TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

全渠道分析:先把同一个人连起来,再比渠道

全渠道分析把网站、App、小程序的数据合成一个人级旅程。为什么按渠道分开看会重复计人,怎么打通身份和事件,一个可复算的跨端算例配四种归因模型,以及边界。

陈屿 发布于 2026 年 11 月 16 日 11 分钟阅读 数据分析
示例数据:1,000 个网页首访的人里,120 人在 30 天内于 App 下单。按首触来源是 60/400 = 15.0%(付费)、42/350 = 12.0%(自然)、18/250 = 7.2%(社交)。末次点击会把 120 单全记给 App,藏起社交的 18 次助攻。示例数据

全渠道分析就是把网站、App、小程序的数据当成同一个人的一段旅程来读——难在先把同一个人连起来,而不是多堆报表。本文给出去重算术、一个可复算的跨端算例配四种归因模型、身份与事件的打通方法,以及边界。

读完你会知道

  • 按平台各看的报表会重复计人:1,000 个网页首访加 300 个 App 用户加成 1,300,多算 30.0%,还把一段旅程拆成假的网页 0% 对 App 40.0%。
  • 先连身份——每个平台一个匿名 ID,登录时用 tapcub.login 合并,读一份人级档案;匿名访客无法跨端合并。
  • 归因模型并排读:算例的两触点旅程里,首触记网页 120、末次记 App 120、线性和位置 60 / 60——所以别只凭末次点击就砍渠道。

什么是全渠道分析?

全渠道分析把每个渠道、每台设备上的数据——网站、App、小程序、邮件、线下门店——当成同一个人的一段旅程来读,而不是各渠道各出一份报表。目标是单一客户视图:同一个人在所有触点上做了什么、又是哪些触点促成了结果。Matomo 的指南把它定义为把线上和线下交互合并成统一的客户视图;ThoughtSpot 则说它是旅程衡量,而不是「多堆几张看板」。

一个实用的检验:如果你的「全渠道」看板仍然把同一个人在网页上算一次、在 App 上又算一次,那它只是挂了同一个标志的多渠道报表。跨渠道分析把触点串成一段旅程;全渠道分析则把它们归到同一个身份、同一套事件模型上——Adobe Customer Journey Analytics 的文档把这称为人级(而非设备或 Cookie 级)的身份拼接。投放和广告采买那一侧(预算、创意、渠道组合)见跨渠道营销。

做法数据范围身份层级回答的问题
多渠道每个渠道各一份报表不共享——同一个人在每个平台再算一次每个渠道自己表现如何?
跨渠道把触点串成一段旅程常停留在设备或会话级渠道之间怎么交接?
全渠道所有渠道一套事件模型识别后的同一个人这个人跨所有触点做了什么、什么促成了结果?

区别取自 Matomo 的全渠道指南、Twilio 的多渠道与全渠道对照小节,以及 Adobe CJA 的人级拼接考量。

为什么按渠道分开看的报表会误导

按平台各看的看板会重复计人,也会把旅程藏起来。两道算术题就能说明原因(示例数据)。

去重问题。 假设有 1,000 人首次到访你的网站。之后,这同一批人里有 300 人也用了你的 App。把各平台的「用户」数相加:1,000 + 300 = 1,300。但真实的人只有 1,000 个。原始加总多算了 300——虚高 30.0%(300 ÷ 1,000)。建立在这个分母上的每个指标,从单用户成本到触达量,都按同样的幅度算错了。

转化错觉。 再假设这 120 人在 30 天内于 App 里下了首单。单独看每个平台:

  • 网页:0 单 ÷ 1,000 访客 = 0% 转化。
  • App:120 单 ÷ 300 用户 = 40.0% 转化。

看板于是说「App 能转化,网页毫无价值」——这只是把一个人拆成两行造成的假象。网页访问和 App 下单本是同一段旅程;那 120 单正是由网页会话开启的。先把身份连起来,网页的贡献就显现了。难点在于报表里缺了「同一个人」,而不在于报表本身。

