常见用户行为分析模型解析（8）——归因分析

在用户行为分析领域，数据分析方法的科学应用与理论推导相结合，可以相对完整地揭示用户行为的内在规律。归因是精细操作的重要工具。归因的最终目的是促进经营转型和收入增长。本文详细介绍了归因分析模型的概念和应用场景，并与大家分享。

在个人电脑互联网时代，网站吸引新用户的主要方式之一是投放在线广告。然而，相同的广告可以被放置在多个频道中，并且用户只有在不同的频道中多次看到该广告之后才可以购买该广告。此时，尽管用户仅在最后一次看到广告时点击，但是先前的曝光可能已经给用户留下印象并建立了心理认知，从而有助于用户的点击。

那么如何将用户点击行为的“贡献”合理地分配给每个渠道呢？这是渠道归属应该解决的问题。渠道属性用于衡量渠道的效果，进而可以指导业务人员在投放渠道时合理配置投资。

一、归因分析综述

随着移动互联网的兴起，业务形式变得越来越复杂，对站内归属(也经常称为“坑归属”)的需求日益增加。以个体户电子商务公司为例:同一个商品可能会暴露在站内的几个“坑”中，如首页横幅的特殊销售活动页面、商品详细信息页面的相关推荐、购物车页面底部的推荐列表。操作者需要知道这些“坑”对最终产品的“贡献”有多大，以便指导站内产品的操作，例如，将主推产品推入对产品生产贡献大的坑中，给予更多的曝光，带来更多的转化。

对于归因分析来说，一个非常重要的命题是如何根据当前的场景和目标合理地分配每个坑的“贡献”。让我们以站内属性为例，推广一些常见的属性分析和计算思想。假设用户在一天内按以下顺序使用应用程序:

首先，启动APP，进入主页，先搜索，在搜索结果列表页面上看到商品a，浏览商品a的详细信息，感觉不错，但没有购买，退出APP。然后，再次启动APP，查看主页顶部的横幅，点击进入活动子会场，浏览时再次查看商品a，点击再次查看商品a的详细信息。之后，我直接进入主页，在底部的推荐列表中推荐了用户对商品a的评论。点击进入，再次查看商品a的详细信息。最后，他下定决心，买了商品a。

上述过程是用户做出购买决策的一个非常典型的途径。在整个过程中，用户已经浏览了商品A的详细页面三次，并且都是通过不同的门户访问的。如果该用户的单次转换的积分被分配到相应的3个坑，那么实际上没有对此类问题的标准答案。以下是一些可供参考的常见想法。

图4常见的归因想法

1.第一归因

当要选择多个联系人时，第一个联系人的信用被认为是100%。原因是第一次接触为用户建立了认知，并与用户形成了联系。它适用于重视新用户线索的企业。

2.最后归属

当要选择多个联系人时，最后一个联系人的信用被认为是100%。这种思想应用最为广泛，通常用于计算电子商务业务的站内属性。

3.线性属性

当要选择多个联系人时，认为每个“要归属的事件”将平均分配信用。适用于具有平均凹坑效果的产品。

4.位置属性

当选择多个联系人时，第一个和最后一个联系人应各获得40%的积分，其余联系人应平均分享剩余的20%。考虑最初的线索和最终的决定。

此外，还有“时间筛选属性”和“最后一次间接点击”的属性计算思路，这里不再详细描述，感兴趣的读者可以进一步查阅相关资料。上述每一种属性计算思想都有自己的考虑和不同的适用范围，没有绝对的优劣之分。在实际应用过程中，有必要根据自身业务特点选择合适的归属计算思路。

二、归因分析应用实例

1.场景:电子商务中的归因

回到上述电子商务案例，我们对2月3日至2月5日达成的订单进行了归属分析。我们在这里选择的属性计算方法是“最后一个属性”。属性窗口周期设置为1天，即观察用户在订单行为发生前24小时内点击了哪些坑。然后找到最近的点穴行为来“提交订单”。

最终结果如下图所示。在应用程序的多个坑中，第一页被选择用于推荐，而业务细节被关联用于推荐。首页横幅和首页操作位置对订单形成的贡献分别为37.5%、20.83%、20.83%和12.5%。购物车下方的搜索和相关建议只带来了不到10%的单笔捐款。通过这个结果，可以清楚地反映以下信息:

最终贡献反映了不同凹坑位置对最终单个变换的贡献以及它们之间的差异。通过比较不同坑洞位置的有效转化率，可以知道不同坑洞位置对用户的吸引程度。-电子商务下的3站归属

注意:总点击次数和有效点击次数之间的差异。在所选时间段和窗口时间段内，点击总数是点击数的总和，其中大部分没有最终转化为单次点击，而转化为单次点击所产生的那些点击被视为有效点击。因此，点击率的有效转换可以测量凹坑位置的吸引力。转换率越高，吸引度就越大，如果出现点击率，转换的概率就越大。

事实上，所有具有交易和充值链接的企业都可以通过属性分析帮助我们在众多营销联系人中找到一个或多个最有效、对用户认知影响最明显的联系人。这将指导我们在随后的站内资源比特分配中将最合适的资源比特分配给不同的服务。

#相关阅读#

常见用户行为分析模型分析(1)——行为事件分析

常见用户行为分析模型分析(2)——用户保持力分析

常见用户行为分析模型分析(3)——漏斗分析

常见用户行为分析模型分析(4)——用户行为路径分析

常见用户行为分析模型分析(5)——用户分组

常见用户行为分析模型分析(7)——区间分析模型

作者:张桥，厕神数据内容营销负责人。公共号码:神圣政策数据

这篇文章最初是由@张桥发表的。每个人都是产品经理。未经允许禁止复制。

主题图来自Unsplash，基于CC0协议。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/7833.html。