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:
- 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。
- 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。 - 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_visit | web | 着陆页加载 | source、landing_page |
app_open | ios / android | App 切到前台 | user_id(已登录时) |
purchase | web / 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 | 0 | 120 | 功劳全给末触 |
| 线性 | 60 | 60 | 平分(50 / 50) |
| 位置 | 60 | 60 | 2 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。
按网页首触来源的 App 下单转化率
订单数 ÷ 首触人数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。
- 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。 - 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。 - 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。
- 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。
- 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。
Sources
- Matomo Core Team(2024-04-14)。A Beginner's Guide to Omnichannel Analytics。Matomo。
- Adobe。Cross-channel analysis (Customer Journey Analytics)。Adobe Experience League,更新于 2026-10-09。
- Google。User-ID — GA4 developer guide。Google Developers。
- ThoughtSpot(2026-02-25)。How to drive growth with retail omnichannel analytics。ThoughtSpot。
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。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

