4、常见归因模型（上）：末次点击、首次点击、线性归因、时间衰减归因的原理与适用场景

在跨渠道转化数据分析中，归因模型决定了转化功劳如何被分配到各个触点上。选择不同的模型，会直接影响预算分配、渠道优化方向和ROI计算。本章聚焦四种基础但高频使用的归因模型：末次点击、首次点击、线性归因和时间衰减归因。理解它们的数学逻辑、适用边界和潜在偏差，是构建更复杂归因体系的前提。

4.1 末次点击归因：最直接但最偏颇的“终结者视角”

核心原理

末次点击归因（Last Click Attribution）将转化的100%功劳分配给转化发生前的最后一个非直接访问触点。如果用户最后一次互动是直接访问，则回溯到上一个非直接触点。其逻辑假设是：促成转化的决定性动作发生在最后一刻，用户在此刻下定决心完成转化。

判断方法与操作流程

1. 确认转化事件：明确转化定义（如下单、注册、付费），并确保转化事件被正确埋点。
2. 提取转化路径：从数据平台（如Google Analytics、自建数仓）导出每个转化会话的完整触点序列。
3. 筛选末次触点：排除直接访问（direct）后，取序列中最后一个渠道作为归因对象。
4. 汇总计算：按渠道聚合转化次数和转化金额，生成归因报表。

案例拆解：末次点击导致的预算误判

背景与约束：某在线教育公司，获客渠道包括抖音信息流、小红书种草、百度品牌词和直接访问。公司采用末次点击归因，连续两个季度发现百度品牌词贡献了65%的转化，于是将80%预算转移到品牌词竞价。

初始现象：预算转移后，整体转化量不升反降，品牌词CPC持续上涨，获客成本从180元升至340元。

分析过程：通过拉取用户7天转化路径发现，绝大多数品牌词搜索用户，在3-5天前都看过抖音或小红书的内容。品牌词只是“临门一脚”，真正让用户产生兴趣的是内容渠道。

操作步骤：将归因模型切换为线性归因和位置归因对比，发现抖音和小红书的真实贡献被低估了约3倍。重新分配预算后，整体获客成本回落至210元。

复盘经验：末次点击适合“低决策成本、即时转化”的业务（如限时抢购、优惠券领取），不适合高客单价、长决策周期的产品。

4.2 首次点击归因：发现者的价值回归

核心原理

首次点击归因（First Click Attribution）将100%的转化功劳分配给用户路径中的第一个触点。其逻辑是：没有第一次的“发现”，就没有后续的一切互动。该模型特别适合评估新客获取类渠道的效果。

判断方法与适用边界

• 适用场景：新品牌推广、新品上市、App拉新活动，此时“第一次触达”是核心目标。
• 不适用场景：老客运营、复购促进、复杂B2B销售（涉及多角色多轮沟通）。
• 数据陷阱：如果首次触点来自“无效曝光”（如误点击、低质量广告位），会严重污染归因结果。

案例拆解：首次点击在App推广中的应用

背景：某社交App在应用商店投放“搜索广告”和“信息流广告”，同时有大量用户通过朋友分享链接下载。使用首次点击归因后，发现搜索广告贡献了45%的新增用户，于是加大搜索广告预算。

关键数据：搜索广告的首次点击占比45%，但7日留存率仅为12%；朋友分享的首次点击占比20%，但7日留存率高达38%。

分析判断：搜索广告带来的用户意图明确但匹配度低，分享带来的用户社交关系强、粘性高。首次点击模型只看“获取”不看“质量”，导致预算错配。

调整动作：引入“首次点击+次日留存”复合指标，将搜索广告预算降低30%，将分享激励计划预算提高50%。

结果：整体新增用户下降8%，但7日留存用户数提升22%，LTV提升35%。

4.3 线性归因：平均主义的公平与局限

核心原理

线性归因（Linear Attribution）将转化功劳平均分配给转化路径中的每一个触点。假设一条路径包含4个触点，则每个触点获得25%的权重。该模型的核心思想是承认每个触点都不可或缺，不偏向任何位置。

操作流程与适用场景

1. 数据清洗：去除重复点击、无效曝光、超过30天未转化的路径。
2. 路径标准化：将同一天内同一渠道的多次点击合并为一个触点。
3. 权重计算：对每条转化路径，将1除以触点总数，得到每个触点的权重。
4. 聚合输出：按渠道汇总所有触点的权重之和，得到渠道总贡献。

案例拆解：线性归因在B2B SaaS中的应用

背景：某B2B SaaS公司，客单价8万元/年，销售周期约60天。用户路径通常包含：百度搜索（了解）、知乎文章（深度阅读）、官网下载白皮书（留资）、销售跟进（线下）、邮件点击（促单）。

初始现象：使用末次点击归因时，邮件渠道获得60%的转化功劳，但邮件团队只有2人，而内容团队有8人。团队间矛盾激化，内容团队认为自己的贡献被严重低估。

分析过程：拉取近6个月所有成交客户的路径数据，平均每个客户有7.3个触点。使用线性归因后，内容渠道（知乎+白皮书）的贡献从18%提升至41%，邮件渠道从60%降至22%。

操作步骤：将线性归因结果作为月度OKR考核依据，同时保留末次点击数据作为参考。内容团队获得更多预算后，加大了白皮书和案例库的产出。

结果：3个月后，整体线索量提升35%，成交率从9%提升至12%。虽然邮件贡献占比下降，但成交数反而增加。

4.4 时间衰减归因：近因效应的量化表达

核心原理

时间衰减归因（Time Decay Attribution）根据触点与转化发生的时间间隔分配权重，越靠近转化的触点权重越高。通常采用半衰期（half-life）参数控制衰减速度，默认半衰期为7天，即距离转化7天前的触点权重是转化当天触点权重的一半。

参数设定与操作流程

// 时间衰减权重计算示例（Python伪代码）
import math

def time_decay_weight(touch_time, convert_time, half_life_days=7):
    delta_hours = (convert_time - touch_time).total_seconds() / 3600
    half_life_hours = half_life_days * 24
    return math.pow(0.5, delta_hours / half_life_hours)

1. 确定半衰期：根据业务决策周期设定。电商建议3-5天，B2B建议14-30天，快消品建议1-2天。
2. 计算每个触点的衰减权重：使用上述公式，得到每个触点的原始权重。
3. 归一化处理：将一条路径内所有触点的权重求和，再分别除以总和，使权重之和等于1。
4. 渠道汇总：按渠道聚合所有路径中的归一化权重。

案例拆解：时间衰减在电商大促中的应用

背景：某美妆电商，大促期间用户转化路径通常为：抖音种草（第6天）→ 小红书比价（第3天）→ 品牌词搜索（第1天）→ 直接下单。使用末次点击时，品牌词获得全部功劳；使用首次点击时，抖音获得全部功劳。

关键数据：通过时间衰减（半衰期=3天）计算，抖音权重约12%，小红书约22%，品牌词约38%，直接访问约28%。

分析判断：抖音虽然时间早，但触发了用户兴趣；小红书在决策中期起到比价和信任作用；品牌词和直接访问是临门一脚。时间衰减模型给出了更均衡的分配。

操作步骤：根据时间衰减结果，将抖音预算从40%提升至50%，小红书从20%提升至25%，品牌词从30%降至20%。

结果：大促期间整体GMV提升18%，且抖音渠道的ROI从1.2提升至1.8，证明早期种草确实有效。

4.5 四种模型对比与选择决策清单