8 种归因模型对比：你该选用哪一种？

一位用户点击了一则 Google 广告，一周后读了一篇博客文章，打开了一封邮件营销，最后直接输入你的 URL 完成购买。这次转化的功劳应归于哪个触点？答案完全取决于你的归因模型——而选错模型可能会让你在并未驱动增长的渠道上过度投入，同时在真正驱动增长的渠道上投入不足。

本指南涵盖八种归因模型，从最简单的（末次点击）到最精密的（Shapley 值）。对于每种模型，我们都会解释它如何运作、何时使用，以及 Gurulu 如何实现它。读完之后，你会知道哪种模型契合你的业务，以及为什么。

什么是归因？

归因是将一次转化的功劳分配给影响它的营销触点的过程。触点是用户与你品牌之间的任意一次交互：一次广告点击、一条社交媒体帖子、一次邮件打开、一次直接访问、一条自然搜索结果。大多数用户在转化前会与多个触点交互，而归因模型则定义了在这段旅程中分配功劳的规则。

8 种模型

1. 末次点击归因

转化前的最后一个触点获得 100% 的功劳。这是大多数分析平台的默认设置，因为它实现简单、易于理解。问题在于，它完全忽略了最后一次点击之前发生的一切。如果某用户通过一则 Google 广告发现了你，被一系列邮件培育，最后直接输入你的 URL 完成转化，末次点击会把所有功劳都归给直接流量——而这对你毫无帮助。

适用场景：你的销售周期短、只有单一触点，或将其作为与其他模型对比的基准线。

2. 首次点击归因

旅程中的第一个触点获得 100% 的功劳。这个模型重视发现和认知：它告诉你哪些渠道把新用户带入了你的漏斗。它有助于了解漏斗顶部的表现，但对初次发现之后发生的一切视而不见。某用户可能通过自然搜索发现了你，然后还需要再经历六个触点才转化——而首次点击会忽略它们全部。

适用场景：你想为认知和新用户获取做优化，或你的漏斗头重脚轻、大部分流失都集中在发现阶段。

3. 线性归因

旅程中的每个触点获得相等的功劳。如果一笔 $100 的转化前有四个触点，则每个获得 $25。线性模型公平却天真——它假定每次交互的贡献都相等，而这鲜少属实。教育了用户的那篇博客文章，与提醒他们回来的那则重定向广告，对决策的影响很可能截然不同。

适用场景：你的销售周期漫长复杂、触点众多，且对哪些阶段最重要并无强有力的假设。

4. 时间衰减归因

越接近转化的触点获得的功劳越多，超过较早的触点。衰减遵循一条带可配置半衰期的指数曲线（Gurulu 默认为 7 天）。转化前一天发生的触点，所获功劳大约是转化前八天发生触点的两倍。这个模型反映了这样一种直觉：近期的交互比久远的交互更具影响力。

适用场景：你的销售周期以天或周计，且近期触点确实更具影响力（在电商和 SaaS 试用中常见）。

5. 基于位置（U 形）归因

首个和末个触点各获得 40% 的功劳，余下的 20% 在中间触点之间均分。这个模型承认发现（首次触点）和转化（末次触点）通常是最重要的时刻，而中间触点扮演辅助角色。Gurulu 允许你自定义分配比例。

适用场景：你认为获取渠道和转化渠道都比培育渠道更重要，这对大多数 B2B 和高决策成本的 B2C 漏斗都成立。

6. 数据驱动归因

数据驱动归因不套用固定规则，而是使用机器学习，根据你实际的转化数据来确定每个触点应得多少功劳。该模型会分析已转化与未转化的旅程，找出在成功路径中出现更频繁的触点。它会适配你的具体业务，而非依赖通用假设。

适用场景：你拥有足够的转化量（Gurulu 要求每月至少 300 次转化才能获得可靠的数据驱动归因），并希望模型反映你实际的用户行为。

7. 马尔可夫链归因

马尔可夫链归因将用户旅程建模为一系列状态转移。每个触点都是一个状态，模型会计算从每个状态到达转化的概率。分配给某个触点的功劳基于移除效应：如果将该触点从所有旅程中移除，整体转化率会下降多少。这提供了一种近乎因果的方式来衡量每个渠道的贡献。

