數字化獨立站的無Cookies時代營銷（上） 歸因篇

圖片來源：圖蟲創意

前言

Cookies的重要性

數據采集的變化&限制

無Cookies的數據分析狀態

①營銷歸因模型(Marketing Attribution Models)

What：什么是營銷歸因模型？

Why：為什么我們需要營銷歸因模型？

How：如何建立營銷歸因模型？

有哪些不同類型的歸因模型？

常見的營銷歸因模型有哪些？

1.首次交互或首次點擊模型(First Interaction or First Click Model)

2.最后互動或最后點擊模型(Last Interaction or Last Click Model)

3.最后非直接點擊模型(Last Non-Direct Click Model)

4.線性模型(Linear Model)

5.時間衰減模型（以及其他考慮時間的模型）(Time Decay Model (and other models that take time into account))

6.基于位置或U形模型(Position-Based or U-Shaped model)

Google工具體系的DDA(數據驅動分析 Data-Driven Attribution)

1.Google Ads的DDA

2.Google Analytics 360的DDA

3.Search Ads 360的DDA

②算法歸因模型(Algorithmic Attribution Models)

1. 夏普利值歸因(Shapley Value Attribution)——觸點價值

1)計算Facebook Ad觸點的價值

2)計算Direct觸點的價值

2.馬爾可夫鏈歸因(Markov Chain Attribution)——鏈條價值

1)根據視圖進行表格分配

2)根據軌跡圖具象化數據價值

3)觸點價值計算

3.BI/ML歸因模型

1)洞察廣告渠道運作效果

2)比對不同用戶群的獲取渠道

3)BI/Business Intelligence 商業智能

結語

前言

我們在數字化獨立站演進歷程(二)2022年全觸點管理&私域營銷解讀過大型廣告平臺(Google、Facebook)的商業利益，源于廣告平臺算法對用戶數據的利用。

然而隨著隱私政策和Web3.0到來，Cookies(無論第一方Cookies還是第三方Cookies)的生命周期縮短從而導致廣告系統收集用戶級數據的能力減弱，數字化廣告效果展現前所未有的低靡。

(圖片來源：甲子光年)

2023年，海外電商營銷人員將徹底無法收集目前有關廣告渠道有效性的大部分數據——意味著如果還是堅持目前廣告投放的管理方式，所有廣告(哪怕Google Ads)的ROAS都會異常難看。

而因為廣告數據不精準，獨立站投放團隊目前已經浪費21%的預算——而隨著更多Cookies限制以及Google隱私沙盒的采用，這個比例只會更讓每個廣告主心頭滴血。

所有獨立站營銷團隊，在2022年都會面臨一個挑戰

“如何過渡到一種新的歸因分析公式(Attribution Analytical Formula)”

更好地為全球電商營銷無Cookies后的變化做好準備

Cookies的重要性

探討無Cookies時代，當然先要解讀Cookies的重要性

舉個栗子：

假設我們是要辦理銀行業務的個人，那么Cookies就是銀行給予我們的一次性One-ID

什么是One ID？

這是數字化時代營銷的術語，基于每個個人都存在手機號、郵箱、設備ID等不同的ID信息，因此為了更有效識別到個人，結合業務規則、機器學習、圖算法等算法，進行ID-Mapping，將各種ID信息都映射到統一ID上。

通過這個統一ID(即One ID)，便可關聯起各個ID的數據

用戶在每個銀行首次辦理業務，都需要填寫相關身份信息——身份證號/手機號碼/住宅等，但只需填寫一次，不需要在第二次過去的時候再次填寫，因為銀行已經給了銀行卡號作為用戶和銀行進行交互的One-ID

銀行卡:4281261264265622（隨手填充的）

姓名:ABC

手機號碼:12345678910

住宅:深圳灣一號

PS:One-ID體系在數據指標&分析中有更深層次的應用，銀行卡號實際上也不是One ID的最佳選擇，此處舉例說明只為大家方便理解

(圖片來源：紛析咨詢-宋星老師關于One-ID應用的舉例說明)

當每個用戶第一次訪問獨立站，Cookie的設置以及推送/保存會經歷類似的4個步驟：

(圖片來源：Bing)

