在搜推廣告策略方向中，歸因策略是相對重要的一個模組，那麼，你瞭解“歸因”有哪些型別、以及其對應的型別有哪些應用場景嗎？本篇文章裡，作者便進行了一定總結，一起來看一下。
今天來接著分享一下搜推廣告策略方向——歸因策略，結合上一篇文章對於歸因的定義和關鍵點說明，也給大家說清楚了為什麼要做歸因的這件事；接下來，我們需要詳細展開講講關於歸因的型別：【規則類歸因】和【演算法模型類歸因】，以及對應的歸因型別應用場景。
一、廣告中的核心歸因策略型別 & 應用場景
基於效果、品牌廣告歸因訴求以及使用場景，誕生了如下幾類廣告的歸因型別，主要分為【規則類歸因策略】與【演算法類歸因策略】。
平臺根據發展階段、廣告投放場景以及價值引導會明確歸因型別，少數頭部平臺會將歸因的方式選擇權利交由客戶選擇，例如Facebook，將歸因方式交由客戶去做自由選擇是一個平臺具備自信的體現，因為這是把渠道的投產轉化效果價值由客戶自己來明確，而不是平臺來幫助客戶進行定義，目前國內絕大多數的平臺還是明確定義歸因方式，客戶不可自由選擇。
1. 規則類歸因
定義：
基於一定的平臺運營規則、價值導向的方式進行廣告轉化效果的歸因，一般不受使用者行為，渠道效果等因素的影響。
1）渠道包歸因方式
多用於應用下載類廣告，核心就是將一個APP下載拆分不同的渠道包去投放不同的媒體端（多用於Android端），根據渠道channel_id追蹤最後效果。
“例如，一個遊戲APP在vivo、oppo、華為以及應用寶各個市場都進行了APP廣告投放，那麼每個渠道都會生成一個渠道包id，根據使用者發生的直接下載，根據渠道包歸因最後的轉化效果，我在vivo應用市場發生了下載，那麼這一次下載的日誌的channel_id就會打上vivo的編號，而不是oppo”。
但是，該歸因方式其實忽略了廣告投放路徑上的“助攻”效果，即在最終發生成交之前其他廣告給最終轉化產生了下載心智。
2）首次點選觸達歸因（First-Click）
定義：假設使用者在 1、2、3、4、5多個媒體渠道都觸達了廣告，並最終產生了轉化，此時First-Click歸因會將這個的轉化會算到首次觸達的渠道1上
；例如京東使用者在首頁焦點圖、資訊流、搜尋都對同一個商品廣告進行了點選，最後再購物車場景下點選後完成了轉化，但是廣告模型是基於首次觸達歸因，所以會被算在首頁焦點圖這次廣告觸達上。
適用範圍：
一般品牌沒有知名度的公司，會選擇首次觸達歸因，關注營銷鏈路當中最初渠道效果，根據投放路徑拆分，用於市場對廣告渠道拓展。
3）最後觸達歸因（Last-Click）
定義：假設使用者在 1、2、3、4、5多個渠道都觸達了廣告並最終產生了轉化，此時Last-Click歸因模型會將這個使用者的轉化會算到末次渠道5觸達的渠道上；
例如京東使用者在首頁焦點圖、資訊流、搜尋都對同一個商品廣告進行了點選，最後再購物車場景下點選後完成了轉化，但是廣告模型是基於末次觸達歸因，所以會被算在購物車場景下推廣的廣告觸達上。
適用範圍：
末次歸因適合轉化路徑短、行為直接的廣告場域，更多應用在京東、阿里、拼多多等電商廣告場景下；缺點也比較的明顯，因為搜尋場域的強觸達高轉化特性，大量前期在資訊流、首焦被點選的廣告，最後在搜尋場域廣告被點選都歸因到了搜尋廣告上，導致預算傾斜，所以電商平臺都開始推MTA多觸點歸因的方式。
4）線性歸因（Liner）
定義：平等對待每一個渠道對於廣告投放轉化帶來歸因效果貢獻值，將投放轉化歸因效果進行多個渠道/平臺均分，俗稱“一碗水端平”。
適用範圍：
對於所有的渠道予以同樣重視，適用於初期搭建的DSP，一般追求可解釋性強的廣告平臺。
5）U型歸因
定義：賦予首次和末次渠道下的更大的歸因權重，結合了First-Click和Last-Click歸因的方式，一般簡單規則配置做法是給首次和末次各40%，其餘20%的權重給到中間各個渠道，這麼分配的比例主要是固定首位，其餘的渠道可根據運營訴求進行歸因配置。
適用範圍：
適用於巨量廣告、騰訊廣告中的線索、表單廣告，這類廣告注重線索來源和最後促成銷售的渠道，所以一般會對首尾給予比較高的歸因權重。
6）時間衰減歸因
定義：伴隨使用者在渠道的行為時間週期，進行歸因效果權重衰減；該模型基於一個假設，認為廣告投放傳達的觸點越接近於轉化的渠道，對轉化的影響力就更大。
適用範圍：
衍生於末次點選歸因，但是沒有末次點選歸因那麼絕對，還是會考慮到渠道1、2、3、4對於最後轉化的助攻貢獻；該歸因方式適合轉化路徑較短的廣告型別，某些電商廣告平臺也在用時間衰減歸因的模型方式，如果轉化路徑過長，早期曝光/點選的渠道廣告不太友好。
2. 演算法模型歸因
1）馬爾科夫鏈模型（ Markov Chain Attribution ）歸因
定義：
