，然后分心并關(guān)閉網(wǎng)站。

在用戶擁有不止一個(gè)觸點(diǎn)，尤其每一個(gè)廣告觸點(diǎn)，在當(dāng)下的流量環(huán)境中不具備完整的用戶數(shù)據(jù)反饋，歸因分析(Attribution Analysis)幫助我們清晰感知哪個(gè)渠道/觸點(diǎn)促成了購(gòu)買，以及它們到底如何影響轉(zhuǎn)化，從而更合理分配廣告預(yù)算，真正實(shí)現(xiàn)增加收入并降低成本。

“我知道在廣告上的投資有一半是無(wú)用的，但問(wèn)題是我不知道是哪一半。”

百貨業(yè)之父約翰·沃納梅克(John Wanamaker)

How：如何建立營(yíng)銷歸因模型？

有哪些不同類型的歸因模型？

歸因模型有幾十種可能的存在，而根據(jù)計(jì)算中使用的邏輯，它們可以以不同的方式分類。

如果我們?cè)谟唵沃安榭辞涝诳蛻袈贸讨姓紦?jù)的位置，那么我們使用的是基于位置的歸因模型（時(shí)間衰減，基于位置）。如果計(jì)算考慮到所有數(shù)據(jù)，而不僅僅是通道在鏈中的位置，那么它就是一個(gè)算法歸因模型（數(shù)據(jù)驅(qū)動(dòng)，馬爾可夫鏈）。

如果我們只將所有價(jià)值賦予一個(gè)參與渠道的渠道，那么它就是一個(gè)單渠道模型（最后點(diǎn)擊，第一次點(diǎn)擊）。如果價(jià)值分布在鏈中的所有渠道中，那么它是一個(gè)多渠道歸因模型（線性，時(shí)間衰減）。

常見的營(yíng)銷歸因模型有哪些？

讓我們從最簡(jiǎn)單的基于位置的營(yíng)銷歸因模型開始，這些模型在免費(fèi)版的Google Analytics中直接使用

Organic原生流量(比如SEO)和Direct(直接流量)區(qū)別在于

(圖片來(lái)源：Google平臺(tái)截圖)

原生流量大部分來(lái)源于我們內(nèi)容營(yíng)銷，直接流量來(lái)源于用戶的口碑相傳——也就是我們強(qiáng)調(diào)過(guò)的

Earned-Media

(圖片來(lái)源：https://socialbeta.com/)

1.首次交互或首次點(diǎn)擊模型(First Interaction or First Click Model)

使用這些模型，從轉(zhuǎn)化中獲得的所有價(jià)值都?xì)w因于引導(dǎo)用戶進(jìn)入漏斗的第一個(gè)來(lái)源。例如，如果我們有一個(gè)由四個(gè)觸點(diǎn)組成的鏈，如下圖所示，根據(jù)First Click模型，轉(zhuǎn)化的全部?jī)r(jià)值將歸因于CPC渠道。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：易于設(shè)置和使用，因?yàn)闆](méi)有關(guān)于渠道之間價(jià)值分配的計(jì)算或爭(zhēng)論。

缺點(diǎn)：沒(méi)有顯示全貌，并且高估了頂部的頻道；用戶通常在購(gòu)買前與其他多個(gè)接觸點(diǎn)進(jìn)行交互，而首次交互模型完全忽略了這些。

適用于希望提高品牌知名度和受眾范圍以及了解在哪里購(gòu)買可以轉(zhuǎn)化的流量的企業(yè)。對(duì)于專注于需求生成和品牌知名度的營(yíng)銷人員很有用。

2.最后互動(dòng)或最后點(diǎn)擊模型(Last Interaction or Last Click Model)

根據(jù)這個(gè)模型，轉(zhuǎn)化的全部?jī)r(jià)值流向了用戶在轉(zhuǎn)化之前接觸到的最后一個(gè)渠道。所有其他渠道的貢獻(xiàn)被忽略。在我們的示例中，所有值都將轉(zhuǎn)到Direct通道。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：許多營(yíng)銷人員都熟悉的流行模型；非常適合評(píng)估快速購(gòu)買的活動(dòng)，例如季節(jié)性商品。

缺點(diǎn)：與所有單通道模型一樣，它在訂購(gòu)前忽略了鏈中其他來(lái)源的作用。

適用于銷售周期短、最多只使用三個(gè)廣告渠道的賣家(比如只在Facebook投放的投流型賣家)。

3.最后非直接點(diǎn)擊模型(Last Non-Direct Click Model)

Google Analytics報(bào)告中默認(rèn)使用此模型——整個(gè)轉(zhuǎn)化價(jià)值分配給鏈中的最后一個(gè)通道，但如果最后一個(gè)通道是Direct，則該值將歸屬于前一個(gè)通道。

背后的邏輯是，如果用戶通過(guò)書簽或輸入U(xiǎn)RL找到我們的獨(dú)立站，表示他們極大可能已經(jīng)熟悉我們的網(wǎng)站。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：允許忽略在廣告成本方面較低的渠道并專注于付費(fèi)來(lái)源。此外，Last Non-Direct Click 可用于與其他歸因模型進(jìn)行比較。

