多触点归因：在同一条客户旅程上对比各种模型

一位客户先看到社交广告，过几天搜了你的品牌，又打开了一封邮件，最后直接访问网站下单。功劳算谁的？单触点模型把功劳全给首次或末次访问；多触点归因则按规则或数据，把功劳分给多个接触点。下面把常见模型都套在同一条旅程上，让你看清功劳是怎么移动的，再说明这些模型回答不了什么，以及怎样搭建才能让数字有用。

什么是多触点归因？

多触点归因（Multi-Touch Attribution，MTA）是把一次转化的功劳分给它之前的多个营销接触点，而不是全部给其中一个。接触点通常是一次有明确来源的访问：广告点击、自然搜索、邮件、外链引荐。模型决定功劳怎么分。

目的是更公平地看清各渠道的贡献，避免因为某些渠道很少「收尾」，就砍掉那些负责「开头」的渠道预算。

单触点和多触点

单触点模型简单，但常常误导：

• 末次触点把全部功劳给最后一次访问。它偏向品牌词搜索、直接访问和邮件，而这些渠道往往是在给其他渠道开启的旅程收尾。
• 首次触点把全部功劳给首次访问。它偏向认知类渠道，忽略了真正说服人的环节。

多触点模型把功劳分摊到整条旅程上。没有哪个是「正确的」，每个模型都隐含了一个「什么更重要」的假设。下表汇总了常见模型。

常见模型

基于规则的模型是固定公式；数据驱动模型从你的转化数据中学习权重。各模型的要点见表格；下一节把它们套到同一条旅程上，让你看清这些公式到底做了什么。

W 型模型在位置模型的基础上，增加第三个关键节点（常为留资）。

同一条旅程在五种模型下

示例数据：一位客户走向购买的路径，括号里是距离转化的天数。

1. 付费社交广告点击（转化前 20 天）
2. 自然搜索品牌词（转化前 12 天）
3. 邮件订阅点击（转化前 3 天）
4. 直接访问并购买（当天）

时间衰减这一行的算法：每个接触点的权重是 2^(−天数 ÷ 7)，依次为 0.138、0.305、0.743、1.000，合计 2.186；每个权重除以合计就是占比。转化前 7 天的接触，分量是当天接触的一半。

同一笔购买，付费社交分到的功劳从零到全部都有可能，取决于用哪个模型。这不是挑对模型就能修好的缺陷，而正是要同时对比几个模型的原因。

三种模型下的渠道对比

放到 1,000 次示例转化上，差异就累积起来了。付费社交开启了 320 段旅程（首次触点），却只收尾了 120 次（末次触点）；邮件正好相反，90 对 260。按线性分配，两者都落在中间。如果团队只看末次触点，就会认为付费社交是最差的渠道并砍掉它，然后看到首次访问、进而后续转化一起下滑。

这张表的实际读法：用首次触点判断哪些渠道带来新人，用末次触点判断哪些渠道促成成交，用线性或位置模型讨论整体预算。

app.tapcub.com

1,000 次转化：首次、末次与线性归因

示例 · 回溯 30 天

渠道	首次触点	末次触点	线性
付费社交	320	120	210
自然搜索	280	250	290
邮件	90	260	180
直接访问	210	290	220
外链引荐	100	80	100

每一列合计都是 1,000 次转化。

示例数据

数据驱动归因

数据驱动归因对比转化者和未转化者的路径，估算每个接触点让转化概率改变了多少。Google 介绍其 Analytics 和 Ads 的数据驱动归因时提到，它借鉴了合作博弈论中的沙普利值（Shapley Value）：按每个参与者的边际贡献分配总收益。Dalessandro 等人（2012）等学术研究，则把归因看作估计每个渠道的因果效应。

它需要大量转化数据，更难解释，而且仍然建立在已观测到的路径上，所以同样有下面这些局限。

多触点归因回答不了什么

• 增量：归因展示的是哪些渠道出现在转化路径上，而不是这些人如果没有这个渠道会不会照样转化。品牌词搜索和再营销，在「本来就要买的人」的路径上看起来效果极好。要衡量提升，用保留组或实验；参见增量。
• 曝光：大多数基于网站的归因只看得到点击和访问，看不到「看过但没点」的广告。
• 跨设备旅程：用户不登录时，会被当成不同的人。
• 线下接触：展会、销售电话、口碑，除非导入，否则看不见。
• 同意和隐私：拒绝跟踪或屏蔽脚本的访客，会在路径上留下空缺。
• 长周期：超出回溯窗口的接触会被截掉。

做渠道级的预算决策时，很多团队会把多触点归因和营销组合模型（MMM）、定期的增量测试结合起来使用。

怎样搭建可信的归因

1. 每次分析只定义一个转化：购买、注册或预约演示。
2. 统一给链接打标记：每个活动链接都加 UTM 参数并遵循命名规范，否则接触点会落进「直接访问」或「外链引荐」。
3. 选合适的回溯窗口：冲动型购买 7 天，B2B 30–90 天。
4. 确定身份口径：访客、设备还是登录用户。登录身份能把多台设备连起来。
5. 并排对比两三个模型，写下每个模型回答的问题。
6. 每季度复盘一次，重大结论用增量测试验证。

归因和用户在站内的访问顺序有什么区别，见转化路径。

TapCub 里的多触点归因

归因是 全端分析 › 行为分析 › 行为分析 里的一个视图：

• 目标：一个事件或页面，写法和漏斗步骤一样。
• 触点：默认是渠道（为空时回落到来源渠道），也可以选来源渠道、UTM 来源、UTM 活动、来源域名或着陆页。
• 回溯窗口：默认 30 天，可设 1–90 天，包含转化发生的那次会话。
• 模型：首次触点、末次触点、线性、位置（只有一个接触时全给它；两个时各一半；更多时首末各 40%，中间平分 20%）和时间衰减（半衰期默认 7 天，可设 1–90 天），可同时选择，结果按列展示。
• 可选的前向事件：只保留发生在某事件（比如注册）之后的接触。
• 结果：转化数、已归因转化数、无接触的转化数、每次已归因转化的平均接触数，以及每个触点值在各模型下的功劳、转化路径和触点转化率。

每次查询最多计算 50,000 次转化。它基于站内会话；TapCub 不负责把广告点击和 App 安装做匹配。具体操作步骤见对比归因模型。

常见问题

多触点归因和单触点归因有什么区别？

单触点归因把一次转化的全部功劳给一个接触点，通常是首次或末次；多触点归因按规则或数据驱动模型，把功劳分给多个接触点。

哪个多触点归因模型最准？

没有普遍适用的答案。位置模型适合作为讨论预算的默认选择；首次触点回答什么带来新人；末次触点回答什么促成成交。对比两三个模型，重大决策再用增量测试确认。

什么是 U 型归因模型？

一种位置模型：首次接触得 40%，末次接触得 40%，剩下的 20% 由中间的接触平分。

隐私法规下还能做多触点归因吗？

能，但有边界。自有网站上自己做的统计依然能看到访问和来源；主要的缺口是未登录的跨设备旅程、广告曝光，以及拒绝跟踪的访客。

资料来源

• Google Analytics 帮助，归因入门。
• Google Ads 帮助，关于数据驱动归因。
• Dalessandro, B., Perlich, C., Stitelman, O. and Provost, F. (2012). Causally Motivated Attribution for Online Advertising. ADKDD '12.
• Shapley, L. S. (1953). A Value for n-Person Games. 收录于 Contributions to the Theory of Games II. Princeton University Press.