怎么把同一个人在网站、App、小程序上连起来

身份识别把多渠道的几行数据变成一个人。确定性的规则分三步:

  1. 每个平台一个匿名 ID。 登录之前,每台设备、每个平台各有一个匿名访客 ID。网页 Cookie 和 App 安装 ID 这时还不是同一个人。
  2. 登录时合并。 登录时,在网站和 App 上用同一个用户 ID 调用 tapcub.login;两个匿名 ID 就此归到一个已知的人身上。Google Analytics 4 的 User-ID 文档讲的是同一套机制:一个登录 ID 把一个人跨设备、跨平台关联起来。
  3. 读合并后的档案。 这个人现在有了一条跨平台、按天排列的时间线;分群和漏斗作用于人,而不是设备。

匿名边界。 如果访客从不登录,你就无法确定性地把他们跨平台合并——只能在单个平台内部关联。Adobe CJA 的拼接说明讲得很明确:人级识别需要一个共享的持久 ID,而不是临时的设备 ID。在 TapCub 里,匿名访客没有档案,也不进分群。参见身份识别、识别用户和跨设备合并。

怎么让各平台的事件可比较

共享身份是必要条件,却不是充分条件:如果「purchase」在网页和 App 上含义不同,统一视图照样是一笔糊涂账。三条打通规则。

一本事件字典。 每个事件只定义一次,带上平台字段,到处复用:

事件名平台触发时机必填属性
web_visitweb着陆页加载source、landing_page
app_openios / androidApp 切到前台user_id(已登录时)
purchaseweb / ios / android / mp / server订单确认order_id、value、currency

purchase 在每个平台上都保持同名、同必填属性,包括给后端或线下订单留的 server 一行——这正是统一数据模型的价值。

一个时区。 整个项目选一个时区,让「天」的边界对齐;否则一次 23:50 的网页访问和一次 00:10 的 App 下单会落在不同的两天,按天的关联就断了。

线下和后端渠道作为事件。 门店自提、呼叫中心订单、POS 销售没有 SDK。把它们用服务端 HTTP 接口发成事件(或导入日志),事件名相同,知道用户 ID 时就带上;线下渠道只能作为事件进入模型。

相信一份跨渠道报表之前,先过这份清单:

  • 每个平台事件名和必填属性一致。
  • 所有平台用同一个项目时区。
  • 登录时在网站和 App 触发 tapcub.login。
  • 线下和后端订单作为服务端事件发送,知道用户 ID 时带上。

算例:网页首访、却在 App 下单的访客

完整算术,从头到尾可复算(示例数据)。

这批人。 1,000 人首次从网页进来,按首触来源分:付费搜索 400、自然搜索 350、社交 250(400 + 350 + 250 = 1,000)。其中 300 人后来用了 App,30 天内有 120 人在 App 下了首单。按网页首触来源,这 120 单分成 60 / 42 / 18(60 + 42 + 18 = 120)。

按首触来源的转化率(订单数 ÷ 从该来源起步的人数):

  • 付费搜索:60 ÷ 400 = 15.0%。
  • 自然搜索:42 ÷ 350 = 12.0%。
  • 社交:18 ÷ 250 = 7.2%。

没打通时,网页显示 0%、App 显示 40.0%(120 ÷ 300)。打通后,网页各来源有了真实转化——而转化率最低的社交,也开启了 18 单,只看 App 的报表里这些单在网页侧算不到任何人头上。

同一段旅程上的四种归因模型。 这 120 单每一单都有一段两触点旅程:先一个网页会话,再 App 下单。

模型网页来源功劳App 功劳2 个触点时的规则
首触120(60 / 42 / 18)0功劳全给首触
末次0120功劳全给末触
线性6060平分(50 / 50)
位置60602 个触点 → 50 / 50,所以这里线性 = 位置

只有两个触点时,线性和位置给出同样的 60 / 60 分法;到了三个或更多触点才分道扬镳——位置模型给首尾各 40%、中间分 20%。时间衰减会给 App 略多于 60,因为它在时间上离下单更近。