缺點(diǎn)：沒(méi)有考慮其他渠道的貢獻(xiàn)。此外，通常鏈中倒數(shù)第二個(gè)來(lái)源是電子郵件。我們了解到客戶來(lái)自某個(gè)地方并留下了他們的電子郵件地址。但是使用最后的非直接點(diǎn)擊，我們很容易低估幫助客戶熟悉品牌、留下電子郵件并最終決定購(gòu)買的來(lái)源。

適用于想要評(píng)估特定付費(fèi)渠道的有效性并且品牌識(shí)別不再那么重要的企業(yè)。

4.線性模型(Linear Model)

這個(gè)基本模型只是簡(jiǎn)單地將交易價(jià)值平均分配給鏈中的所有來(lái)源。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：簡(jiǎn)單，但同時(shí)比單渠道歸因模型更先進(jìn)，因?yàn)樗紤]了轉(zhuǎn)化前的所有會(huì)話。

缺點(diǎn)：如果我們需要重新分配預(yù)算，則無(wú)用；在渠道之間平均分配它不是最好的選擇，因?yàn)樗鼈儾荒芡瑯佑行Аe個(gè)例子，KOL渠道和Facebook/Google廣告同時(shí)在轉(zhuǎn)化出單，但KOL和FacebookAD的不確定性(KOL有效果但難以量化追蹤，F(xiàn)acebook廣告現(xiàn)狀大家懂的都懂)都會(huì)讓廣告部門分配預(yù)算時(shí)候分外抓頭。

適用于銷售周期較長(zhǎng)的B2B公司等企業(yè)，在渠道的各個(gè)階段與客戶保持聯(lián)系非常重要。

5.時(shí)間衰減模型（以及其他考慮時(shí)間的模型）(Time Decay Model (and other models that take time into account))

使用時(shí)間衰減模型，交易的價(jià)值在通道之間增量分配。也就是說(shuō)，鏈中的第一個(gè)來(lái)源獲得的價(jià)值最少，而最后一個(gè)且最接近轉(zhuǎn)換的來(lái)源獲得的價(jià)值最高。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：鏈中的所有渠道都分得一杯羹。最多的功勞歸于推動(dòng)用戶購(gòu)買的渠道。

?缺點(diǎn)：導(dǎo)致用戶進(jìn)入漏斗的來(lái)源的貢獻(xiàn)被大大低估了。

適合那些想要評(píng)估時(shí)間有限的促銷活動(dòng)的有效性的人。

6.基于位置或U形模型(Position-Based or U-Shaped model)

對(duì)于這些模型，大部分功勞歸于兩個(gè)來(lái)源（各占 40%）：一個(gè)向用戶種草，一個(gè)完成交易。剩下的 20%平均分配給漏斗中間的所有渠道。

(圖片來(lái)源：Jaron Tom)

優(yōu)點(diǎn)：為在大多數(shù)情況下發(fā)揮最重要作用的渠道賦予最大價(jià)值：那些吸引客戶并激發(fā)轉(zhuǎn)化的渠道。

缺點(diǎn)：有時(shí)鏈路中間的會(huì)話比第一眼看起來(lái)更能鼓勵(lì)用戶。例如，幫助客戶將產(chǎn)品添加到購(gòu)物車、訂閱郵件通訊或點(diǎn)擊關(guān)注價(jià)格。使用基于位置的模型，此類會(huì)話及其影響力被低估了。

適用于同樣重要的是吸引新觀眾并將現(xiàn)有訪客轉(zhuǎn)化為買家的企業(yè)。

圖片來(lái)源：Jaron Tom消除這些阻礙，解決歸因問(wèn)題會(huì)容易得多。

Google Ads、Double Click和其他一些服務(wù)也有自己的歸因模型，但它們的共同缺點(diǎn)是我們只能使用服務(wù)的內(nèi)部數(shù)據(jù)進(jìn)行計(jì)算。

不過(guò)以Google工具的DDA(數(shù)據(jù)驅(qū)動(dòng)分析 Data-Driven Attribution)為例，我們可以簡(jiǎn)單介紹如何從單一歸因分析模型轉(zhuǎn)為更復(fù)雜的

——以我們的Google Ad帳戶數(shù)據(jù)作為分析的起點(diǎn)，與具有預(yù)定義公式的標(biāo)準(zhǔn)模型不同，DDA使用算法對(duì)每個(gè)案例進(jìn)行不同的分析，并評(píng)估漏斗中渠道的相互影響，即使它是復(fù)雜、不一致和多步驟的。

(圖片來(lái)源：Google Ads)

Google工具體系的DDA(數(shù)據(jù)驅(qū)動(dòng)分析 Data-Driven Attribution)

