什么是广告归因？

广告归因是指识别并评估一系列用户触点（如广告点击、曝光、搜索等）对最终转化（如购买、注册）所做出的贡献，并为每个触点分配相应价值的过程。它的核心目的是回答一个关键问题：“我的广告费到底花得值不值？哪个渠道最有效？”

---

归因模型的发展阶段

归因模型的发展大致经历了以下四个主要阶段：

第一阶段：基于最后触点的简单规则模型

• 核心思想：将转化的100%功劳归功于用户发生转化前的最后一个触点。
• 代表模型：
  • 最后点击归因：功劳全给最后一次点击。
  • 最后非直接点击归因：功劳全给最后一次非直接流量（如自然搜索、广告点击）的点击，忽略直接访问。这是Google Analytics等工具早期的默认模型。

第二阶段：基于固定规则的多触点模型

• 核心思想：将转化的功劳按预设的固定规则分配给转化路径上的多个触点。
• 代表模型：
  • 首次点击归因：功劳全给第一次触点，强调拉新和获客。
  • 线性归因：功劳平均分配给路径上的每一个触点。
  • 时间衰减归因：离转化发生时间越近的触点，获得的功劳越大。
  • U形归因：特别强调首次触点（获客）和最后一次触点（转化），各分得40%功劳，中间触点平分剩余的20%。

第三阶段：数据驱动归因

• 核心思想：使用机器学习算法分析全量的转化和非转化路径，通过对比来计算出每个触点的真实贡献价值。功劳分配不再是固定的，而是动态的、基于概率的。
• 工作原理：
  1. 收集所有用户的完整路径数据（包括最终转化了的和没有转化的）。
  2. 算法会问：“在包含了这个特定触点的路径中，转化发生的概率是多少？如果这个触点不存在，转化概率又会是多少？”
  3. 通过计算“存在”与“不存在”时的概率差，来评估该触点的增量贡献。
• 代表平台：Google Analytics 4 的归因、Adobe Analytics、各广告平台（如Google Ads、Meta Ads）的数据驱动归因模型。
• 代表方法：
  • 马尔可夫链：
    • 用户的转化路径视为一个状态序列。每个营销渠道（触点）就是一个“状态”，转化是最终的“吸收状态”。
    • 通过分析所有用户路径中状态之间的转换概率，来计算每个渠道对到达最终转化状态的“重要性”。
  • Shapley
    • 参与者：各个营销渠道（如Facebook, Google, Email）。
    • 联盟：一次转化路径上出现的渠道集合。
    • 总收益：一次转化的功劳（通常为1）。
    • 一个渠道的贡献，应该是它加入各种可能的“渠道联盟”时，所带来的边际贡献的平均值。
  • Machine Learning RNNs
    • 将用户的整个转化路径视为一个有时间序列的、富含上下文信息的“句子”，利用RNN（一种专为序列数据设计的神经网络）来学习和预测整个路径最终导致转化的概率。

第四阶段：宏观建模与混合测量

• 核心思想：在无法获取完整用户级路径数据的情况下，转向更宏观的、基于统计和实验的测量方法。
• 代表方法：
  • 营销组合模型：一种宏观的、自上而下的分析模型。它使用时间序列数据和回归分析，来评估不同营销渠道（如TV、搜索、社交）在宏观层面上对销售量的贡献。它不关注单个用户，而是看整体趋势。
  • 增量提升实验：通过A/B测试或地理实验等科学实验方法，直接测量某一渠道或广告活动的“净效果”。例如，在一半地区投放广告，另一半不投，比较两地的销量差异。
  • MMM与DDA的融合：业界最新的趋势是将宏观的MMM与微观的数据驱动归因相结合，形成一个更全面、更稳健的测量体系，以应对数据缺失的挑战。
    • Synthetic Impressions
      • 在数据不完整的情况下，基于已知的部分数据（种子数据），去预测和填补那些未知的、但又极有可能发生的用户广告接触点。

