通过归因,可自定义维度项目获取成功事件点数的方式。
例如:
在某些报告中,您可能希望将订单归因到“付费”搜索。在其他报告中,您可能希望将订单归因到社交。通过归因,您能够控制报告的这一方面。
您可以通过更新数据视图中量度的设置,为给定量度设置默认归因模型。 只要量度在Analysis Workspace中使用,这样做就会覆盖该量度的归因模型。
要更新组件的默认归因模型,请执行以下操作:
转到包含要更新其默认归因模型的组件的数据视图。
选择组件,然后展开屏幕右侧的归因部分。
选择 设置归因,然后在中选择归因模型 归因模型 下拉菜单。
请参阅 归因模型 了解每个归因模型。
选择保存并继续。
如果您的组织要求一个量度具有多个归因设置,您可以执行以下操作之一:
使用每个所需的归因设置复制数据视图中的量度。 您可以在一个数据视图中包含多次相同的量度,从而为每个量度提供不同的设置。 确保适当地标记每个量度,以便分析师在生成报表时了解这些量度之间的差异。
覆盖Analysis Workspace中的量度。 在量度的 列设置,选择 使用非默认归因模型 更改该特定报表的量度归因模型和回顾时间范围。
归因模型确定在量度的回顾窗口内看到多个值时哪些维度项目获得量度的点数。 仅当回顾时间范围内设置了多个维度项时,才应用归因模型。 如果仅设置单个维度项目,则无论使用何种归因模型,该维度项目都会获得100%的点数。
图标 | 归因模型 | 定义 |
---|---|---|
![]() |
最后接触 | 将100%的点数分给转化前最近发生的接触点。 如果没有另外指定归因模型,此归因模型通常是任何量度的默认值。 组织通常在转化时间相对较短的情况下使用此模型,例如分析内部搜索关键词。 |
![]() |
首次接触 | 将100%的点数分给在归因回顾时间范围中看到的首次接触点。 组织通常使用此模型来了解品牌知名度或客户获取。 |
![]() |
线性 | 将相同的点数分给促成转化的每个接触点。 当转化周期较长或需要更频繁的客户参与时,此功能非常有用。 组织通常使用此归因模型来衡量移动应用程序通知的有效性或用于基于订阅的产品。 |
![]() |
参与率 | 将 100% 的点数分给所有独特的接触点。由于每个接触点接收100%的点数,因此量度数据通常合计超过100%。 如果某个维度项目出现多次且导致转化,则会删除重复值,即100%。 当您想要了解客户接触哪些接触点最多时,此归因模型非常理想。 媒体组织通常使用此模型来计算内容周转率。 零售组织通常使用此模型来了解其网站的哪些部分对转化至关重要。 |
![]() |
同一接触 | 将100%的点数分给发生转化的同一事件。 如果在转化的同一事件中没有发生接触点,则它将存储在“无”下。 此归因模型有时等同于根本没有归因模型。 如果您不希望从影响量度如何向维度项目提供点数的其他事件中获得值,则此选项很有价值。 产品或设计团队可以使用此模型来评估发生转化的页面的有效性。 |
![]() |
U 型 | 将 40% 的点数分给首次交互,40% 的点数分给最后交互,并将剩余 20% 的点数分给这两次交互之间的任意接触点。对于具有单一接触点的转化,它将分得 100% 的点数。对于具有两个接触点的转化,两个接触点各分得50%的点数。 此归因模型最适合以下场景:您对第一个和最后一个交互的评价最多,但不希望完全消除两者之间的其他交互。 |
![]() |
J 曲线 | 将 60% 的点数分给最后一次交互,20% 的点数分给首次交互,并将剩余 20% 的点数分给这两次交互之间的任意接触点。对于具有单一接触点的转化,它将分得 100% 的点数。对于具有两个接触点的转化,将75%的点数分给最后一次交互,将25%的点数分给首次交互。 与U形类似,此归因模型更支持首次交互和最后交互,但更支持最后交互。 |
![]() |
反向 J | 将 60% 的点数分给首次接触点,20% 的点数分给最后接触点,并将剩余 20% 的点数分给这两次接触点之间的任意接触点。对于具有单一接触点的转化,它将分得 100% 的点数。对于具有两个接触点的转化,将75%的点数分给首次交互,将25%的点数分给最后一次交互。 与J形类似,此归因模型更支持首次交互和最后交互,但更支持首次交互。 |
![]() |
时间衰减 | 采用具有自定义半衰期参数的指数衰减,默认值为 7 天。每个渠道的权重,取决于在接触点启动与最终转化之间流逝的时间。用于确定点数的公式是 2^(-t/halflife) ,其中 t 是接触点与转化之间流逝的时间。然后,所有接触点均被标准化为100%。 非常适合您希望根据特定且重要的事件来衡量归因的情况。 发生此事件后转化的时间越长,获得的点数就越少。 |
![]() |
自定义 | 允许您指定要赋予给“首次接触点”、“最后接触点”以及“这两次接触点之间的任意接触点”的权重。 即便输入的自定义数字相加之和并不等于 100,指定的值也会被标准化为 100%。对于具有单一接触点的转化,它将分得 100% 的点数。对于具有两个接触点的交互,中间参数会被忽略。然后,首次接触点和最后接触点会被标准化为100%,并相应地分配点数。 此模型非常适合想要完全控制归因模型,并具有其他归因模型无法满足的特定需求的分析人员。 |
![]() |
算法 | 使用统计技术动态确定所选指标的最佳点数分配方式。 归因算法基于合作博弈理论中的 Harsanyi Dividend 算法。Harsanyi Dividend 算法是对“沙普利值”解决方案(以诺贝尔经济学奖获得者罗伊德·沙普利 (Lloyd Shapley) 命名)的推广形式,用于为对结果具有不同贡献的各参与者分配功能值(点数)。 在高层面上,归因的计算方式是参与者联盟,盈余必须公平分配到该联盟中。 按照递归方式,每个联盟的剩余价值分配取决于由先前的每个子联盟(即先前参与的维度项目)产生的剩余价值。 有关更多详细信息,请参阅约翰·海萨尼和劳埃德·沙普利的原稿: 夏普利,劳埃德S(1953年)。 A value for n-person games. Contributions to the Theory of Games, 2(28), 307-317. Harsanyi,约翰C(1963年)。 A simplified bargaining model for the n-person cooperative game. International Economic Review 4(2), 194-220. |
回顾时间范围是指转化应回顾以包含接触点所花费的时间。如果在回顾窗口之外设置维度项,则该值不会包含在任何归因计算中。
请仔细研究下面的示例:
根据您的回顾窗口和归因模型,渠道会收到不同比例的点数。以下是一些典型的有趣示例:
2^(-0/7) = 1
2^(-0/7) = 1
2^(-6/7) = 0.552
2^(-9/7) = 0.41
如果点数属于多个渠道,则通常具有整数的转化事件会被划分。 例如,如果使用线性归因模型分析得出两个渠道对某个订单都有贡献,则两个渠道得到的订单都是0.5。 这些局部量度在所有人员中相加,然后在报表中四舍五入到最接近的整数。