1.Google Ads的DDA

Google Ads中的默認(rèn)歸因模型是最終點(diǎn)擊，但如果滿足最低要求，則可以配置以數(shù)據(jù)為依據(jù)的歸因。默認(rèn)情況下，數(shù)據(jù)驅(qū)動(dòng)的歸因分析Google廣告的所有點(diǎn)擊，而不是整個(gè)客戶旅程。根據(jù)這些點(diǎn)擊，該模型將購(gòu)買的用戶與未購(gòu)買的用戶進(jìn)行比較，并確定導(dǎo)致轉(zhuǎn)化的廣告互動(dòng)中的模式。要增加轉(zhuǎn)化次數(shù)，可以使用根據(jù)DDA模型中的信息進(jìn)行優(yōu)化的自動(dòng)出價(jià)策略。

與Search Ads 360相比，Google Ads不允許跨多個(gè)引擎運(yùn)行營(yíng)銷活動(dòng)，并且無(wú)法提供太詳細(xì)報(bào)告。

該產(chǎn)品適用于需要優(yōu)化營(yíng)銷活動(dòng)和關(guān)鍵詞的大中型企業(yè)。

關(guān)于Google Ads中的DDA，可以觀看Google Ads中使用數(shù)據(jù)驅(qū)動(dòng)歸因的官方Y(jié)ouTube視頻了解更多。

(圖片來(lái)源：Google Ads)

Google Ads使用DDA的最低要求以及優(yōu)缺點(diǎn)。

最低要求：

過(guò)去30天內(nèi)在受支持的網(wǎng)絡(luò)中進(jìn)行了3,000次廣告互動(dòng)

過(guò)去30天內(nèi)的300次轉(zhuǎn)化

要繼續(xù)使用此模型，必須在過(guò)去30天內(nèi)達(dá)到以下最低轉(zhuǎn)化閾值：

2,000次廣告互動(dòng)

200次轉(zhuǎn)化

Google Ads中DDA模型的優(yōu)點(diǎn)：

幫助優(yōu)化關(guān)鍵字和付費(fèi)廣告系列

幫助優(yōu)化出價(jià)

分析哪些廣告在實(shí)現(xiàn)業(yè)務(wù)目標(biāo)方面發(fā)揮著最重要的作用

Google Ads中DDA模型的缺點(diǎn)：

無(wú)法獲得在線用戶旅程的全部概覽

需要連續(xù)30天保持必要的轉(zhuǎn)化次數(shù)和點(diǎn)擊次數(shù)，然后才能在Google Ads中查看數(shù)據(jù)

如果數(shù)據(jù)低于所需的最小值，歸因模型將自動(dòng)切換為線性

2.Google Analytics 360的DDA

借助Google Analytics 360，可以使用基于Shapley Value方法(Shapley Value是合作博弈論中的一個(gè)解決方案概念，以Lloyd Shapley的名字命名——他于1951年將其引入并于2012年獲得諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)。我們會(huì)在下文算法模型中詳細(xì)解釋)的多渠道漏斗 (MCF)數(shù)據(jù)驅(qū)動(dòng)歸因。該算法通過(guò)現(xiàn)有接觸點(diǎn)分析用戶的路徑，然后模擬一個(gè)替代變體代替其中一個(gè)缺失接觸點(diǎn)。

這準(zhǔn)確地展示了特定渠道如何影響轉(zhuǎn)化的可能性。以數(shù)據(jù)為依據(jù)的歸因評(píng)估來(lái)自自然搜索、直接流量和付費(fèi)流量的數(shù)據(jù)以及我們導(dǎo)入到Google Analytics的所有數(shù)據(jù)，包括來(lái)自其他Google 產(chǎn)品(例如Google Ads、Campaign Manager 360)的數(shù)據(jù)。

借助Google Analytics 360 中的DDA，我們可以概覽渠道中所有用戶的在線操作，以及每個(gè)渠道如何影響轉(zhuǎn)化。這個(gè)選項(xiàng)是最適合大型平臺(tái)式網(wǎng)站。

(圖片來(lái)源：Google Ads)

Google Analytics 360使用DDA的最低要求以及優(yōu)缺點(diǎn)。

最低要求：

過(guò)去 30 天內(nèi)獲得15,000次點(diǎn)擊和600次轉(zhuǎn)化的Google Ads 帳戶

必須設(shè)置電子商務(wù)跟蹤或目標(biāo)

如果滿足這些要求，就可以開始在Google Analytics 360中使用DDA。要繼續(xù)使用它，同時(shí)必須在過(guò)去28天內(nèi)滿足以下最低轉(zhuǎn)化閾值：

每種類型的400次轉(zhuǎn)化，路徑長(zhǎng)度至少為兩次互動(dòng)

特定視圖中的10,000條交互路徑

Google Analytics 360中DDA的優(yōu)點(diǎn)：

全面分析客戶的在線旅程

查看哪些廣告、關(guān)鍵字和廣告系列對(duì)轉(zhuǎn)化的影響最大——對(duì)，就是現(xiàn)在困擾絕大部分賣家的問(wèn)題，廣告訂單數(shù)據(jù)丟失