马尔可夫链归因模型

核心思想

• 马尔可夫链模型将用户的转化路径视为一个状态序列。每个营销渠道（触点）就是一个“状态”，转化是最终的“吸收状态”。
• 模型的核心思想是：通过分析所有用户路径中状态之间的转换概率，来计算每个渠道对到达最终转化状态的“重要性”。
• 它不关心渠道在路径中的位置（首次、末次），而是关心这个渠道作为路径中的一个节点，对用户顺利流向下一步直至转化的“桥梁作用”有多大。

工作原理与计算过程

1. 构建状态转移矩阵：

• 收集所有用户的转化路径和非转化路径。
• 计算从一个渠道（状态）转移到另一个渠道（状态）的概率。例如，从“Facebook广告”开始，下一个步骤是“Google搜索”的概率是多少？从“Google搜索”到“转化”的概率又是多少？
• 同样，也计算从每个渠道“退出”（即用户流失）的概率。

2. 计算“移除效应”：

• 这是马尔可夫链模型最关键的步骤。模型会模拟如果将某个渠道从路径中完全“移除”，整个系统的转化率会受到多大影响。
• 在计算时，模型会将所有通向被移除渠道的边，重新路由到其他渠道或退出状态，然后基于新的转移矩阵，计算系统的整体转化概率。

3. 分配功劳：

• 比较“完整模型下的总转化概率”和“移除某个渠道后的总转化概率”。
• 两者的差值，就是这个渠道的移除效应，也就是它对于转化的贡献价值。
• 最终，根据每个渠道的移除效应占比来分配转化功劳。

优点

• 考虑路径顺序：它能够捕捉到渠道之间的顺序依赖关系。例如，“先看品牌视频广告，再进行品牌词搜索”这条路径的转化概率，可能与反向路径完全不同。马尔可夫链能建模这种差异。
• 基于全局数据：结论来源于对所有路径数据的分析，而非人为规则。
• 识别辅助渠道：能有效识别那些作为关键“跳板”、但很少出现在末次点击的渠道。如果一个渠道是通往高转化率渠道的必经之路，即使它本身不直接转化，也会被赋予高价值。

缺点

• 计算复杂：当渠道数量很多时，状态转移矩阵会非常庞大，计算量急剧增加。
• 数据稀疏性问题：某些不常见的路径组合可能因为数据量太少而导致概率估计不准确。
• “黑箱”感较强：相对于Shapley值，其基于概率转移的计算过程可能更难以直观地向业务人员解释。

Shapley值归因模型

核心思想

在广告归因中：

• 参与者：各个营销渠道（如Facebook, Google, Email）。
• 联盟：一次转化路径上出现的渠道集合。
• 总收益：一次转化的功劳（通常为1）。

其核心思想是：一个渠道的贡献，应该是它加入各种可能的“渠道联盟”时，所带来的边际贡献的平均值。

工作原理与计算过程

1. 列出所有可能的渠道联盟：

• 考虑所有渠道的所有可能组合。例如，对于渠道{A, B, C}，可能的联盟有：{空集}, {A}, {B}, {C}, {A,B}, {A,C}, {B,C}, {A,B,C}。

2. 计算每个联盟的“价值”：

• 通常，一个联盟的价值定义为：包含该联盟中所有渠道的路径的转化率。例如，联盟{A,B}的价值，就是所有同时包含渠道A和B的路径的转化率。

3. 计算每个渠道的边际贡献：

• 对于一个渠道（如A），计算它加入每个可能的联盟时带来的价值增量。
• 边际贡献 = 包含A的联盟价值 - 不包含A的联盟价值
• 例如，A加入联盟{B}的边际贡献是：V({A,B}) - V({B})