其描述了一種狀態序列，是一種統計歸因方式，其每個狀態值取決於前面有限個狀態，核心是分析渠道帶來的歸因價值。馬爾科夫鏈是具有馬爾科夫性質的隨機變數的一個數列。通俗易懂的講就是
“今天的事情只取決於昨天，而明天的事情只取決於今天”，迴歸到歸因模型上，訪客下一次訪問某個渠道的機率，取決於這一次訪問的渠道、
“谷歌的PageRank，就是利用了馬爾科夫模型。假設有A，B，C三個網頁，A鏈向B，B鏈向C。那麼C分到的PR權重只由B決定，和A沒有任何關係。”
適用範圍：
本身馬爾科夫模型是資料驅動型別的歸因方式，因此適合渠道多、數量大、有建模分析能力的公司，像是Facebook、Google都屬於比較適用馬爾科夫鏈模型歸因的廣告平臺；我們用下圖來舉例說明一下。
求解渠道貢獻價值的方法：
第一步，求總體轉化機率：
P（轉化） = P（C1→C2→C3→轉化）+ P（C2→C3→轉化）=0。667*0。5*1*0。5+0。333*1*0。5=33。3%；
第二步：移除C1節點得到：
P（轉化） =0。333*1*0。5=16。7%，所以C1移除節點的效應係數為1-0。167/0。333=0。5
同理移除C2和C3的效應係數為1和1
第三步，求得各個渠道的轉化貢獻價值：
渠道轉化貢獻值C1：0。5/（0。5+1+1）=0。2
渠道轉化貢獻值C2&C3：1 /（0。5+1+1）=0。4
2）多觸點歸因MTA（Multi Touch Attribution）：CausalMTA: 基於因果推斷的無偏廣告多觸點歸因技術
背景：
2022年阿里媽媽團隊由SDS團隊和中科院計算所提出的基於因果推斷技術的無偏差廣告多渠道歸因模型策略MTA，主要是為了消除阿里多場景（搜尋、展示、資訊流、直播、影片等）使用者靜態與動態混淆偏差的影響，從而訓練無偏的轉化預測模型，透過理論分析論證了CausalMTA在給定充足廣告路徑下的有效性。
因為前文中硬規則的歸因方式其實是高估或者低估了某些渠道的真實作用，難以知道廣告主在各個渠道當中進行精準的合理預算分配。
實現方法概述：
Arthur在這裡給大家簡單介紹一下阿里媽媽這篇文章的核心思想，具體的策略會單獨一篇文章來分享講解，感興趣論文的可以私信Arthur；如圖所示。該框架有兩大關鍵模組：
使用者瀏覽路徑重加權（journey reweighting）、因果轉化預測（causal conversion prediction）
，兩大模組分別
消除靜態與動態特徵
的影響。
在使用者瀏覽路徑重加權中，使用變分迴圈自編碼器學習廣告序列的生成機率，然後採用密度比估計方式計算每條樣本的權重，基於IPTW的方式對觀測資料集重加權得到消除靜態混淆變數影響的資料分佈。
用策略產品可懂翻譯的意思就是“
分析對每一個使用者轉化的行為，在廣告的每個投放渠道發生的行為樣本（加購、點選、停留時長以及曝光次數等等）進行密度分解，判定渠道的歸因權重
”不同於馬爾科夫對通盤歸因的分析，MTA多觸點歸因是個性化到每個使用者，更甚是每個使用者的轉化行為上，相對來說歸因更加科學精準，但是可解釋性相對來說規則類稍顯欠缺。
在因果轉化預測中，本文采用RNN來建模使用者路徑的動態特徵，並採用梯度反轉層得到解耦動態特徵與廣告曝光的均衡表徵。從而得到無偏的轉化預估模型。經過兩個模組消除靜態與動態特徵的偏差後，得到無偏的預測模型，最後採用Shapley Values的計算方式完成觸點權重的分配。
二、歸因策略部分總結
總結：
關於歸因策略的介紹給大家就介紹這麼多了，主要是想給大家儘可能的相近介紹目前國內外廣告市場所應用的歸因策略。
歸因策略的選擇核心還是和廣告的場景和型別相關的，目前頭部大廠為了體現出不同渠道的價值（例如資訊流渠道對於搜尋轉化的助攻），結合使用者在不同渠道上的行為、主體等因素來透過機器學習的方法給每個使用者在每個渠道的歸因權重進行個性化分類，更加精細化地切分每個渠道對於最終轉化的效果，正確認識廣告渠道的價值。
單純的用硬規則歸因會埋沒掉很多渠道本來應該有點的價值，客戶減少投放預算之後，渠道就會變得競價不充分，平臺收入就會驟減。
所以讓廣告主認識到渠道真實價值這就是歸因策略發展的核心目的，歸因在廣告業務上也是非常難理解的部分，但是希望透過這篇文章的詳盡、深入淺出梳理，能讓大家學到相應的知識。
作者：策略產品Arthur，5年大廠策略產品專家，全網最專業的搜廣推策略產品乾貨博主，幫助你成就策略產品專家之路
本文由 @策略產品Arthur 原創釋出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
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。