判断规则。 别凭一份末次点击报表就砍掉社交——它助攻了 18 单,而末次点击把这些藏了起来。回看窗口框定了这一切:30 天窗口(含转化那次会话)下,第 31 天的订单拿不到功劳。把首触和末次并排读;两者的差额正是单一模型扔掉的助攻价值。参见归因。

app.tapcub.com

按网页首触来源的 App 下单转化率

订单数 ÷ 首触人数
付费搜索15.0%
自然搜索12.0%
社交7.2%
示例数据
示例数据:1,000 个网页首访的人里,120 人在 30 天内于 App 下单。按首触来源是 60/400 = 15.0%(付费)、42/350 = 12.0%(自然)、18/250 = 7.2%(社交)。末次点击会把 120 单全记给 App,藏起社交的 18 次助攻。

全渠道分析能回答哪些问题和指标

身份和事件统一之后,衡量旅程,而不是平台。核心 KPI:

指标公式告诉你什么
按来源的旅程转化订单数 ÷ 该来源的首触人数哪个渠道开启了会转化的旅程(上面 15.0% / 12.0% / 7.2%)
跨端率合并后人数 ÷ 总人数你能端到端看清多少受众
客服助攻转化聊过且达成目标的转化率 对比 只浏览的转化率在线客服是否推动了结果
渠道 ROI花费 ÷ 订单数,或 收入 ÷ 花费每个渠道每个结果的成本

小样本规则。 看客服助攻转化时,如果聊过的人少于 30,把提升当作方向性参考,而不是结论。任何分母偏薄的渠道都要同样谨慎:社交的 7.2% 建立在 250 人、18 单之上,先盯趋势,再谈重新分配预算。

对于周期长、有多个干系人的 B2B 旅程,同样的逻辑可以延伸到账户——参见 B2B 营销归因。

限制:全渠道分析做不了什么

把边界写成判断规则:

  • 不是点击到安装的归因。 如果你要把一次广告点击通过回传匹配到一次 App 安装,这不是那件事——它衡量旅程,不衡量安装。请用专门的归因服务商。
  • 线下只能作为事件。 一个渠道如果发不出事件(没有 SDK、没有后端钩子),就进不了模型;门店数据只能作为带用户 ID 的服务端事件接入。
  • 匿名访客各算各的。 一个人如果从不登录,你就无法确定性合并他的网页和 App 行为;身份覆盖要围绕登录来规划。
  • 回看窗口框定功劳。 窗口(默认 30 天)之外的订单拿不到功劳。窗口更长能抓到更多助攻,却会模糊因果。
  • 机器人必须移出分母。 爬虫和 AI 代理如果算进访客,每个转化率都会被压低。把它们放在单独的报表里。
  • 不做实验和广告采买。 它只衡量;不跑 A/B 测试、不出价、不做线索打分。投放执行那一侧见跨渠道营销。

在 TapCub 里怎么做

就用上面那 1,000 个网页首访的人——300 个也用了 App、120 个在 App 下单。在 TapCub 里的顺序就是本文的核心观点:先把人连起来,再做对比。

