在当今的多渠道流量来源中，蕴含着大量关于用户如何与网站进行互动以及转化（或非转化）途径的数据。理解多渠道营销的表现非常重要，这可以通过归因建模来实现。归因指的是为最终转化中不同的渠道或接触点分配权重。归因模型是一种规则或一组规则，给到不同渠道更为精准的评价。
本文将分析Golgle AdWords和Google Analytics的归因模型。两者之间的主要区别在于，AdWords归因仅限于Adwords平台内可用的渠道，而Google Analytics可用于所有流量渠道，能更全面了解所有营销渠道对用户路径的影响。
Google AdWords 归因
Adwords有如下几种归因模型
Last Click（末次点击）
这是大多数广告主使用的标准模型。 它认为最后一次点击是带来转化的根本原因。 这种模式的主要问题是，目前的互联网环境中，用户可能会通过多个接触点与品牌进行互动。
例如，用户首次点击的是非品牌的SEM关键词，然后点击了再营销广告，最后通过品牌关键词完成了最终转换。 在这种情况下，可以认为第一个非品牌关键字是带来转化最重要的一环。
为确保有效的优化，对转化影响最大的关键词需要获得最多的预算，。 使用最终点击归因可能会导致不合理的雨伞分配，给整个转换过程中实际发挥关键作用的关键词预算不足。 为了解决这个问题，还有其他可用的归因模型
First Click（首次点击）
这个模型把转化的所有功劳都归功于手机词点击。 由于吸引用户的注意力越来越难，这种模式看起来还不错，因为用户和品牌的首次互动的确很重要。 不过，与最后一次点击相似，这种模型也会影响预算的合理分配。
Linear（线性分布）
线性分布归因模型为转化路径中的每个接触点分配相同的权重，假设有10个接触点，则每个接触点都将获得10％的权重分配。 此模式是多渠道归因的第一步，可让您开始优化客户的整个路径，而不是单个接触点。
但这种模式有一定的局限性 – 特别是每个渠道都获得相同的信用，所以很难理解旅程中哪些接触点真的具有最大的影响力。
Time Decay（时间衰减）
顾名思义，时间衰减模型会给离转化更近的接触点权重更高。 这是朝着多渠道归因迈出的又一大步。 在Google AdWords中，它的工作原理是给予归因接触点7天的半衰期，这意味着八天前的转化只有一天前转化的一半权重。
该模型适用于具有多个接触点和较短销售周期的企业。 但是，由于时间衰减，它不适合较长的周期，因为它不能为第一次接触点分配足够的权重，这对于某一些商业模式来说可能是最重要的。
Position-Based（位置分配）
基于位置的模型将40％的权重分配给第一个和最后一个接触点，并将剩下的20％均匀分配给所有其他接触点。 使用这个模型可以让你确保所有接触点都得到回报，但也强调了给第一次接触和最后一次接触额外的权重。
第一个接触点对于向用户介绍品牌并产生最初的兴趣至关重要，而最后一个接触点对于转化完成至关重要（即使是品牌关键字，也需要防止竞争对手截流品牌词）。 该归因模型的一个缺点是，会过分关注第一个和最后一个接触点，而不会考虑任何介于两者之间的任何内容，这可能不适合业务目标和已有的策略。
数据驱动归因
以数据为依据的归因是最新的一种模型，是基于算法的归因方法。 此模型利用机器学习来评估用户采用的所有转化和非转化路径，与广告的互动方式以及广告素材和关键字有效性等众多其他因素，来了解广告帐户中各接触点的权重。
该模型的主要重点是了解人们的行为方式和转化路径。 利用这种归因模型，可以借助Google机器学习的力量，也可以分析那种模型更适合业务。
Bing归因模型
Bing Ads默认使用最终点击归因，所以即使用户在转换前通过Bing搜索网络上的多个关键词点击，最后一次点击的关键字也会获得所有功劳。 这可能会产生问题，特别是如果同时投放了品牌关键字和非品牌关键字，因为很难评估非品牌关键字是否产生了有意义的影响。
Google Analytics 归因模型
Google Analytics attribution works in the same way as AdWords, but on a larger scale, and is able to encompass all of your channels. Using Google Analytics is definitely recommended to understand how your channels perform together and the journey your users take across organic search, email, paid social… the list goes on.
The one key difference between Google Analytics and AdWords is the default attribution model. Google Analytics uses last non-direct click, which ensures that the credit is assigned to the channel a user went through, as many users may bookmark a site then come directly to purchase at a later point.
It is important to use AdWords attribution when optimising the channels within your account, but looking at the overall picture in Google Analytics can lead to some discrepancies in the data. For example, if a user clicks a paid search ad and then converts through organic search a few days later, the credit will be assigned to your campaigns in AdWords and organic search in Google Analytics.
Google Analytics（分析）归因的工作方式与AdWords相同，但规模较大，Google Analytics和AdWords之间的一个关键区别是默认的归因模型。 Google Analytics使用最后一次非直接点击模型，这可确保将权重分配给用户所经过的所有路径，因为许多用户可能会先将网站添加到收藏夹中，然后之后再点击购买。
在优化广告渠道时，使用AdWords归因功能非常重要，但在Google Analytics中查看整体流量时，可能会有数据偏差的现象发生。例如，如果用户点击付费搜索广告，然后在几天后通过自然搜索进行转化，则该转化将被分配到AdWords中的广告系列和Google Analytics中的自然搜索。
该用哪个归因模型？
The best next step would be to read into the positives and negatives of each attribution model carefully and then decide which one is the best fit for your business (more on this below). Following this, test the different attribution models in both AdWords and Google Analytics and see how this impacts your existing data (both AdWords and Google Analytics allow you to compare different models).
It is important with any attribution model to understand how many touchpoints are in play for your client and their business goals and then use that to determine what model will work best. My recommendation would be to use data-driven attribution wherever possible. However, if your account is smaller than the requirement, a rules-based model that values all touchpoints to some extent would work best (meaning time decay, position-based or linear, depending on what you want to achieve).
我建议先仔细阅读每种归因模型的优点和缺点，然后确定哪种模式最适合当前业务。 在此之后，测试AdWords和Google Analytics中的不同归因模型，并查看它们如何影响您现有的数据（AdWords和Google Analytics都允许比较不同的模型）。
对于任何归因模型来说，了解您的客户及其业务目标有多少接触点，然后使用它来确定哪种模型最适合，这一点非常重要。 我的建议是尽可能使用数据驱动的归因模型。 但是，如果您的账户暂不符合数据归因的要求，那么建议使用对所有接触点进行评估的归因模型（即时间衰减，基于位置或线性，取决于您想实现的目标）。