移動端/PC通過瀏覽器推送一個請求(Http Request)到服務器

本質上，Cookie是一小段代碼，當我們用戶訪問網站時，這一小段代碼就會存儲在瀏覽器中，跟蹤在該用戶網站上進行的種種行為，從中搜集基本數據。

常用Cookie有兩種形式：

第一方Cookie，即用戶訪問我們站點時創建的Cookie——用戶通過移動端/PC瀏覽器停留在我們網頁的過程中，瀏覽器追蹤用戶的行動中將數據文件保存到用戶的移動端或者PC；

第三方Cookie，可以在不同的網站/平臺之間共享，廣告商和社交媒體可以根據用戶近期的停留內容和對內容的行為數據來調整廣告策略，定向投放廣告——聽起來是不是有些耳熟：

(圖片來源：Meta廣告后臺)

實際上，Meta Pixel就是一段JavaScript代碼加載小型函數庫，是一個第三方Cookie

所以我們過去依賴的Facebook Ads，本質是用戶(①首次廣告/②再營銷廣告)通過瀏覽器進入站點，以對方的Cookies區別“新”“舊”用戶，并且應用數字化廣告系統/平臺，推送的（再營銷）廣告

但Cookies和銀行卡的區別在于，Cookies是一次性的：

(圖片來源：騰訊云)

在Cookies屬性值中，Expires= Optional，簡單解讀一下，這是作為HTTP日期時間戳的Cookie的最大生命周期。

PS：如果未指定，則Cookie將只有會話Cookie的生命周期——會話在客戶端關閉時結束，會話Cookie同時被刪除。

數據采集的變化&限制

當我們進入無Cookies營銷，瀏覽器已開始限制Cookies的生命周期，甚至完全拒絕使用：

默認情況下，Firefox已經阻止Cookies跟蹤

谷歌在2023年底前放棄Chrome瀏覽器中的第三方Cookies

在Safari中，第三方Cookies的生命周期已縮短為7天，在某些情況下縮短為1天

這意味著第三方網站的重定向可能性將被限制在1天之內

如果用戶在1天內沒有與網站互動，則Cookies將被刪除，并且在下次訪問時將識別為新用戶

谷歌瀏覽器在2021年占據超過65.27%的瀏覽器市場份額，考慮到每月有46.6億活躍互聯網用戶，全球使用它的人數估計為30.4億，跨越超過40 億臺單獨設備

(圖片來源：Google Chrome)

圖片來源：Jaron Tom以上的變化&限制意味著：

廣告服務將限制在用戶個人信息級別的跟蹤用戶活動能力。所有對于個人信息數據是否被收集越加重視，因此廣告服務會越加限制追蹤用戶行為&信息，以保護用戶——意味著數據隊列分析和審計越加復雜化。

平臺和瀏覽器將限制用戶級別的跟蹤。例如，iOS已經阻止了IDFA(廣告標識符)，這是Apple設備用戶的Cookies的模擬。默認情況下，移動應用程序追蹤IDFA已經是禁止的。沒有廣告標識符，應用程序發送的用戶操作數據不會與特定設備相關聯

意味著用戶和廣告的相關操作，都不會被廣告平臺/廣告主捕抓

(圖片來源：Jaron Tom)

這些變化的發生主要有以下三個原因：

數字平權(digital equality)——ATT之后出?；ヂ摼W廣告生態，本身更像一場定價權革命：

對于廣告投放者來說，ATT嚴格來說只是帶來的是iOS渠道的整體ROI下降，廣告投放者依然可以進行其它的投放驅動。

——工具是營銷技術的結晶，技術是需求的推導，以客戶為中心的需求誕生客戶為中心的工具

(圖片來源：https://www.gartner.com/en/conferences/calendar)

無Cookies的數據分析狀態

“新”網站用戶的份額將會增加，盡管這些“新”用戶中的很多實際上是分配了“新”Cookie的老用戶。

?如果用戶在周一點擊廣告鏈接，周二直接返回網站，系統會將第二次會話的來源分配給廣告活動，而不是直接客戶。

但如果這是一個“新”用戶，那么與吸引該用戶的廣告活動沒有任何聯系。?

