歸因元件
Adobe Analytics中的歸因概念包含三個元件：
歸因模型
當量度的回顧期間內出現多個值時，歸因模型決定哪些維度項目可以取得該量度的評分。只有在回顧期間內設定多個維度項目時，歸因模型才適用。如果只設定一個維度項目，則無論使用何種歸因模型，該維度項目都會獲得 100% 的評分。
圖示
歸因模型
定義
上次接觸
在歸因回顧期間中首個出現的接觸點會給予 100% 的評分。對於未另行指定歸因模型的任何量度，此歸因模型通常是預設值。各組織通常在轉換時間較短的情況下使用此模型，例如分析內部搜尋關鍵字。
首次接觸
在歸因回顧期間中首個出現的接觸點會給予 100% 的評分。組織通常會使用此模型了解品牌認知度或客戶贏取。
線性
每個導致轉換的接觸點會給予相等的評分。那在轉換週期較長或需要較頻繁的客戶參與度時會很有用。組織通常會使用此歸因模型來衡量行動應用程式通知的有效性或訂閱型的產品。
參與率
會將 100% 的評分給予所有不重複接觸點。由於每個接觸點都獲得 100% 的評分，因此量度資料加總通常會超過 100%。如果維度項目在造成轉換之前多次出現，則值將重複刪除至 100%。在想要了解客戶接觸最多的接觸點時，這種歸因模型是理想的選擇。媒體組織通常會使用此模型來計算內容速度。零售組織則通常會使用此模型來瞭解其網站的哪些部分是帶來轉換的關鍵。
同一次接觸
在轉換發生當下的相同事件會給予 100% 的評分。如果接觸點並未在相同事件發生轉換，就會歸類於「無」之下。這種歸因模型有時等於根本沒有歸因模型。那在不希望其他事件的值影響量度如何給予維度項目評分時，就很有價值。產品或設計團隊可以使用此模型來評估轉換發生的頁面成效。
U 型
會將 40% 的評分給予第一次互動，再將 40% 的評分給予上次互動，剩下的 20% 則分給兩者之間的任何接觸點。只有單一接觸點的轉換則會獲得 100% 的評分。如果是具有兩個接觸點的轉換，兩者會平均獲得 50% 的評分。這種歸因模型最適合用於最重視第一次和最後一次互動，但又不想完全忽略在之間其他互動的情況。
J 曲線
會將 60% 的評分給予上次互動，再將 20% 的評分給予第一次互動，剩下的 20% 則分給兩者之間的任何接觸點。只有單一接觸點的轉換則會獲得 100% 的評分。如果是具有兩個接觸點的轉換，上次互動會獲得 75% 的評分，第一次則獲得 25%。與 U 型類似，此歸因模型偏好第一次和最後一次互動，但更加側重最後一次互動。
反向 J
會將 60% 的評分給予第一個接觸點，再將 20% 的評分給予上個接觸點，剩下的 20% 則分給兩者之間的任何接觸點。只有單一接觸點的轉換則會獲得 100% 的評分。如果是具有兩個接觸點的轉換，第一次互動會獲得 75% 的評分，上次則獲得 25%。與 J 型類似，此歸因模型偏好第一次和最後一次互動，但更加側重第一次互動。
時間耗損
會以自訂的半衰期參數 (預設為 7 天) 進行指數耗損。每個管道的權重須視接觸點啟動和最終轉換之間所經過的時間量而定。用於判斷評分的公式為
2^(-t/halflife)，t 代表接觸點和轉換之間的時間量。 所有接觸點隨後都會標準化至 100%。適用於需要衡量特定且重要事件歸因的情境。在此事件之後發生轉換的時間愈久，給予的評分就愈少。
自訂
可指定想給予第一個接觸點、最後一個接觸點以及兩者之間任何接觸點的權重。如果您輸入的自訂數字加總並非 100，系統也會將指定值標準化為 100%。只有單一接觸點的轉換則會獲得 100% 的評分。如果是具有兩個接觸點的互動，系統會忽略中間參數，然後將第一和最後一個接觸點標準化為 100%，再按照設定分配評分。如果您想要完整控制其歸因模型，並具有其他歸因模型無法滿足的特定需求，這個模型最理想。
演算法
使用統計技巧動態決定所選量度的最佳評分配置。用於歸因的演算法以合作賽局理論中的 Harsanyi 利益為基礎。Harsanyi 利益是 Shapley 值解法 (命名自諾貝爾經濟學獎得主 Lloyd Shapley) 的泛論，即在一場對結果貢獻不均等的賽局中，在玩家之間分配評分。