4. 平均所有边际贡献：

• 将渠道A在所有可能联盟顺序下加入时的边际贡献进行加权平均，得到的就是A的Shapley值。

计算公式： 对于一个渠道i，其Shapley值 φ(i) 的计算公式为：

$$ φ(i) = Σ [ (|S|! (n - |S| - 1)! ) / n! ] - (V(S ∪ {i}) - V(S)) $$

• S 是不包含 i 的所有可能子集。
• $|S|$ 是子集 S 的大小（渠道数量）。
• n 是总的渠道数量。
• V(S) 是联盟 S 的价值。

优点

• 公平性：满足博弈论中的公平性公理（效率性、对称性、哑元性、可加性），理论上是最公平的分配方式。
• 无需考虑顺序：计算基于渠道集合，而非序列，避免了路径顺序的复杂性。
• 直观易懂：最终每个渠道得到一个贡献值，总和为100%，非常容易理解和呈现。

缺点

• 计算复杂度极高：渠道数量n增加时，可能的子集S数量呈指数级增长（2^n）。对于大量渠道，精确计算是不现实的，通常需要采用抽样等近似算法。
• 忽略顺序信息：这也是它最大的缺点。它将“A->B->转化”和“B->A->转化”视为完全相同的渠道集合{A, B}，无法区分两者价值的潜在差异。

Machine Learning RNNs

核心思想

RNN模型的核心思想是：将用户的整个转化路径视为一个有时间序列的、富含上下文信息的“句子”，利用RNN（一种专为序列数据设计的神经网络）来学习和预测整个路径最终导致转化的概率。 它的目标不仅是分配功劳，更是为了深度理解用户旅程中的复杂模式。

工作原理与计算过程

1. 输入数据（序列化与向量化）：

   • 每条用户路径被表示为一个序列 [Touchpoint_1, Touchpoint_2, ..., Touchpoint_n]。
   • 每个触点（Touchpoint）不再仅仅是一个渠道名称（如“Google”），而是被编码成一个富含特征的向量。这些特征可能包括：
     • 渠道类型：付费搜索、社交媒体、展示广告、电子邮件等。
     • 广告详情：广告系列、广告组、创意内容、关键词。
     • 上下文信息：时间戳、周几、用户设备（桌面/移动）、操作系统、地理位置。
     • 用户互动强度：点击还是浏览？浏览了多长时间？
   • 通过这种向量化，模型获得了远比传统模型更丰富的信息维度。

2. RNN网络的处理过程：

   • RNN拥有“记忆”能力，能够处理序列中元素之间的依赖关系。
   • 模型将路径中的触点向量按顺序逐个输入RNN。
   • 对于路径中的第 i 个触点，RNN会结合当前触点的向量和来自前一个触点的隐藏状态，来更新当前的隐藏状态。这个隐藏状态可以理解为一种“压缩的记忆”，包含了从路径开始到当前触点的所有重要信息。
   • 通过这种方式，RNN能够捕捉到诸如“在周末看到某个视频广告后，第二天在工作电脑上进行品牌搜索的用户，转化概率更高”之类的复杂、跨时间的模式。

3. 输出与功劳分配（“移除效应”的应用）：

   • 当处理完整个路径后，最后一个RNN单元的隐藏状态被传递给一个输出层（通常是一个Sigmoid函数），用于预测该路径的最终转化概率。
   • 接下来，和马尔可夫链类似，RNN模型也采用移除效应来计算每个触点的贡献：
     • 首先，用完整的路径输入训练好的RNN模型，得到基础转化概率 P(convert | full_path)。
     • 然后，模拟移除路径中的某一个触点（例如第三个触点），将这条“被截断”的路径再次输入RNN，得到一个新的转化概率 P(convert | path_without_touchpoint_i)。
     • 该触点的贡献值就是两者的差值： Contribution_i = P(convert | full_path) - P(convert | path_without_touchpoint_i)。
   • 通过对路径中的每个触点都执行此操作，就可以公平地分配转化功劳。