根據(jù)過(guò)去的轉(zhuǎn)化數(shù)據(jù)分配收入功勞

分配給每個(gè)接觸點(diǎn)的信用量取決于接觸點(diǎn)的順序

數(shù)據(jù)分析立即開始，我們的第一個(gè)模型的報(bào)告將在7天內(nèi)提供

Google Analytics 360中DDA的缺點(diǎn)：

賬戶成本高：150,000美元/年起

隱藏的計(jì)算邏輯：報(bào)告中沒(méi)有解釋

需要始終如一的大量點(diǎn)擊和轉(zhuǎn)化

不包括離線數(shù)據(jù)(電話、CRM中的交易)

需要Google Ads帳戶

最近很多賣家Google廣告賬號(hào)被掛，讓本來(lái)只是條件的元素變?yōu)槿秉c(diǎn)，分外唏噓。

3.Search Ads 360的DDA

由于與Google Marketing Platform的原生集成，Search Ads 360可跨多個(gè)搜索引擎(Google Ads、Microsoft Advertising、Yahoo! Japan Sponsored Products、Baidu 和 Yahoo! Gemini)管理廣告Campaigns

默認(rèn)情況下，Search Ads 360使用最終點(diǎn)擊歸因模型，但如果滿足最低點(diǎn)擊和轉(zhuǎn)化要求，也可以配置 DDA。與Google Analytics 360和Google Ads不同，Search Ads 360中的數(shù)據(jù)驅(qū)動(dòng)歸因分析Google Marketing Platform的轉(zhuǎn)化跟蹤系統(tǒng)Floodlight中的活動(dòng)。

該歸因側(cè)重于付費(fèi)營(yíng)銷活動(dòng)，并展示關(guān)鍵字點(diǎn)擊如何影響轉(zhuǎn)化，因此還可以調(diào)整或創(chuàng)建新的出價(jià)策略，該策略將根據(jù)模型數(shù)據(jù)自動(dòng)優(yōu)化出價(jià)。

(圖片來(lái)源：Google Ads)

Search Ads 360服務(wù)適用于轉(zhuǎn)化次數(shù)較多且需要優(yōu)化其付費(fèi)廣告系列的網(wǎng)站。

讓我們看看在Search Ads 360中使用以數(shù)據(jù)為依據(jù)的歸因的最低要求和優(yōu)缺點(diǎn)。

最低要求：

過(guò)去30天內(nèi)的點(diǎn)擊次數(shù)為15,000次

過(guò)去30天內(nèi)的600次轉(zhuǎn)化

在 Search Ads 360 中使用DDA的優(yōu)點(diǎn)：

近乎實(shí)時(shí)地獲取報(bào)告數(shù)據(jù)

智能出價(jià)+DDA自動(dòng)優(yōu)化出價(jià)

最多可創(chuàng)建五個(gè)DDA模型來(lái)比較不同渠道分組的數(shù)據(jù)

可以上傳離線轉(zhuǎn)化數(shù)據(jù)(例如CRM中RFM數(shù)據(jù))比對(duì)分析

考慮跨環(huán)境轉(zhuǎn)化

在 Search Ads 360中使用DDA的缺點(diǎn)：

忽略搜索和展示展示次數(shù)

可能不完全準(zhǔn)確：如果無(wú)法衡量所有轉(zhuǎn)化次數(shù)，Search Ads 360會(huì)使用機(jī)器學(xué)習(xí)和歷史數(shù)據(jù)來(lái)模擬轉(zhuǎn)化次數(shù)

僅跟蹤歸因于付費(fèi)搜索的轉(zhuǎn)化次數(shù)

實(shí)現(xiàn)所有功能所需的額外設(shè)置：Campaign Manager、1組Floodlight活動(dòng)和Search Ads 360 Natural Search報(bào)告

無(wú)法分析由Google Ads、Google Analytics或其他轉(zhuǎn)化跟蹤系統(tǒng)跟蹤的轉(zhuǎn)化

結(jié)論

提供數(shù)據(jù)驅(qū)動(dòng)歸因的Google產(chǎn)品允許我們跟蹤不同的渠道，確定在Google搜索引擎中我們的在線廣告中，存在哪些最有效和最不有效的部分，并詳細(xì)分析用戶的在線旅程。

盡管Google的數(shù)據(jù)驅(qū)動(dòng)歸因通常被視為一種模型，但其實(shí)施方式因產(chǎn)品而異。為了有效地測(cè)量數(shù)據(jù)，我們需要選擇適合自己的數(shù)據(jù)類型的服務(wù)——以下是Google產(chǎn)品DDA的主要重點(diǎn)：

Google Ads會(huì)跟蹤Google搜索中的廣告點(diǎn)擊次數(shù)。

②算法歸因模型(Algorithmic Attribution Models)

正常狀態(tài)下，我們?cè)贕oogle Ads或Facebook(Meta)上設(shè)置廣告，大部分是通過(guò)最后一次點(diǎn)擊(Last Click)評(píng)估廣告Campaign是否有效。

——換言之，在我們的廣告管理面板或Google Analytics中，仿佛使用復(fù)雜的歸因模型是沒(méi)有意義的。

但是，隨著當(dāng)Apple宣布他們的iOS 14.5更新將允許用戶選擇退出跟蹤cookies時(shí)，游戲規(guī)則已經(jīng)全盤改變。因?yàn)闊o(wú)法觀察最后一次點(diǎn)擊(Last Click)，也從而導(dǎo)致整體歸因效果分析失去效果。