從高層次來看，歸因是以玩家的聯盟計算，其中盈餘必須公平地分配。每個聯盟的盈餘分配則是根據每個子聯盟先前產生的盈餘 (或先前參與的維度項目) 遞迴決定。如需詳細資訊，請參閱 John Harsanyi 和 Lloyd Shapley 的原稿：
Shapley, Lloyd 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。
從高層次來看，歸因是以玩家的聯盟計算，其中盈餘必須公平地分配。每個聯盟的盈餘分配則是根據每個子聯盟先前產生的盈餘 (或先前參與的維度項目) 遞迴決定。如需詳細資訊，請參閱 John Harsanyi 和 Lloyd Shapley 的原稿：
Shapley, Lloyd 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
歸因容器定義了歸因的所需範圍。可能的選項包括：
- 造訪：檢視造訪容器範圍內的轉換。
- 訪客：檢視來自訪客容器範圍的轉換。
回顧期間
回顧期間是指轉換要納入接觸點時需要回顧的時間量。如果維度項目設定在回顧期間之外，則該值不會納入任何歸因計算。
- 14 天：回顧自轉換發生時間起最多 14 天。
- 30 天：回顧自轉換發生時間起最多 30 天。
- 60 天：回顧自轉換發生時間起最多 60 天。
- 90 天：回顧自轉換發生時間起最多 90 天。
- 自訂時間： 讓您設定轉換發生當下的自訂回顧期間。您可以指定分鐘數、小時數、天數、週數、月數或季數。例如，如果轉換發生在 2 月 20 日，則五天的回顧期間將評估歸因模型中從 2 月 15 日到 2 月 20 日的所有維度接觸點。
範例
考量下列範例：
- 9 月 15 日當天，某個訪客透過付費搜尋廣告前往您的網站後離開。
- 9 月 18 日當天，該訪客透過來自朋友的社交媒體連結再次造訪您的網站。對方在購物車中加入數個商品，但並未購買任何商品。
- 9 月 24 日當天，您的行銷團隊會寄送電子郵件給對方，郵件內含對方購物車中某些商品的優惠券。對方使用了抵用券，但也造訪了數個其他網站，看看是否有其他優惠券可用。對方透過顯示廣告找到了其他優惠券，最終以 $50 美元的價格購買商品。
視您的歸因模型而定，容器和管道會得到不同的貢獻度。請參閱下表的範例：
模型
容器
回顧期間
說明
首次接觸
造訪
30 天
歸因只會檢視第三次造訪。在電子郵件和顯示廣告兩者之間，訪客先接觸到電子郵件，因此電子郵件在這次 50 美元的購買動作中獲得 100% 的貢獻度。
首次接觸
訪客
30 天
歸因會檢視所有三次造訪。付費搜尋是第一次接觸，因此在這次 50 美元的購買動作中獲得 100% 貢獻度。
線性
造訪
30 天
貢獻度由電子郵件和顯示廣告平分。兩個管道各獲得 25 美元的貢獻度。
線性
訪客
30 天
貢獻度由付費搜尋、社交媒體、電子郵件和顯示廣告平分。每個管道在這次購買中各獲得 12.50 美元的貢獻度。
J 形
訪客
30 天
貢獻度由付費搜尋、社交媒體、電子郵件和顯示廣告平分。
- 60% 歸給顯示廣告，價值 $30 美元，
- 20% 歸給付費搜尋，價值 $10 美元，
- 剩下的 20% 平分給社交媒體和電子郵件，各為 $5 美元。
時間耗損
訪客
30 天
- 顯示廣告接觸點與轉換之間的間隔為零天。
2^(-0/7) = 1 - 電子郵件接觸點與轉換之間的間隔為零天。
2^(-0/7) = 1 - 社交媒體接觸點與轉換之間的間隔為六天。
2^(-6/7) = 0.552 - 付費搜尋接觸點與轉換之間的間隔為九天。
2^(-9/7) = 0.41將這些值標準化會產生下列結果：- 顯示廣告：33.8%，價值 $16.88 美元
- 電子郵件：33.8%，價值 $16.88 美元
- 社交媒體：18.6%，價值 $9.32 美元
- 付費搜尋：13.8%，價值 $6.92 美元
如果評分屬於多個管道，則轉換事件數 (通常為整數) 將拆分。舉例來說，如果兩個管道對某個使用線性歸因模型的訂單都有貢獻，則兩個管道各會從該訂單中獲得 0.5 評分。這些部分量度在經過所有人的加總後，會四捨五入為最接近的整數，顯示於報表中。
recommendation-more-help
a83f8947-1ec6-4156-b2fc-94b5551b3efc