归因模型全景：七种模型各自的适用场景

归因要回答一个问题：用户买了东西，这笔功劳算给谁？

渠道多了之后这个问题就绕不过去了——用户先看了小红书的测评，又点了百度竞价，最后在官网下了单。这单该算给谁？

为什么没有标准答案

因为「功劳分配」本质上是个约定问题，不是事实问题。用户自己也不知道是哪条广告打动的。不同的归因模型，本质是给「决策贡献」定不同的先验假设。

这意味着：模型之间没有绝对优劣，只有是否匹配你的业务。

七种常见模型

1. 末次触点（Last Touch）
把功劳给最后一次点击的渠道。

• 优点：简单、绝大多数平台默认、可信度高
• 缺点：严重低估了上游渠道的种草作用
• 适用：直接响应型业务（搜索竞价、电商促销）

2. 首次触点（First Touch）
把功劳给第一次点击的渠道。

• 适用：品牌认知阶段重要的业务（新品教育、长决策周期产品）
• 缺点：高估了曝光型渠道

3. 线性归因（Linear）
各触点平分功劳。

• 优点：无偏、容易沟通
• 缺点：等于放弃了「哪条渠道最关键」的判断
• 适用：需要向非技术方解释时

4. 时间衰减（Time Decay）
越接近转化的触点权重越高，指数递减。

• 适用：短决策周期、需要区分「辅助触点」和「临门一脚」的业务
• 缺点：参数（衰减周期）需要调

5. 位置归因（Position Based / U型）
首次和末次各占 40%，中间平分。

• 适用：需要同时尊重「种草」和「收割」两个阶段
• 评价：折中方案，但本质仍是人为约定

6. 数据驱动归因（Data-Driven）
用机器学习从数据里找各渠道的边际贡献。

• 优点：理论上最接近真实贡献
• 缺点：需要足够大的数据量和转化量才能训练；小样本下会过拟合到无法解释
• 适用：月转化量过千、有专职分析团队的公司

实际怎么用：别只用一个模型

务实的做法是多模型交叉验证：

1. 同时跑末次触点和数据驱动，看两者结论差异有多大
2. 差异大的渠道，就是你认知最模糊的地方，值得单独做实验
3. 用实验结果（真实的增量测试）去校准归因结论

归因模型给出的是假设，增量测试给出的是事实。 两者不可互相替代。

选型要点

• 你的转化周期多长？超过 30 天的决策链路，末次触点几乎无意义
• 各渠道的流量占比是否悬殊？如果 80% 转化都来自一个渠道，归因模型怎么选都不影响结论
• 是否支持多触点归因？只能做单触点的平台工具在当前基本不够用
• 能否导出触点明细做二次分析？

适用边界

• 归因不是因果。它描述「用户路径」，不证明「撤掉这个渠道销量会跌」
• 平台数据不可全信。各平台的归因窗口（点击后多久算转化）设置不同，跨平台对比时要统一
• 小流量业务做数据驱动归因基本无效，样本量不够
• iOS 隐私政策后，跨设备归因精度显著下降，任何声称精准的方案都要打折看

与相邻概念的区别

| 概念 | 回答的问题 | 区别 |
|—|—|—|
| 归因模型 | 之前的触点该分多少功劳 | 基于历史路径的统计推断 |
| 增量测试（Incrementality） | 撤掉这个渠道销量会怎样 | 用随机实验证明因果 |
| MTA（多触点归因） | 同上，是归因的主流方法 | 是归因的一个类别 |
| MMM（营销组合建模） | 宏观上各渠道贡献多少 | 用统计模型在聚合数据上做，适合大预算品牌 |
| UTM 参数 | 单个渠道的流量来源标记 | 是底层数据采集手段，不是归因方法 |

参考来源

• Google Analytics 4 官方归因文档（提供多种归因模型配置）
• Adobe Analytics、Amplitude 的归因模型文档
• 《广告法》与各平台广告数据使用规范中对归因口径的说明

---