归因面板 attribution-panel
归因 面板是一种简单的方式，用于构建分析来比较各种归因模型。面板为您提供了一个专用工作区，用于使用和比较归因模型。
Customer Journey Analytics 通过让您能够执行以下操作来增强归因：
- 定义付费媒体以外的归因：任何维度、量度、渠道或事件都可以应用于模型（例如，内部搜索），而不仅仅是营销活动。
- 使用无限数量的归因模型比较：动态比较任意数量的模型。
- 避免实施更改：通过报表时间处理和上下文感知会话，可以内置客户历程上下文并在运行时应用。
- 构建与您的归因方案最匹配的会话。
- 按过滤器划分归因：轻松对所有重要过滤器中的营销渠道效果进行比较（例如，新客户与老客户、产品X与产品Y、忠诚度级别或CLV）。
- 检查渠道交叉和多接触点分析：使用维恩图和直方图，以及趋势归因结果。
- 直观地分析关键营销序列：通过多节点流量和流失可视化图表，以可视方式探索导致转化的路径。
- 构建计算量度：使用任意数量的归因分配方法。
使用
要使用 归因 面板：
面板输入
您可以使用以下输入设置配置“归因”面板：
面板输出
归因 面板返回一组丰富的数据和可视化图表，其中对选定维度和量度的归因进行了比较。
归因可视化图表
以下可视化图表是面板输出的一部分。
- 总量度：在报表时间范围内发生并归因到所选维度的转化总数。
- 归因比较条形图：以可视方式，比较所选维度中各个维度项的归因转化。每种条形颜色代表一个不同的归因模型。
- 归因比较表：将相同的数据显示为条形图，以表格的形式表示。选择此表中的不同列或行，会筛选条形图以及面板中的其他一些可视化图表。此表的作用与Workspace中的任何其他自由格式表的作用相似，允许您添加量度、过滤器或细分等组件。
- 重叠图：一个维恩图可视化图表，显示排名前三的维度项以及它们共同参与转化的频率。 例如，气泡重叠的大小表示当人员出现在两个维度项目中时发生转化的频率。 选择相邻自由格式表中的其他行，会更新可视化图表以反映所选内容。
- 性能详细信息：用于可视化比较最多三个归因模型的散点可视化图表。
- 趋势化性能：显示排名最前的维度项的归因转化趋势。选择相邻自由格式表中的其他行，会更新可视化图表以反映所选内容。
- 流量：让您可以查看在人员历程中与哪个渠道交互得最多，以及按照什么顺序。
归因模型
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）。
归因的高层次计算方式为必须公平分配盈余的参与者联盟。 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John Harsanyi和Lloyd Shapley的原文：
Shapley， Lloyd S. (1953)。 A value for n-person games. Contributions to the Theory of Games, 2(28), 307-317.
Harsanyi， John C. （1963年）。 A simplified bargaining model for the n-person cooperative game. International Economic Review 4(2), 194-220.
归因的高层次计算方式为必须公平分配盈余的参与者联盟。 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John Harsanyi和Lloyd Shapley的原文：
Shapley， Lloyd S. (1953)。 A value for n-person games. Contributions to the Theory of Games, 2(28), 307-317.
Harsanyi， John 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
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。
- 14天：自转化发生后最多14天进行回顾。
- 30天：自转化发生后最多30天进行回顾。
- 60天：自转化发生后最多可回顾60天。
- 90天：自转化发生后最多可回顾90天。
- 会话：回顾到发生转化的会话之初。 会话回顾时间范围遵循数据视图中修改的会话超时。
- 人员（报告窗口）：回顾到当前日期范围当月1日的所有访问。 例如，如果报表日期范围为9月15日到9月30日，则人员回顾日期范围将为9月1日到9月30日。 如果使用此回顾窗口，则偶尔可以看到维度项目归因到报告窗口之外的日期。
- 自定义时间： 允许您从发生转化时设置自定义回看窗口期。 您可以指定分钟数、小时数、天数、周数、月数或季度数。 例如，如果转化发生在2月20日，则五天的回顾时间范围将评估归因模型中2月15日至2月20日的所有维度接触点。
recommendation-more-help
080e5213-7aa2-40d6-9dba-18945e892f79