适用场景：你想要一个能计入渠道间相互作用、数学上严谨的模型，并且拥有足够的数据来可靠地估计转移概率。

8. Shapley 值归因

Shapley 值归因借鉴自合作博弈论，它计算每个触点在所有可能的触点排序中的平均边际贡献。它在可证明意义上是分配功劳最公平的方式：没有其他方法能同时满足有效性、对称性、线性性和零贡献者这四条公理。其缺点是计算成本——Shapley 值随触点数量呈指数级增长——但 Gurulu 采用采样近似使其切实可行。

适用场景：你需要理论上最严谨的归因，且拥有复杂的多渠道旅程，功劳分配的公平性至关重要（在拥有大额预算的企业营销团队中常见）。

归因实战

理论是一回事，实战是另一回事。下面是一个具体示例，展示同一段用户旅程在每种模型下如何得出不同的功劳分配：

// Example: User journey with 4 touchpoints
// Google Ads → Blog Post → Email → Direct Visit → Purchase ($100)

// Last-click:     Direct Visit = $100
// First-click:    Google Ads   = $100
// Linear:         Each gets    = $25
// Time-decay:     Direct $40, Email $30, Blog $20, Ads $10
// Position-based: Ads $40, Direct $40, Blog $10, Email $10
// Shapley value:  Computed from marginal contributions

差异十分悬殊。在末次点击下，你会得出直接流量是你最有价值渠道的结论。在首次点击下，你会重金投入 Google Ads。在 Shapley 值下，你会看到一幅更细致的图景，其中每个渠道都有贡献。“正确”的答案取决于你想回答什么问题。

Gurulu 如何实现归因

Gurulu 在控制台中提供全部八种模型，可从任意转化报表的下拉菜单中选择。你可以即时在模型之间切换，对比功劳如何在各渠道间转移。数据驱动、马尔可夫链和 Shapley 值模型作为后台计算运行，每日更新。基于规则的模型（末次点击、首次点击、线性、时间衰减、基于位置）则实时计算。

Gurulu 中的归因建立在身份识别系统之上。由于 Gurulu 能跨设备和浏览器拼接会话，归因模型便能看到完整的用户旅程——而不只是来自单个浏览器的触点。这对准确归因至关重要：如果某用户在移动端发现你却在桌面端转化，基于 Cookie 的工具会把这次转化归给直接流量，因为它们无法关联这两个会话。Gurulu 则会正确地将其归于最初的移动端触点。

实用建议

从基于位置入手。 如果你刚接触归因建模，基于位置是最佳起点。它在为发现和转化赋予恰当权重的同时，也兼顾了漏斗中段。它易于向干系人解释，即便数据有限也能产出合理结果。

进阶到数据驱动。 一旦你积累了足够的转化量，就切换到数据驱动归因。它会告诉你，你对渠道重要性的假设是否正确——而它们往往并不正确。许多团队会发现，他们一直投入不足的渠道，其实是关键的转化驱动力。

用多个模型来做预算决策。 切勿仅凭单一归因模型来分配预算。至少并排对比三个模型。如果某个渠道在多个模型中都显示为重要，你便可以放心投入。如果它只在某一个模型下才显得重要，那就在投入预算前再深入挖掘。

总结

归因并不是一个已经解决的问题，也没有哪一种模型是放之四海而皆准的。归因建模的价值不在于找到那个"真正"的答案——而在于理解关于功劳分配的不同假设会如何改变你对各渠道表现的看法。真正把归因做对的团队，是那些使用多种模型、不断质疑自身假设，并随着数据和业务的演进持续更新方法的团队。

Gurulu 让这一切变得切实可行：它在同一份数据集上提供全部八种模型，并由跨设备身份识别提供支撑。你可以在几秒内切换模型、对比结果，并就营销预算的投放方向做出有依据的决策。