本文记录了
请参阅归因面板以获取本文的
归因 面板是一种简单的方式，用于生成分析来比较各种归因模型。该面板为您提供了一个专用的工作区来使用和比较归因模型。
Adobe Analytics 通过让您能够执行以下操作来增强归因：
- 定义付费媒体之外的归因：可将任何维度、量度、渠道或事件应用于模型（例如内部搜索），而不仅仅是营销活动。
- 使用无限制的归因模型比较：动态比较任意所需数量的模型。
- 避免实施更改：使用报告时间处理和上下文感知会话，可在运行时构建并应用客户历程上下文。
- 生成与您的归因方案最匹配的会话。
- 按区段细分归因：轻松对所有重要区段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。
- 生成计算量度：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
可以使用以下输入设置配置归因面板：
面板输出
归因 面板会返回一组丰富的数据和可视化图表，其中对选定维度和度量进行了归因比较。
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：报告时间窗口发生的总转化次数，归因于选定维度。
- 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 中任何其他自由格式表的作用相似，允许您添加量度、区段或细分等组件。
- 重叠图：一种维恩图可视化图表，显示前三个维度项以及它们共同参与某个转化的频率。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：散点图可视化图表可直观地比较最多三个归因模型。
- 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的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
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。
图标
归因模型
定义
最后接触
100% 归因于转化前最近发生的接触点。对于未另行指定归因模型的任何量度，此归因模型通常是默认值。组织通常在转化时间相对较短的情况下使用此模型，例如用于分析内部搜索关键字。
首次接触
将 100% 的点数分配给归因回顾窗口中首次看到的接触点。组织通常使用此模型来了解品牌意识或客户获取。
线性
将点数平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，这个模型就很有用。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。由于每个接触点都获得 100% 的点数，因此量度数据加起来通常会超过 100%。如果某个维度项多次出现而促成了转化，就会删除重复的值，直至 100%。如果您想要了解客户接触最多的接触点，此归因模型是理想的选择。媒体组织通常使用此模型来计算内容速度。零售组织通常使用此模型来了解其网站的哪些部分对于转化至关重要。
同一接触
100% 归因于发生转化的同一个事件。如果接触点没有在相同的事件上发生转化，它就被归类为“无”。这种归因模型有时相当于根本没有归因模型。如果您不希望来自其他事件的值影响一个量度如何给维度项分配点数，这种模型就很有价值。产品或设计团队可以使用此模型来对发生转化的页面的有效性进行评估。
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。对于有两个接触点的转化，这两个接触点各占 50% 的点数。这种归因模型最适合用于您最重视第一次和最后一次互动，同时又不想完全忽视这期间其他互动的情况。
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。对于有两个接触点的转化，最后一次互动占 75% 的点数，首次互动占 25% 的点数。与 U 型类似，此归因模型倾向于第一次和最后一次互动，但更大程度上倾向于最后一次互动。
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。对于有两个接触点的转化，第一次互动占 75% 的点数，最后一次互动占 25% 的点数。与 J 型类似，此归因模型倾向于第一次和最后一次互动，但更大程度上倾向于第一次互动。
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。
自定义
您可以指定要赋予“首次接触点”、“最后接触点”以及“这两次互动之间的任意接触点”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。此模型非常适合那些希望完全控制其归因模型，并具有其他归因模型不能满足的特定需求的分析者。
算法
使用统计技巧，动态确定所选量度的最佳点数分配。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）。
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.
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
归因容器定义所需的归因范围。 可能的选项包括：
- 访问：查看访问容器范围内的转化。
- 访客：查看访客容器范围内的转化。
回顾时间范围
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。
- 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，某位访客通过付费搜索广告访问您的网站，然后离开。
- 9 月 18 日，该访客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。
根据您的归因模型，容器和渠道会获得不同的点数。 有关示例，请参阅下表：
模型
容器
回顾时间范围
说明
首次接触
访问
30 天
归因仅考虑第三次访问。 在电子邮件与展示广告之间，电子邮件是首次接触点，因此电子邮件在 50 美元的购买中获得 100% 的点数。
首次接触
访客
30 天
归因会考虑所有三次访问。 付费搜索是首次接触点，因此它在 50 美元的购买中获得 100% 的点数。
线性
访问
30 天
点数在电子邮件和展示广告之间分配。 这两个渠道各自获得贡献 25 美元的点数。
线性
访客
30 天
点数分为付费搜索、社交、电子邮件和展示广告。 每个渠道各自获得此次购买中贡献 12.50 美元的点数。
J曲线
访客
30 天
点数分为付费搜索、社交、电子邮件和展示广告。
- 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。
时间衰减
访客
30 天
- 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。
a83f8947-1ec6-4156-b2fc-94b5551b3efc