轉化鏈的長度會減少。如果之前可以觀察到用戶在完成轉化之前進行了幾次點擊，那么現在可以與一個用戶關聯的接觸點數量將會減少。

Facebook和Shopify訂單同步不準的原因在這里

盡管如此，賣家的廣告營銷反而更依賴Last Click，因為只有1個會話或1天內的用戶歷史記錄可供分析系統使用，因此評估將更接近末次互動歸因模型(Last Click Attribution Model)

聽起來挺矛盾，但這就是目前獨立站投放的尷尬——投放越加收窄，而且一擴就崩

多觸點關聯轉化會在評估廣告組時將會增加考慮(過往基本只考慮Facebook投流)。包括廣告商在內都已經開始通過考慮多觸點關聯轉化來評估多渠道(Multi-channel)乃至全渠道(Omni-channel)營銷——因為無法觀察用戶對廣告的反應，意味著單觸點的投放基本都屬于盲投。

(圖片來源：Bing)

①營銷歸因模型(Marketing Attribution Models)

What：什么是營銷歸因模型？

這是一個營銷學術用語

——營銷歸因(Attribution)分析是應用統計方法為購物路徑的每一個觸點分配轉化價值，歸因模型(Attribution Model)則是一個框架，每種歸因模型都會以不同的方式在每個觸點上分配轉化價值。

(圖片來源：Bing)

Why：為什么我們需要營銷歸因模型？

在復雜的數據爆炸時代，大量的社交媒體&用戶數據每天都在指數級別增加；

用戶復雜的消費行為路徑，反映到廣告投放的效果評估上，往往會產生一系列的問題：

哪些營銷渠道完成轉化銷售？

大部分賣家第一反應就是：當然是用戶點了哪個廣告(尤其是Facebook AD，大部分賣家都偏愛Add To Cart)從而進去商品詳情頁產生購買，當然那就是產生作用的出單廣告。

這是最常用的(甚至可以說是，基本都用的)分析方法，最簡單粗暴的單渠道歸因模型

——這種方法通常將銷售轉化歸功于用戶第一個(首次互動模型，First Click Attribution Model)或者最后一個廣告觸點(末次互動模型，Last Click Attribution Model)的渠道。

然而，這是理想情況下的歸因模式

客戶會在第一次查看廣告后立即購物

(此類情況，是在投放的角度，是素材差異化，也是大部分投手每天都在疲于測試各類廣告素材的原因)

實際上，事情要復雜得多。例如，舉一種可能的情況是：

了解——客戶看到廣告，點擊網站鏈接，并注冊身份留下聯系方式(郵件)，然后分心并關閉網站。

在用戶擁有不止一個觸點，尤其每一個廣告觸點，在當下的流量環境中不具備完整的用戶數據反饋，歸因分析(Attribution Analysis)幫助我們清晰感知哪個渠道/觸點促成了購買，以及它們到底如何影響轉化，從而更合理分配廣告預算，真正實現增加收入并降低成本。

“我知道在廣告上的投資有一半是無用的，但問題是我不知道是哪一半?！?/span>

百貨業之父約翰·沃納梅克(John Wanamaker)

How：如何建立營銷歸因模型？

有哪些不同類型的歸因模型？

歸因模型有幾十種可能的存在，而根據計算中使用的邏輯，它們可以以不同的方式分類。

如果我們在訂單之前查看渠道在客戶旅程中占據的位置，那么我們使用的是基于位置的歸因模型（時間衰減，基于位置）。如果計算考慮到所有數據，而不僅僅是通道在鏈中的位置，那么它就是一個算法歸因模型（數據驅動，馬爾可夫鏈）。

如果我們只將所有價值賦予一個參與渠道的渠道，那么它就是一個單渠道模型（最后點擊，第一次點擊）。如果價值分布在鏈中的所有渠道中，那么它是一個多渠道歸因模型（線性，時間衰減）。

常見的營銷歸因模型有哪些？

讓我們從最簡單的基于位置的營銷歸因模型開始，這些模型在免費版的Google Analytics中直接使用

Organic原生流量(比如SEO)和Direct(直接流量)區別在于

(圖片來源：Google平臺截圖)

原生流量大部分來源于我們內容營銷，直接流量來源于用戶的口碑相傳——也就是我們強調過的

Earned-Media

(圖片來源：https://socialbeta.com/)

1.首次交互或首次點擊模型(First Interaction or First Click Model)

使用這些模型，從轉化中獲得的所有價值都歸因于引導用戶進入漏斗的第一個來源。例如，如果我們有一個由四個觸點組成的鏈，如下圖所示，根據First Click模型，轉化的全部價值將歸因于CPC渠道。