——所有營(yíng)銷/投放都失去了他們的“眼”，直接導(dǎo)致每個(gè)獨(dú)立站的投手不單單需要猜測(cè)自己手頭上哪個(gè)廣告Campaign在生效出單，更需要為如何優(yōu)化廣告/增長(zhǎng)用戶的計(jì)劃而抓頭。

因此在無(wú)cookies狀態(tài)下，評(píng)估我們獨(dú)立站的營(yíng)銷廣告狀態(tài)，需要評(píng)估所有廣告來(lái)源對(duì)彼此的影響，并且將來(lái)自不同廣告服務(wù)、Google Analytics，乃至我們的CRM的數(shù)據(jù)組合到一個(gè)系統(tǒng)中，并使用更復(fù)雜的歸因模型——算法歸因模型，其中包括我們接下來(lái)介紹的數(shù)據(jù)驅(qū)動(dòng)驅(qū)動(dòng)(在Google Analytics 360中)、馬爾可夫鏈、BI/ML歸因和自定義算法。

——否則，我們將無(wú)法了解哪些廣告渠道可以結(jié)合地協(xié)同工作以及我們的用戶在我們營(yíng)銷路徑的哪些階段。

1.夏普利值歸因(Shapley Value Attribution)——觸點(diǎn)價(jià)值

付費(fèi)版Google Analytics的用戶可以訪問(wèn)數(shù)據(jù)驅(qū)動(dòng)的歸因模型，上文描述的所有歸因模型都使用由網(wǎng)絡(luò)分析系統(tǒng)or我們自身設(shè)置的規(guī)則。

相比之下，Shapley Value模型沒(méi)有任何預(yù)定義的規(guī)則，它基于數(shù)據(jù)和Shapley向量計(jì)算觸點(diǎn)的值。

——改變會(huì)話的順序，Shapley Value模型中的觸點(diǎn)Value不會(huì)改變

(圖片來(lái)源：Jaron Tom)

根據(jù)維基百科，Shapley Value (屬于合作博弈論)是參與者之間價(jià)值的最佳分配方案之一，為合作博弈構(gòu)造一種綜合考慮沖突各方要求的折中的效用分配方案，保證分配的公平性從而有效分配所有參與者聯(lián)合產(chǎn)生的總盈余。

Shapley Value是合作博弈論中的一個(gè)解決方案概念(在博弈論中，解決方案概念是預(yù)測(cè)游戲?qū)⑷绾芜M(jìn)行的正式規(guī)則。這些預(yù)測(cè)被稱為“解決方案”，描述了參與者將采用哪些策略，因此也描述了游戲的結(jié)果。最常用的解決方案概念是均衡概念，最著名的我相信大家都會(huì)聽過(guò)——納什均衡)，通常被認(rèn)為是博弈論發(fā)展最重要的貢獻(xiàn)之一。Lloyd Shapley也因此與Alvin E. Roth一起獲得了2012年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)——用于穩(wěn)定配置的理論和市場(chǎng)設(shè)計(jì)的實(shí)踐。

要了解數(shù)據(jù)驅(qū)動(dòng)模型的工作原理，請(qǐng)考慮一個(gè)特定示例。假設(shè)我們有兩條導(dǎo)致交易的鏈(“全鏈路”這個(gè)詞應(yīng)該是16年從阿里出來(lái)的，用于描述用戶從接觸到轉(zhuǎn)化繼而自傳播的轉(zhuǎn)換歷程)：

Facebook Ad → 0美元銷售 —— (只是舉例，但如果是目前大部分獨(dú)立站投手的現(xiàn)狀??)

我們?cè)谑纠袑ｉT使用了短鏈，以免使已經(jīng)很復(fù)雜的公式復(fù)雜化。

我們需要如何確定每個(gè)觸點(diǎn)分別帶來(lái)了多少以及它們一起帶來(lái)了多少：

V1 (Facebook Adt) = 0$

V2 (Facebook Ad + Direct) = 500$

V3 (Direct) = 300$

觸點(diǎn)的Shapley Value使用以下公式計(jì)算：

(圖片來(lái)源：Wiki百科截圖)

其中公式中的

n 是玩家的數(shù)量（在我們的例子中，指代用戶觸點(diǎn)）

v 是觸點(diǎn)帶來(lái)的價(jià)值

k 是聯(lián)盟 K 的參與者數(shù)量

假設(shè)

C1 是 Facebook Ad的觸點(diǎn)Value。

C2 是 Direct 的觸點(diǎn)Value。

如果我們將示例中的值插入到這個(gè)公式中，我們會(huì)得到以下結(jié)果：

C1 = (1 - 1)！× (2 - 1)！/2！× (0 - 0) + (2 - 1)！× (2 - 2)！/2！× (500$ - 300$) = 0 + 100$ = 100$

C2 = (1 - 1)！× (2 - 1)！/2！× (300) + (2 - 1)！× (2 - 2)！× (500$) = 150$ + 250$ = 400$

現(xiàn)在，我們將為那些被公式嚇到的人用簡(jiǎn)單的語(yǔ)言來(lái)解釋這一點(diǎn)??

1)計(jì)算Facebook Ad觸點(diǎn)的價(jià)值

Facebook Ad本身并沒(méi)有給我們帶來(lái)任何東西，所以我們將擁有的第一個(gè)元素是0$。

Facebook Ad和Direct一起帶來(lái)了500美元，僅Direct就帶來(lái)了 300 美元。我們從觸點(diǎn)組合帶來(lái)的金額中減去Direct賺到的錢，然后將結(jié)果除以2：(500$ - 300$) / 2 = 100$。這是我們的第二個(gè)元素。

現(xiàn)在加上0$ + 100$ = 100$——Facebook Ad在我們此次觸點(diǎn)組合中的價(jià)值。

2)計(jì)算Direct觸點(diǎn)的價(jià)值

Direct完成300$，將其除以2，獲得150$。

Facebook Ad + Direct組合帶來(lái)了500美元，除以2得到250$。

我們將這些數(shù)字相加，得到400$作為Direct觸點(diǎn)的價(jià)值。

圖片來(lái)源：Jaron Tom

2.馬爾可夫鏈歸因(Markov Chain Attribution)——鏈條價(jià)值

馬爾可夫鏈(Markov Chain, MC)是具有有限數(shù)量結(jié)果的隨機(jī)事件序列，其特點(diǎn)是在固定現(xiàn)在的情況下，未來(lái)獨(dú)立于過(guò)去。

最初，氣象員、博彩公司和其他人使用馬爾可夫鏈來(lái)解決預(yù)測(cè)問(wèn)題。隨著數(shù)字市場(chǎng)的發(fā)展，人們最近開始使用它們來(lái)評(píng)估廣告活動(dòng)。

基于馬爾可夫鏈的歸因有助于回答多個(gè)關(guān)聯(lián)廣告觸點(diǎn)將如何影響轉(zhuǎn)化的問(wèn)題。

(圖片來(lái)源：Wiki百科截圖)

要了解馬爾可夫鏈的工作原理，我們以自身獨(dú)立站轉(zhuǎn)化過(guò)程最常用的鏈路作為具體示例。

假設(shè)我們?cè)?個(gè)廣告觸點(diǎn)(C1:Facebook Ad /C2:Google CPC廣告/C3:EDM)組成的廣告關(guān)聯(lián)組合中，并試驗(yàn)出如下3條鏈路：

Start → C1 → C2 → C3 → 轉(zhuǎn)化成功(Сonversion)

圖片來(lái)源：Jaron Tom1)根據(jù)視圖進(jìn)行表格分配

第一列展示我們的客戶路徑——在我們的示例中是2個(gè)鏈路。

第二列展示路徑在模型內(nèi)部的視圖，包括鏈路入口(Start階段)和鏈路出口(Conversion或Null)。

第三列展示觸點(diǎn)分對(duì)，因?yàn)槲覀冃枰u(píng)估從一個(gè)觸點(diǎn)到下一個(gè)觸點(diǎn)的所有可能轉(zhuǎn)化路徑。

然后我們需要計(jì)算每個(gè)可能的轉(zhuǎn)化選項(xiàng)的概率并將它們放在一個(gè)單獨(dú)的表中

概率來(lái)源于分析有關(guān)用戶操作的真實(shí)數(shù)據(jù)

2)根據(jù)軌跡圖具象化數(shù)據(jù)價(jià)值

為了保證本篇推文的完讀率，我們?cè)谲壽E圖上展示以上表格中所有數(shù)據(jù)表達(dá)的意思：

(圖片來(lái)源：Jaron Tom)

在軌跡圖中，我們可以看到了數(shù)據(jù)采集表中已采集的轉(zhuǎn)化選項(xiàng)&轉(zhuǎn)化概率。

一切都從(Start階段)開始：

三分之一的用戶進(jìn)入頻道C2觸點(diǎn)，三分之二的用戶進(jìn)入C1觸點(diǎn)

請(qǐng)注意，在我們的示例中，實(shí)際上只存在兩個(gè)轉(zhuǎn)化路徑，并且都通過(guò)C2觸點(diǎn)

3)觸點(diǎn)價(jià)值計(jì)算

再次為了挽救完讀率，又或者說(shuō)，我們要解釋到底為何要做這么復(fù)雜的運(yùn)算?

本質(zhì)上，這是是一個(gè)否定推演，也就是說(shuō)依次刪除每個(gè)觸點(diǎn)，觀察它的缺失將如何影響轉(zhuǎn)化(Convercion)：

(圖片來(lái)源：Jaron Tom)

例如，如果我們從舉例中刪除C1觸點(diǎn)，我們會(huì)失去50%的轉(zhuǎn)化——我們是怎么得出這個(gè)結(jié)論的？

在馬爾可夫鏈中，觸點(diǎn)價(jià)值計(jì)算分三個(gè)階段進(jìn)行：

1.計(jì)算每個(gè)觸點(diǎn)的轉(zhuǎn)化概率

更準(zhǔn)確地說(shuō)，需要弄清楚如果從鏈路中刪除單一觸點(diǎn)后，我們會(huì)獲得多少轉(zhuǎn)化。

每個(gè)觸點(diǎn)的轉(zhuǎn)化概率 (P) 使用以下公式計(jì)算得出：

P1 = (33.3% × 100% × 50%) = 16.7%

讓我們仔細(xì)看看第一個(gè)公式，如何計(jì)算出C1觸點(diǎn)的轉(zhuǎn)化概率。

當(dāng)我們從模型中刪除C1觸點(diǎn)，并將所有剩余的從導(dǎo)致購(gòu)買的鏈中轉(zhuǎn)移的概率相乘。

(圖片來(lái)源：Jaron Tom)

也就是說(shuō)，我們將33.3%乘以100%乘以50%。結(jié)果，我們得到16.7%

——如果我們從鏈路中移除C1觸點(diǎn)，這是我們將獲得的轉(zhuǎn)化百分比。

如果我們刪除觸點(diǎn)C2和C3，那么我們將根本沒(méi)有轉(zhuǎn)化。

2.確定每個(gè)觸點(diǎn)的刪除效果(R)

這里計(jì)算的是，如果我們從漏斗中刪除觸點(diǎn)，我們將失去的轉(zhuǎn)化百分比，其計(jì)算方式如下：

減去轉(zhuǎn)化單位 (P) 除以鏈路入口的用戶數(shù)量(轉(zhuǎn)化概率)，從100%開始：

R1 = 100% - (16.7% / 33.3%) = 50%

3. 最后，我們計(jì)算每個(gè)觸點(diǎn)的Value(V)

——丟失轉(zhuǎn)換的百分比 (R) 并將其除以所有系數(shù)（R1、R2 和 R3）的總和。

V1 = 50% / (50% + 100% + 100% ) = 20%

V2 = 100% / (50% + 100% + 100% ) = 40%

V3 = 100% / (50% + 100% + 100% ) = 40%

C1:Facebook Ad /C2:Google CPC廣告/C3:EDM

優(yōu)點(diǎn)：基于馬爾可夫鏈的歸因模型允許我們?cè)u(píng)估觸點(diǎn)對(duì)轉(zhuǎn)化的相互影響，并找出哪個(gè)觸點(diǎn)最重要。

缺點(diǎn)：低估了鏈中的第一個(gè)渠道；另外需要一定的編程技巧。

適用于將所有數(shù)據(jù)收集在單個(gè)系統(tǒng)中的企業(yè)。

3.BI/ML歸因模型

這里開始，是本文最重點(diǎn)的內(nèi)容——真不是為了完讀率而這么寫的

先解釋一些兩個(gè)名詞

BI：商業(yè)智能，Business Intelligence，簡(jiǎn)稱BI，指用現(xiàn)代數(shù)據(jù)倉(cāng)庫(kù)技術(shù)、線上分析處理技術(shù)、數(shù)據(jù)挖掘和數(shù)據(jù)展現(xiàn)技術(shù)進(jìn)行數(shù)據(jù)分析以實(shí)現(xiàn)商業(yè)價(jià)值。

計(jì)算機(jī)程序消耗的數(shù)據(jù)

因此，BI/ML歸因模型是通過(guò)BI工具和機(jī)器學(xué)習(xí)的結(jié)合，根據(jù)夏普利值/馬爾可夫鏈分析邏輯從而評(píng)估我們的廣告活動(dòng)有效性，并且最大化洞察到每個(gè)觸點(diǎn)的轉(zhuǎn)化漏斗對(duì)客戶促銷的貢獻(xiàn)。

夏普利值遵循的分配原則是“所得與自己的貢獻(xiàn)相等”，因此不需考慮鏈中觸點(diǎn)的順序，而是評(píng)估觸點(diǎn)的存在如何影響轉(zhuǎn)換。

而馬爾可夫鏈?zhǔn)且幌盗惺录渲忻總€(gè)后續(xù)事件都依賴于前一個(gè)事件。基于馬爾可夫鏈的歸因使用概率模型計(jì)算漏斗步驟之間的轉(zhuǎn)換概率，讓我們可以評(píng)估步驟對(duì)轉(zhuǎn)化的相互影響，并找出哪些步驟最重要。

BI/ML歸因模型設(shè)置轉(zhuǎn)化漏斗的所有步驟并計(jì)算出概率，通過(guò)在馬爾可夫鏈中呈現(xiàn)結(jié)果如下圖：

(圖片來(lái)源：Jaron Tom)

大家可能會(huì)存在疑問(wèn)：為何我們要做這么復(fù)雜的分析模型計(jì)算？

圖片來(lái)源：Jaron Tom事實(shí)上，我們?cè)跀?shù)字化獨(dú)立站演進(jìn)Vol 1解讀過(guò)，由于消費(fèi)者購(gòu)物決策路徑因?yàn)閿?shù)字化時(shí)代而不斷拉長(zhǎng)

