Attribution Modeling

---
name: attribution-modeling
description: |
  归因模型设计——量化每个增长渠道的真实贡献，科学分配预算，优化LTV/CAC比。
  覆盖：多渠道归因（单触点/多触点）、数据驱动归因（Google DDA）、概率归因、
  马尔科夫链归因、U型/T型/时间衰减模型、Cohort分析、LTV预测、MTA/MMM方法论。
  融合Google"数据驱动归因"(DDA)、Meta"多触点归因"、字节"增长数据闭环"、网飞"因果推断"。
  触发词：归因分析、attribution、渠道分析、ROI分析、CAC计算、LTV计算、归因模型、
  数据驱动归因、多渠道归因、漏斗归因、marketing mix、MTA、MMM、转化归因、渠道归因。
---

# Attribution Modeling

## 核心理念

归因不是找到「最后一个转化触点」，而是**理解用户决策旅程中每个接触点的真实贡献**。归因做错了，预算分配就错了，增长策略也就全错了。

### 归因的四大问题

```
1. 哪个渠道带来了最多的付费用户？（不是最多流量）
2. 哪个渠道在用户决策中起了关键作用？（不是最后一个点击）
3. 哪些渠道组合在一起效果最好？（协同效应）
4. 预算调整1%都会影响哪些渠道？（波动分析）
```

---

## 五大归因模型

### 1️⃣ 末次点击归因 (Last Click)

**原理**：100%的转化归因于最后一个点击渠道

```
时间线：知乎→公众号→Google搜索→官网→注册
                                          ↑
                                    100%归因于此
```

