4、营销漏斗与归因模型：掌握从曝光、点击、转化到复购的漏斗模型，了解首次点击、末次点击、线性、时间衰减、数据驱动等归因模型的原理与选择。

在线上营销投放中，ROI 核算的准确性高度依赖于两个核心前提：一是对用户从看到广告到最终付费的完整路径有清晰的量化认知（即营销漏斗），二是对这条路径上每个触点贡献的价值有合理的分配逻辑（即归因模型）。如果漏斗不完整，我们会漏算隐性转化；如果归因不合理，我们会错把功劳记在最后一个渠道头上，导致预算分配失真。本章将系统拆解漏斗的层级定义、各层级的核算口径，以及五种主流归因模型的适用场景与选择策略。

4.1 营销漏斗：从曝光到复购的层级拆解与核算口径

核心原理：漏斗不是简单的“越来越少”，而是每一层的转化率都对应一个可优化的运营动作

营销漏斗（Marketing Funnel）本质上是将用户从首次接触品牌到成为忠诚客户的整个过程，按照行为深度划分为若干阶段。在线上投放场景中，我们通常将其简化为五个核心层级：曝光量 → 点击量 → 访问/落地页 → 转化/下单 → 复购/留存。每一层的“人数”都在减少，但每一层的用户意图和商业价值都在递增。ROI 核算的关键在于：我们不能只盯着“转化”这一层，而要把每一层的成本与价值都纳入计算体系。例如，某次投放曝光 100 万次，点击 1 万次，转化 100 单，如果只看最后一层，ROI 可能为正；但如果把曝光成本（CPM）也计入总成本，ROI 可能就被稀释了。

判断方法：如何用漏斗数据定位 ROI 亏损的“漏水点”

在实际投放中，我们通常用“漏斗对比法”来定位问题：将本月漏斗各层转化率与上月或行业基准对比，找出下降幅度最大的层级。操作流程如下：

1. 数据采集：从广告平台（巨量引擎、Google Ads 等）导出曝光、点击数据；从网站分析工具（GA4、百度统计）导出访问、转化数据；从 CRM 导出复购数据。
2. 计算各层转化率：CTR = 点击/曝光；访问率 = 访问/点击；CVR = 转化/访问；复购率 = 复购人数/总转化人数。
3. 对比基准：将上述比率与历史 30 天均值或行业均值对比，偏差超过 15% 即视为异常。
4. 定位漏水点：例如 CTR 正常但访问率骤降，说明落地页加载或内容匹配有问题；访问率正常但 CVR 低，说明产品页或支付流程有障碍。

案例拆解：某教育机构 30 天漏斗优化实战

背景与约束：某在线职业教育机构，主打 CPA 证书培训课程，客单价 3980 元。投放渠道为信息流广告（巨量引擎），预算 20 万元/月。初始目标：ROI 达到 1:2（即每花 1 元带来 2 元收入）。初始现象：投放 2 周后，整体 ROI 仅为 1:1.2，严重不达标。

关键输入数据：曝光量 800 万次，点击量 12 万次（CTR=1.5%），落地页访问量 9 万次（访问率=75%），转化下单 450 单（CVR=0.5%），客单价 3980 元，总营收 179.1 万元，总花费 20 万元，整体 ROI=8.95（看似很高？但注意：这里营收是 179 万，但实际到账可能分期，且包含退款）。

分析判断过程：表面 ROI 很高，但财务口径下，该机构实际确认收入仅为 60%（分期付款首期），且退款率 15%。实际 ROI = (179.1 万 × 60% × 85%) / 20 万 = 4.57，仍为正，但低于预期 5.0。进一步拆解漏斗发现：CTR 1.5% 低于行业 2.0%，CVR 0.5% 低于行业 0.8%。漏水点：点击率低说明素材吸引力不足；转化率低说明落地页或销售话术有问题。

实际操作步骤：

• 针对 CTR：制作 5 组新素材，突出“通过率 92%”和“不过退费”两个卖点，A/B 测试 3 天。
• 针对 CVR：优化落地页，增加学员成功案例视频、限时优惠倒计时、微信咨询按钮。
• 调整定向：排除 18-22 岁无购买力人群，聚焦 25-35 岁职场人群。

结果对比：优化后第 3 周，CTR 提升至 2.3%，CVR 提升至 0.75%，整体 ROI 从 4.57 提升至 6.2。但注意：CVR 提升后，客服咨询量暴增 40%，导致响应延迟，又出现新的流失。团队紧急增加 2 名客服，并设置自动回复。

风险与代价：素材测试期间花费额外 3 万元预算，但未达预期效果，造成短期亏损。复盘发现，新素材中“不过退费”虽然点击率高，但咨询后转化率反而低，因为用户对退费条款有疑虑。最终保留“通过率”素材，去掉“退费”卖点。

4.2 归因模型：五种主流模型的原理、计算逻辑与选择策略

核心原理：归因模型解决的是“功劳分配”问题，直接影响预算分配决策

当用户在一次购买决策中接触了多个渠道（如先看到朋友圈广告，再搜索品牌词，最后点击抖音链接下单），我们如何判断哪个渠道贡献最大？归因模型就是一套规则，用于将转化功劳（以及对应的 ROI 贡献）分配给各个触点。选择不同的归因模型，会导致同一批数据计算出完全不同的渠道 ROI，进而影响下一轮预算分配。