  1. 各端装进同一个项目。 从 网站统计 › 配置 › SDK 代码 装网站脚本,加上 iOS、Android 或小程序 SDK,后端或门店订单用服务端 HTTP 接口发送。网站、App、小程序进同一个项目,用同一套事件和用户模型;线下渠道只能作为事件进入。在 全端分析 › 数据管理 › 埋点方案 把 purchase 定义一次,写清平台和必填属性,再到 全端分析 › 数据管理 › 数据质量 看到达情况。
  2. 登录时合并。 在网站和 App 用同一个用户 ID 调用 tapcub.login;这台设备登录前的匿名事件会归到这个人名下。之后 全端分析 › 用户 › 用户 里是一条合并了各绑定设备、按天排列的时间线。从不登录的匿名访客不会被合并。
  3. 数人,不数各端的行。 全端分析 › 概览 › 多平台总览 按身份归一后的人来数。其中的 平台重叠 图会显示同时用过网站和 App 的 300 人,所以受众是 1,000 人,不是 1,300 人。识别率 图给出各端活跃用户里已登录的比例,网站低于 5%、App 低于 20% 时会给出改法——低于这个水平,重叠人数会被低估。
  4. 看换了端的那段旅程。 同一页的 首端 → 转化端 矩阵显示新用户首次出现在哪个端、在哪个端第一次下单:示例里的 120 单落在「网站 → App」那一格,而不是读成「App 40%、网站 0%」。可以把这一格存成分群,或者在 全端分析 › 行为分析 › 行为分析 建漏斗,把每一步的 平台 选择器依次设为网站、App。
  5. 按来源分功劳。 在同一个分析里选归因,触点设为渠道,把首次、末次、线性、位置、时间衰减一起选上,每个模型一列,首触的付费搜索 / 自然搜索 / 社交分布就和末次触点的功劳并排放着(回看窗口默认 30 天,可设 1–90)。网站统计 › 机器人 把爬虫和 AI 代理排除在访客数之外,所以这 1,000 人都是真人。

边界:匿名访客登录前不能跨端合并;线下渠道只能作为服务端事件接入;TapCub 能接收安装回传,但不是点击到安装的归因服务商;不做 A/B 测试、广告采买、CRM 或线索打分。

FAQ

多渠道分析和全渠道分析有什么区别?

多渠道分析各渠道各出报表,没有共享身份,同一个人在每个平台上都被再算一次。全渠道分析把这些触点归到同一个人、同一套事件模型上,让你读完整旅程、看清哪个渠道促成了结果。跨渠道介于两者之间:它把触点串成旅程,但常常停留在设备或会话级。

做全渠道分析一定要上 CDP 吗?

不一定。客户数据平台是统一身份和事件的一种方式,但一个把网站、App、小程序数据收进同一个项目、用同一套用户模型的分析工具,也能做同样的事。你真正需要的,是登录时一个共享的持久 ID 和一本事件字典——而不是某个特定的产品品类。

合并线上和线下数据时,同意和隐私怎么处理?

在有合法依据的前提下合并数据,并告诉用户你收集了什么。分析需要同意的地方,先尊重同意再识别用户,并为拒绝的访客提供匿名汇总模式。线下导入只在获准时才绑定用户 ID,保留和删除规则要作用于统一档案,而不是各平台各管各的。

为什么我的渠道报表会重复计人?

因为每个平台各算各的访客,而同一个人出现在好几个平台上。算例里,1,000 个网页首访的人加上 300 个也用 App 的人,加总成了 1,300 个「用户」——比真实的 1,000 人多算 30.0%。先按识别后的人 ID 去重,再去算触达、单用户成本或转化。

匿名访客能跨设备拼接吗?

不能确定性地拼。没有共享的登录 ID,网页 Cookie 和 App 安装 ID 就只是两台匿名设备;你能在单个平台内关联,却无法可靠地跨平台关联。基于持久用户 ID 的登录合并才能给出人级识别。匿名访客通常没有档案,也进不了分群。

跨渠道旅程该用哪种归因模型?

并排读几种,而不是只挑一种。算例的两触点旅程里,首触把 120 单全记给网页来源,末次全记给 App,线性和位置都分成 60 / 60。首末之间的差额正是单一模型藏起来的助攻价值,所以别只凭末次点击就砍渠道。先把同一个人连起来,渠道之间的比较才有意义。

另见:全渠道互动(Omnichannel Engagement):含义和衡量方法。

另见:跨渠道活动管理:一个身份、一套定义、一个节奏。

Sources

归档:数据分析

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

陈屿

技术工程师

专注统计代码、SDK 与接口集成文档,从接入验证到问题排查,帮助开发者更顺畅地完成实施。

网站、App、小程序,一个项目

TapCub 用同一套事件和用户模型采集各端,登录时合并身份,归因模型并排成列——客服还用同一个访客 ID。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie