所有用户的接触点并非“生而平等”，用户的行为路径复杂难测，企业迫切需要进行广告位或运营位的价值判断，从而优化广告资源组合与分配。归因分析已经成为企业精细化运营必不可少的利刃。
神策分析 1.14 版本正式上线的归因模型（如下图），支持深入业务场景，可完整还原用户行为序列，科学量化各引流位置的贡献结果，通过最优化资源分配实现投资回报率最大化。在《神策分析 1.14 版本上线，使用归因分析量化目标贡献占比》一文中我们初步介绍了归因分析给用户带来的价值。
图 归因分析界面
本文将围绕以下两个方面进行深入阐述。 客户案例：常见坑位运营场景解析 归因分析背后的计算原理及演绎
一、常见坑位运营场景解析：全面诊断首页坑位，定位优化点
A 公司是一家文化媒体电商平台，该公司通过神策分析实现用户行为分析，同时神策团队为其提供整体收益相关的咨询服务。其运营团队每天、每周、每月都会生成归因报告，用以阶段性评估产品的流量质量、流量引导效果，以及页面布局优化。
下面以其近期的一次首页坑位归因为例。坑位归因，顾名思义，是将产品最终收益的功劳分配给转化路径中各个不同的坑位上。坑位的核心目的是“流量引导”，当流量流入在线产品（如电商、在线教育等）后，运营人员需要引导其完成购买任务，以实现流量价值最大化。A 公司运营人员希望全面了解各坑位的运营状况，从而找到优化重点。
首先，运营人员通过神策分析的归因分析模型，以“支付订单”为“目标转化事件”，以“秒杀”“分类列表”“大专题”“直播”“每日好店”“我的频道”“快讯”“排行榜”为“待归因事件”。
图 诊断首页坑位运营状况示意图（点击放大可看高清大图） 在神策分析进行参数设置后，首页各坑位的运营情况一目了然。我们不难发现，不同坑位的贡献度差异很大，在当前的产品版本中，“秒杀”坑位的贡献度最高。此外，结合各坑位的总点击数和有效转化的点击率，会发现一些数据与团队最初“拍脑袋”的结论相差较大的问题，但同时也定位了优化点：
（1）在运营人员的传统认知中，一直认为“分类”功能较为难用，所以用户会很少使用，但认知与实际情况大相径庭。通过归因分析发现，实际上使用该功能的成交比率非常高，这警醒了产品人员：应立即开始着手优化目录引导功能。
（2）“大专题”导入用户流量高，但转化率相对较低。因此要么优化该页面的转化率，要么将用户流量导向其它页面更为合理。
（3）“直播”“快讯”等坑位转化率高，但流量相对少，后续应该进行页面设计以提供更便捷的入口。
综上，归因分析帮助运营人员全面诊断首页坑位，快速定位优化点。其实还可以针对不同的优化点进行深度下钻分析，查看每一个优化点对应的细分表现，例如查看不同的“大专题活动”，通过带来的贡献收入进行“大专题活动”的优化等。
二、归因分析背后的计算原理及演绎
神策归因分析背后的计算逻辑是如何的？本部分将从归因分析模型参数配置、归因分析模型的计算原理演绎两个方面来介绍。
（一）归因分析模型参数配置 依托神策分析全端数据采集，通过时间序列精准还原用户路径，运营人员可掌握“用户何时点击了某个运营位”以及“用户何时完成了目标事件”，再通过用户行为之间的关联关系，最终得到“用户点击了哪些运营位后发生了目标转化”的“运营位序列”。用户从浏览到最终转化路径的构建与完整还原，以及精准的“运营位序列”，为后续科学归因打下了良好的数据基础。基于此，用户经过参数设置，即可准确地衡量用户转化路径上每个接触点的贡献度。
在神策分析上，进行一次完整归因分析，用户首先需要进行归因分析模型参数的配置，即选择“目标转化事件”“前向关联事件”“待归因事件”的配置。下表给予了配置此参数的一些建议。
图 归因分析模型配置建议（点击放大可看高清大图）
事实上，用户对“归因窗口期”“目标转化事件时间范围”和“分析模型”的参数设置，控制了归因的计算数据范围和归因模型。
顾名思义，“归因窗口期”会将“目标转化事件”发生的前某段时间内的“待归因事件”会被计算在本次归因的贡献中；“目标转化事件时间范围”则筛选某时间段内的“目标转化事件”。
基于运营位序列，归因模型为“运营位序列”进行功劳的分配，神策数据支持 5 种归因模型的分析与结果查看，包括“首次触点归因”“末次触点归因”“线性归因”“位置归因”“时间衰减归因”。基于不同规则与算法的归因方法提供了强大的用户行为分析能力，运营人员可以根据自己的业务需求、与用户的实际交互模式灵活地选择最适合的分析模型，如下图。
图 五种归因模型（点击放大可看高清大图）
（二）归因分析模型的计算原理演绎 我们不妨进行一次计算演绎，下图是通过神策分析所得到某电商用户行为序列图示。在图示中，各字母代表的含义是 D-广告位、Q-商品详情页、D-推荐位、M-购买商品。目标转化事件是“购买商品”，为了更好地“配对”，运营人员将 M1（目标转化事件——购买商品1）与 Q1（前项关联事件——商品 1 详情）设置了属性关联，同样将 M2 与 Q2 进行关联。
该场景中，发生了两次购买行为，神策分析进行归因时会进行两轮计算，产生计算结果。
（一）第一轮计算： 第一步，从 M1 开始向前遍历寻找 Q1 以及离 Q1 最近发生的广告浏览。
如图所示，不难得到结果 M1=[Dc，Dc，Da]。 第二步，我们带入分析模型中，进行功劳的分配。运营人员选择“位置归因”的分析模型，根据“位置归因”的计算逻辑，第一个“待归因事件”和最后一个“待归因事件”各占 40%，中间平分 20%。 第一轮我们得到结果：Dc=0.4；Dc=0.2；Da=0.4
（二）第二轮计算 从 M2 开始向前遍历寻找 Q2 以及离 Q2 最近发生的广告浏览。
这里值得强调的是，即使第一轮中计算过该广告，在本轮计算时依然会参与到计算中，因为经常会出现一个广告位同时推荐多个商品的情况。
我们不难得到结论，M2=[Dc，Db]。基于这个结论，我们通过“位置归因” 得到结果：Dc=0.5；Db=0.5（不足 3 个时会有特殊处理）。
经过两轮计算，我们得出结论：Dc=1.1；Da=0.4；Db=0.5，则广告位 c 的贡献最大、广告位 b 贡献次之，广告位 a 的贡献最小。
综上所述，神策分析新版本的归因分析模型，依赖深度计算逻辑，精准还原用户行为序列。神策分析提供的 5 种分析模型，可以满结合业务的日常归因分析场景，让使用者得心应手，随心所欲进行深度分析用户行为，寻找工作的优化点，更靠谱地制定更加精细的运营策略。
若有收获，就点个赞吧
0 人点赞