面向我們的消費(fèi)者，可能在TikTok見到我們，Google搜索我們，最后可能依然還是Facebook下單。

(圖片來(lái)源：Jaron Tom)但依然存在的問(wèn)題是，在不同的廣告服務(wù)和分析系統(tǒng)中使用著不同的歸因模型

(圖片來(lái)源：Jaron Tom)

大多數(shù)廣告服務(wù)使用的是最后非直接點(diǎn)擊模型(Last Non-Direct Click)，后視圖(Post-View)、動(dòng)態(tài)追蹤(Cross-Device)或其他模型

但這些模型無(wú)法跨服務(wù)進(jìn)行比較：Facebook Ads以用戶行為衡量廣告價(jià)值，而Google Ads則采用品牌詞的方法界定廣告定價(jià)，哪怕我們?nèi)鎲⒂靡陨瞎ぞ?且不論成本問(wèn)題)都無(wú)法打通完成數(shù)據(jù)閉環(huán)。

(圖片來(lái)源：Jaron Tom)BI/ML歸因模型的如何作用于我們的獨(dú)立站？

1)洞察廣告渠道運(yùn)作效果

當(dāng)我們的廣告活動(dòng)使用AIDA(A為Attention，即引起注意；I為Interest，即誘發(fā)興趣；D為Desire，即刺激欲望；最后一個(gè)字母A為Action)模型，會(huì)分為認(rèn)知、興趣和轉(zhuǎn)化三個(gè)階段的時(shí)候，因此旨在影響廣告下一階段的活動(dòng)可能在現(xiàn)階段看起來(lái)無(wú)效。

(圖片來(lái)源：BI數(shù)據(jù)系統(tǒng)后臺(tái))

因此BI/ML歸因模型對(duì)現(xiàn)有廣告系列的ROAS真實(shí)評(píng)估，以及有沒(méi)有完成AIDA整個(gè)過(guò)程，可以讓我們不會(huì)錯(cuò)誤配置廣告預(yù)算。

2)比對(duì)不同用戶群的獲取渠道

計(jì)算每個(gè)會(huì)話的值，為不同的用戶群組自定義歸因模型

評(píng)估廣告系列對(duì)向當(dāng)前客戶（“當(dāng)前客戶”群組）銷售附加服務(wù)的貢獻(xiàn)

(圖片來(lái)源：BI數(shù)據(jù)系統(tǒng)后臺(tái))

此外，通過(guò)了解會(huì)話的成本，我們可以計(jì)算在每個(gè)產(chǎn)品組上的花費(fèi)和收入，評(píng)估針對(duì)不同地區(qū)、登陸頁(yè)面、移動(dòng)應(yīng)用版本和應(yīng)用程序的廣告效果。

3)BI/Business Intelligence 商業(yè)智能

無(wú)需分析師的幫助或任何數(shù)據(jù)庫(kù)/SQL知識(shí)即可基于歸因數(shù)據(jù)構(gòu)建報(bào)告，是BI/ML歸因模型最大的優(yōu)點(diǎn)。

計(jì)算歸因模型后，通過(guò)BI工具根據(jù)添加的事件自動(dòng)報(bào)告收入、轉(zhuǎn)化次數(shù)、ROI、ROAS和CRR。

(圖片來(lái)源：BI數(shù)據(jù)系統(tǒng)后臺(tái))

此外，使用方便的報(bào)告生成器創(chuàng)建個(gè)性化報(bào)告——更易于理解的圖表和表格，更直觀的展示

(圖片來(lái)源：BI數(shù)據(jù)系統(tǒng)后臺(tái))

展示用戶每個(gè)動(dòng)作的廣告真實(shí)ROSA(此處為BI面板操作錄屏)

結(jié)語(yǔ)

在廣告活動(dòng)中：

吸引客戶的成本會(huì)增加——廣告服務(wù)將依靠更少的信息來(lái)將廣告定位給合適的用戶，而廣告服務(wù)確定是否符合特定用戶能力越低，其廣告相關(guān)性就越低。這意味著點(diǎn)擊率會(huì)降低，而每次轉(zhuǎn)化費(fèi)用會(huì)增加。

Criteo是一家在納斯達(dá)克上市（納斯達(dá)克代碼：CRTO）的全球性的效果營(yíng)銷科技公司，于2005年在法國(guó)巴黎成立。該公司核心業(yè)務(wù)是重定向廣告（retargeting），其于2021年推出的內(nèi)容投放方案FLEDGE，指根據(jù)近期消費(fèi)行為將消費(fèi)者匿名分組，然后通過(guò)AI查找出與特定組別最匹配的廣告主的URL或者內(nèi)容。

這一切都將導(dǎo)致小廣告商離開市場(chǎng)，同時(shí)小賣家很難通過(guò)相關(guān)的轉(zhuǎn)化來(lái)保證自己的利潤(rùn)。

（來(lái)源：JaronTam）

以上內(nèi)容屬作者個(gè)人觀點(diǎn)，不代表雨果跨境立場(chǎng)！本文經(jīng)原作者授權(quán)轉(zhuǎn)載，轉(zhuǎn)載需經(jīng)原作者授權(quán)同意。?