**优点**：
- 最简单、最易理解
- 与Google Ads/SA360默认模型一致
- 适合重搜索渠道的业务

**缺点**：
- 忽略所有前期触达渠道
- 严重低估品牌/内容/社交渠道的价值
- 导致"只投收割渠道，不养品牌渠道"

**适用**：搜索主导型业务、短期转化（如电商日常）

### 2️⃣ 首次点击归因 (First Click)

**原理**：100%的转化归因于第一个触达渠道

```
时间线：知乎→公众号→Google搜索→官网→注册
          ↑
    100%归因于此
```

**优点**：
- 识别获客的"源头渠道"
- 保护品牌/内容渠道的预算
- 适合评估品牌曝光效果

**缺点**：
- 忽略后续的"临门一脚"
- 高估品牌渠道（即使后续有更好的渠道）

**适用**：品牌认知阶段、内容营销评估

### 3️⃣ 线性归因 (Linear)

**原理**：转化路径上的每个触点获得均等权重

```
时间线：知乎→公众号→Google搜索→官网→注册
         25%    25%     25%      25%
```

**优点**：
- 公平对待每个触达点
- 容易计算和理解
- 避免"最后一个"偏见

**缺点**：
- 无法区分不同触点的影响力差异
- 所有触点一视同仁（但实际不是）

**适用**：品牌建设期、内容矩阵效果评估

### 4️⃣ 时间衰减归因 (Time Decay)

**原理**：越接近转化的触点权重越高

```
时间线：知乎→公众号→Google搜索→官网→注册
         10%    15%     25%      50%
```

**优点**：
- 更符合"距离越近影响越大"的直觉
- 适用于有明确决策周期的业务

**缺点**：
- 早期触点的价值被低估
- 衰减速率需要根据业务调整

**适用**：有明确购买周期的业务、销售周期短的B2C

### 5️⃣ U型归因 (U-Shaped / Position-Based)

**原理**：首次和末次触点各占40%，中间触点分享20%

```
时间线：知乎→公众号→Google搜索→官网→注册
         40%    6.7%   6.7%   6.7%    40%
```

**优点**：
- 同时保护了"源头"和"临门一脚"
- 品牌+转化平衡

**缺点**：
- 中间触点的价值可能被低估
- 固定的40/20/40分配不一定符合真实情况

**适用**：需要兼顾品牌和转化的业务

---

## 高级归因模型

### 6️⃣ 数据驱动归因 (Data-Driven Attribution / DDA)

**Google DDA算法**：根据转化数据自动计算每个触点的真实贡献

**原理**：
```
1. 收集大量转化路径数据
2. 计算每个触点出现在路径中的条件概率
3. 使用Shapley Value算法分配权重
4. 输出每个触点对转化的边际贡献
```

**优点**：
- 基于实际数据（不是固定规则）
- 自动适应不同渠道的权重变化
- 发现"隐藏贡献"的渠道

**缺点**：
- 需要大量转化数据（至少1万+）
- 需要AI/机器学习支持
- 黑盒——难以解释为什么某个渠道权重高

**适用**：数据量足（月转化>1000）、多渠道投放

### 7️⃣ 马尔科夫链归因 (Markov Chain Attribution)

**原理**：模拟用户在渠道间的转移概率，计算去掉某渠道后的转化率下降

```
状态转移矩阵：
           搜索  社交  邮件  官网  退出  转化
    搜索    0.2    0.3   0.1   0.2   0.1    0.1
    社交    0.15   0.2   0.2   0.2   0.15   0.1
    邮件    0.1    0.15  0.25  0.25  0.15   0.1
    官网    0.1    0.05  0.05  0.4   0.3    0.1

渠道重要性(Removal Effect):
  去掉搜索 → 转化率从5%降为3% → 贡献40%
  去掉社交 → 转化率从5%降为4% → 贡献20%
  去掉邮件 → 转化率从5%降为3.5% → 贡献30%
  去掉官网 → 转化率从5%降为4.5% → 贡献10%
```

**优点**：
- 衡量渠道的"绝对价值"（移除后损失多少转化）
- 发现渠道间的协同效应
- 适用于复杂长路径

**缺点**：
- 计算量大
- 假设用户行为符合马尔可夫性质（但实际不总是）
- 不考虑外部因素

**适用**：多渠道复杂路径、需要发现协同效应

### 8️⃣ 增量测试 (Incremental Lift Testing)

**原理**：通过随机对照实验测量渠道的真实增量贡献

```
实验组：看到该渠道广告的用户 → 测量转化率
对照组：随机选择不看该渠道的用户 → 测量转化率
增量贡献 = 实验组转化率 - 对照组转化率
```

**优点**：
- 因果关系（不是相关性）
- 最准确的归因方法
- 可科学评估渠道ROI

**缺点**：
- 实施难度大（需要随机分组）
- 成本高（需要实验组+对照组）
- 不适合所有渠道（线下渠道难以测试）

**适用**：大预算渠道评估、CAC精确计算

---

## 渠道ROI框架

### 基础ROI计算

```
渠道ROI = (渠道带来的LTV总和 - 渠道总支出) / 渠道总支出

渠道CAC = 渠道总支出 / 渠道带来的转化数
渠道LTV/CAC = 渠道用户平均LTV / 渠道CAC
```

**不同归因模型下的ROI变化**：
| 渠道 | 末次点击ROI | 首次点击ROI | U型ROI | DDA ROI |
|------|------------|------------|--------|---------|
| Google搜索 | 8.5x | 3.2x | 5.8x | 4.9x |
| LinkedIn | 1.2x | 4.5x | 3.5x | 4.1x |
| 内容博客 | 0.5x | 6.0x | 3.0x | 4.5x |
| 推荐/Referral | 3.0x | 5.5x | 4.5x | 5.2x |

⚠️ **注意**：使用末次点击归因会严重低估内容、品牌、社交渠道，高估搜索等转化型渠道。

### 渠道ROI多维评估

| 维度 | 计算方式 | 意义 |
|------|---------|------|
| 短期ROI | 7天内转化/支出 | 快速回血能力 |
| 中期ROI | 30天内转化/支出 | 月度效果 |
| 长期ROI | 90天LTV/支出 | 真实价值 |
| 品牌贡献 | 首次曝光占比 | 品牌资产建设 |
| 协同效应 | 与其他渠道组合转化率 | 渠道组合效果 |

