请参阅
该视频演示了使用 Adobe Analytics 的功能。然而，该功能在 Customer Journey Analytics 中同样可用。请注意 Adobe Analytics 和 Customer Journey Analytics 之间的术语差异（例如“访问”与“会话”）。
要访问列设置，请在列标题中选择
您可以一次编辑多个列设置。选择多个列，然后在选定的任意一列中选择
条件格式 conditional-formatting
条件格式将格式应用于由您定义的上限、中点和下限。除非选择了自定义限制，否则对于各种细分，还将在自由格式表中自动应用条件格式。
替换表中的维度会重置条件格式限制。替换量度会重新计算此列的限制（其中，量度在 X 轴上，维度在 Y 轴上）。
使用非默认归因模型 use-non-default-attribution-model
您可以覆盖在数据视图中配置的默认归因模型。
-
在具有 单个维度 的报告中使用该组件： 当使用非默认归因模型时，该组件的归因将忽略分配模型。
-
在具有 多个维度 的报告中使用该组件： 当使用非默认归因模型时，该组件的归因将保留分配模型。
要对Analysis Workspace中的量度使用非默认归因模型，请执行以下操作：
-
选择 使用非默认归因模型。当已选择时，使用 编辑 来编辑归因模型。或者取消选择以返回默认归因模型。
-
在 列归因模型 中，选择 模型 和 回顾窗口。回顾窗口可以确定应用于每次转化的数据归因窗口。
归因模型
当某个量度的回顾窗口内出现多个值时，归因模型决定了哪些维度项获得量度的点数。只有在回顾窗口中设置了多个维度项的情况下，归因模型才适用。如果只设置了一个维度项，无论使用哪种归因模型，该维度项都会获得 100% 的点数。
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%。非常适合您想要根据特定的重要事件衡量归因的情况。此事件后发生转化所需的时间越长，所占点数就越少。
从一个较高的层面来看，归因通过参与者联盟的方法计算，剩余值必须公平地分配给这些参与者。每个联盟的剩余值分配都根据每个子联盟（或先前参与的维度项）先前产生的剩余值通过循环计算得出。有关更多详细信息，请参阅约翰·海萨尼 (John Harsanyi) 和罗伊德·沙普利（Lloyd Shapley）的原文：
Lloyd Shapley S. (1953)。A value for n-person games. Contributions to the Theory of Games, 2(28), 307-317.
Harsanyi, John C. (1963). A simplified bargaining model for the n-person cooperative game. International Economic Review 4(2), 194-220.
容器
归因容器定义了归因的所需范围。可能的选项为：
- 会话：回顾到发生转化的会话开始时间。会话回顾窗口遵循数据视图中被更改的会话超时。
- 人员：从“人员”容器的范围查看转化情况。
- 全局帐户 [B2B 版]{class="badge informative"}：从“全局账户”容器的范围查看转化情况。
- 帐户 [B2B 版本]{class="badge informative"}：从“人员”容器的范围查看转化情况。
- 机会 [B2B 版本]{class="badge informative"}：从“机会”容器的范围查看转化情况。
- 购买组 [B2B 版]{class="badge informative"}：从“购买组”容器的范围查看转化情况。
回顾时间范围
归因回顾窗口是指转化应回顾以包含接触点所花费的时间。如果一个维度项设置在回顾窗口之外，该值就不包含在任何归因计算中。
- 14 天：自转化发生后最多回顾 14 天。
- 30 天：自转化发生后最多回顾 30 天。
- 60 天：自转化发生后最多回顾 60 天。
- 90 天：自转化发生后最多回顾 90 天。
- 13 个月 [B2B Edition]{class="badge informative"}：自转化发生后最多回顾 13 个月。
- 自定义时间： 您可以设置一个转换发生后的自定义回顾窗口。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，五天回顾窗口就会在归因模型中评估从 2 月 15 日到 2 月 20 日的所有维度接触点。
示例
请仔细研究下面的示例：
- 9 月 15 日，某位人员通过付费搜索广告访问您的网站，然后离开。
- 9 月 18 日，该人员通过朋友提供的社交媒体链接再次访问您的网站。他将多个物品添加到购物车，但没有购买任何物品。
- 9 月 24 日，您的营销团队向他们发送一封电子邮件，其中包含购物车中某些物品的产品建议券。他应用了产品建议券，但访问了其他几个网站，查看是否有其他产品建议券可用。他通过展示广告找到另一个网站，并最终购买了价值 50 美元的物品。
根据所使用的归因模型，不同的容器和渠道将获得不同的归因点数。请参阅下表示例：
点数在付费搜索、社交媒体、电子邮件和展示广告之间进行分配。
- 将 60% 的点数分给展示广告，其贡献价值是 30 美元。
- 将 20% 的点数分给付费搜索，贡献价值是 10 美元。
- 剩余的 20% 点数分给社交和电子邮件，二者的贡献价值均为 5 美元。
- 展示广告接触点与转化之间的间隔为 0 天。
2^(-0/7) = 1 - 电子邮件接触点与转化之间的间隔为 0 天。
2^(-0/7) = 1 - 社交媒体接触点与转化之间的间隔为 6 天。
2^(-6/7) = 0.552 - 付费搜索接触点与转化之间的间隔为 9 天。
2^(-9/7) = 0.41将这些值标准化处理之后得到以下结果：- 展示广告：33.8%，贡献价值是 16.88 美元
- 电子邮件：33.8%，贡献价值是 16.88 美元
- 社交：18.6%，贡献价值是 9.32 美元
- 付费搜索：13.8%，贡献价值是 6.92 美元
如果点数归属于多个渠道，则通常具有整数个点数的转化事件会被拆分。例如，如果使用线性归因模型计算订单归因，并且两个渠道都对该订单有贡献，则这两个渠道将分别获得该订单 50% 的点数。这些部分量度会针对所有人进行汇总，然后四舍五入到最接近的整数以供报告。
[B2B 版]{class="badge informative" title="Customer Journey Analytics B2B Edition"}使用特定的 B2B 容器（如账户、机会等），并采用更合适的回顾时间窗口（最长可达 13 个月），将上述归因模型应用于典型的 B2B 场景中。