判断方法：如何选择适合当前业务阶段的归因模型

选择归因模型不能拍脑袋，建议按以下流程决策：

1. 看数据量：如果单月转化数 < 1000，数据驱动模型不可用，优先用线性或时间衰减。
2. 看决策周期：如果用户从首次接触到转化平均超过 7 天，首次点击模型会严重低估后期触点的价值，建议用时间衰减。
3. 看渠道角色：如果品牌词搜索（通常为末次点击）占比高，但实际是广告投放带来的心智，建议用线性或数据驱动。
4. 看业务目标：拉新期用首次点击（鼓励投放曝光型渠道）；收割期用末次点击（鼓励投放精准转化渠道）。

案例拆解：电商品牌多渠道归因模型对比

背景与约束：某美妆品牌，客单价 299 元，投放渠道包括：抖音信息流（拉新）、小红书种草（心智）、品牌搜索（收割）、淘宝直通车（转化）。月度投放预算 50 万元。目标：确定各渠道合理的预算分配比例。

初始数据：单月转化 8000 单。用户路径数据显示：45% 的用户只接触 1 个渠道，35% 接触 2 个渠道，20% 接触 3 个及以上渠道。平均决策周期 5 天。

分析判断过程：由于转化数 8000 > 1000，数据驱动模型可用。团队分别用四种模型计算各渠道 ROI：

• 首次点击模型：抖音 ROI=4.5，小红书 ROI=2.0，搜索 ROI=1.2，直通车 ROI=0.8。
• 末次点击模型：抖音 ROI=1.5，小红书 ROI=1.0，搜索 ROI=3.5，直通车 ROI=4.0。
• 线性归因：抖音 ROI=2.8，小红书 ROI=1.8，搜索 ROI=2.2，直通车 ROI=2.5。
• 数据驱动：抖音 ROI=3.2，小红书 ROI=2.5，搜索 ROI=2.0，直通车 ROI=2.8。

实际操作步骤：团队决定采用数据驱动模型作为主参考，因为其考虑了各渠道的边际贡献。根据数据驱动结果，将抖音预算从 20 万提升至 25 万，小红书从 10 万提升至 15 万，搜索从 10 万降至 5 万，直通车从 10 万降至 5 万。

结果对比：调整后第二个月，总转化提升至 9500 单，总 ROI 从 2.6 提升至 3.1。但注意：搜索渠道预算削减后，品牌词搜索量下降 20%，但整体转化未受太大影响，说明搜索流量中很大一部分是广告触达后的“被动搜索”，而非独立需求。

风险与代价：数据驱动模型需要持续追踪用户跨设备行为，该品牌为此部署了 CDP（客户数据平台），额外投入 8 万元/年。且模型在促销季（如双 11）会失真，因为用户决策路径被大幅压缩。

4.3 漏斗与归因的联动：构建 ROI 核算的完整闭环

核心原理：漏斗告诉你“哪里漏了”，归因告诉你“谁该背锅”

漏斗和归因不是两个独立工具，而是 ROI 核算的一体两面。漏斗负责量化每一层的数值和转化效率，归因负责将最终的转化价值（收入）回溯分配到各个渠道和触点。只有将两者结合，才能回答两个关键问题：“哪个渠道带来的用户质量最高？”（通过归因看渠道 ROI）和 “高质量用户是在漏斗哪一层流失的？”（通过漏斗看层级转化率）。

操作流程：五步构建 ROI 核算闭环

1. 定义转化事件：明确“转化”是下单、注册还是加购，并设定对应的货币价值。
2. 部署数据采集：在广告平台、落地页、CRM 中埋点，确保曝光、点击、访问、转化、复购数据能按用户 ID 关联。
3. 选择主归因模型：根据数据量和业务周期，从五种模型中选择主模型，并设定一个辅助模型做对比。
4. 计算层级 ROI：用归因后的收入除以各层级对应的成本（曝光成本、点击成本、转化成本）。
5. 输出优化动作：针对 ROI 为负的层级，结合漏斗数据定位具体原因（素材差、页面慢、价格高），并制定 A/B 测试计划。

总结复盘：常见误区与应对策略

• 误区一：所有渠道用同一个归因模型。不同渠道的角色不同（种草 vs 收割），应分别设置主模型。例如，对小红书用线性归因，对直通车用末次点击。
• 误区二：只看整体 ROI，不看漏斗层级 ROI。整体 ROI 为正可能掩盖了某一层的巨额亏损，导致盲目追加预算。
• 误区三：忽略“辅助转化”的价值。有些渠道（如品牌词搜索）虽然直接转化 ROI 高，但实际上是其他渠道种草后的“收割”结果。如果只用末次点击，会高估搜索渠道价值，低估种草渠道价值。
• 误区四：数据驱动模型一劳永逸。用户行为和市场环境在变，模型需要每月校准。建议保留最近 90 天的数据作为训练集，每季度重新训练一次。

最终，ROI 核算不是财务部门的“事后算账”，而是市场部门的“事前导航”。通过漏斗定位问题层级，通过归因合理分配功劳，才能让每一分投放预算都花在刀刃上。