---

## LTV计算与预测

### 基础LTV

```
LTV = ARPU × 平均用户生命周期

简化版（月度SaaS）：
  LTV = ARPU × (1 / 月流失率)
  示例：月付费$50, 月流失率5% → LTV = $50/0.05 = $1,000
```

### 同群Cohort分析

```
Cohort表格（周/月维度）：
        第1周  第2周  第3周  第4周  LTV
1月注册  100%   40%    25%    18%   $120
2月注册  100%   42%    28%    20%   $135
3月注册  100%   45%    30%    -     $140估算

预期：保留率正在改善，LTV预测应该上调
```

### LTV预测模型

```
简单线性模型（适用于早期）：
  LTV(t) = LTV(t0) × e^(-c × t)
  其中c为衰减系数

幂律模型（适用于成熟产品，更准确）：
  LTV(t) = LTV(t0) × t^(-b)
  其中b为幂律系数（典型值 0.5-1.5）

贝叶斯模型（推荐，能处理小样本）：
  使用Pareto/NBD或BG/NBD模型
  预测每个用户的未来购买次数
```

---

## 归因数据基础设施

### 数据收集要求

```
✅ 统一用户ID（跨渠道追踪）
✅ 标准UTM参数（来源/媒介/活动/内容/术语）
✅ Cookie/LocalStorage（Web端）
✅ Device ID（App端）
✅ 事件时间戳精确到秒
✅ 转化事件统一定义（全渠道采用同一标准）
```

### 归因工具对比

| 工具 | 模型支持 | 难度 | 成本 | 适用 |
|------|---------|------|------|------|
| Google Analytics 4 | 末次/数据驱动 | 低 | 免费 | 中小型 |
| Google Ads DDA | DDA | 中 | 免费(含在广告费) | 搜素广告 |
| Mixpanel | 自定义规则 | 中 | $$ | SaaS产品 |
| Amplitude | 自定义规则 | 中 | $$ | 产品分析 |
| Rockerbox | 多触点+MTA | 高 | $$$ | 大型多渠道 |
| Northbeam | MTA+MMM | 高 | $$$ | DTC电商 |
| MMM(自建) | 统计模型 | 极高 | $$$$ | 企业级 |

---

## 归因工作流

### Flow 1: 归因模型选型

```
业务特点 → 推荐归因模型

搜索主导     → 末次点击/数据驱动
内容主导     → 首次点击/U型
多渠道+长周期 → 马尔科夫链/数据驱动
品牌建设期   → 首次点击/线性
转化变现期   → 末次点击/时间衰减
全渠道成熟期 → 数据驱动+增量测试
```

### Flow 2: 归因审计

```
Step 1: 拉取30天所有转化路径数据
Step 2: 分别用3种归因模型计算渠道权重
Step 3: 对比不同模型下的渠道ROI差异
Step 4: 识别"被低估"和"被高估"的渠道
Step 5: 基于最合适的模型调整预算分配
Step 6: 输出：归因审计报告+预算优化建议
```

---

## 关键指标看板

| 指标 | 定义 | 健康值 | 预警值 |
|------|------|--------|--------|
| 平均触点数 | 转化前用户接触的渠道数 | 2-4 | >6(路径太长) |
| 跨渠道协同率 | 使用2+渠道的转化占比 | >40% | <20% |
| 归因稳定性 | 模型变化对渠道ROI排名影响 | 排名稳定 | 频繁波动 |
| 数据覆盖率 | 可归因转化的占比 | >85% | <70% |
| 周期长度方差 | 转化周期的波动程度 | CV<0.5 | CV>1.0 |

---

## 参考资源

详细模型计算示例、案例分析、工具集成指南见 `references/attribution-guide.md`。

## 相关Skills

- `paid-ads` — 付费投流渠道管理
- `marketing-ideas` — 营销策略与渠道ROI关联
- `ga4` — GA4数据采集与初步归因
- `gsc` — 搜索控制台数据
- `financial-analyst` — 财务ROI计算