(圖片來源：Jaron Tom)

優點：易于設置和使用，因為沒有關于渠道之間價值分配的計算或爭論。

缺點：沒有顯示全貌，并且高估了頂部的頻道；用戶通常在購買前與其他多個接觸點進行交互，而首次交互模型完全忽略了這些。

適用于希望提高品牌知名度和受眾范圍以及了解在哪里購買可以轉化的流量的企業。對于專注于需求生成和品牌知名度的營銷人員很有用。

2.最后互動或最后點擊模型(Last Interaction or Last Click Model)

根據這個模型，轉化的全部價值流向了用戶在轉化之前接觸到的最后一個渠道。所有其他渠道的貢獻被忽略。在我們的示例中，所有值都將轉到Direct通道。

(圖片來源：Jaron Tom)

優點：許多營銷人員都熟悉的流行模型；非常適合評估快速購買的活動，例如季節性商品。

缺點：與所有單通道模型一樣，它在訂購前忽略了鏈中其他來源的作用。

適用于銷售周期短、最多只使用三個廣告渠道的賣家(比如只在Facebook投放的投流型賣家)。

3.最后非直接點擊模型(Last Non-Direct Click Model)

Google Analytics報告中默認使用此模型——整個轉化價值分配給鏈中的最后一個通道，但如果最后一個通道是Direct，則該值將歸屬于前一個通道。

背后的邏輯是，如果用戶通過書簽或輸入URL找到我們的獨立站，表示他們極大可能已經熟悉我們的網站。

(圖片來源：Jaron Tom)

優點：允許忽略在廣告成本方面較低的渠道并專注于付費來源。此外，Last Non-Direct Click 可用于與其他歸因模型進行比較。

缺點：沒有考慮其他渠道的貢獻。此外，通常鏈中倒數第二個來源是電子郵件。我們了解到客戶來自某個地方并留下了他們的電子郵件地址。但是使用最后的非直接點擊，我們很容易低估幫助客戶熟悉品牌、留下電子郵件并最終決定購買的來源。

適用于想要評估特定付費渠道的有效性并且品牌識別不再那么重要的企業。

4.線性模型(Linear Model)

這個基本模型只是簡單地將交易價值平均分配給鏈中的所有來源。

(圖片來源：Jaron Tom)

優點：簡單，但同時比單渠道歸因模型更先進，因為它考慮了轉化前的所有會話。

缺點：如果我們需要重新分配預算，則無用；在渠道之間平均分配它不是最好的選擇，因為它們不能同樣有效——舉個例子，KOL渠道和Facebook/Google廣告同時在轉化出單，但KOL和FacebookAD的不確定性(KOL有效果但難以量化追蹤，Facebook廣告現狀大家懂的都懂)都會讓廣告部門分配預算時候分外抓頭。

適用于銷售周期較長的B2B公司等企業，在渠道的各個階段與客戶保持聯系非常重要。

5.時間衰減模型（以及其他考慮時間的模型）(Time Decay Model (and other models that take time into account))

使用時間衰減模型，交易的價值在通道之間增量分配。也就是說，鏈中的第一個來源獲得的價值最少，而最后一個且最接近轉換的來源獲得的價值最高。

(圖片來源：Jaron Tom)

優點：鏈中的所有渠道都分得一杯羹。最多的功勞歸于推動用戶購買的渠道。

?缺點：導致用戶進入漏斗的來源的貢獻被大大低估了。

適合那些想要評估時間有限的促銷活動的有效性的人。

6.基于位置或U形模型(Position-Based or U-Shaped model)

對于這些模型，大部分功勞歸于兩個來源（各占 40%）：一個向用戶種草，一個完成交易。剩下的 20%平均分配給漏斗中間的所有渠道。

(圖片來源：Jaron Tom)

優點：為在大多數情況下發揮最重要作用的渠道賦予最大價值：那些吸引客戶并激發轉化的渠道。

缺點：有時鏈路中間的會話比第一眼看起來更能鼓勵用戶。例如，幫助客戶將產品添加到購物車、訂閱郵件通訊或點擊關注價格。使用基于位置的模型，此類會話及其影響力被低估了。

適用于同樣重要的是吸引新觀眾并將現有訪客轉化為買家的企業。

圖片來源：Jaron Tom消除這些阻礙，解決歸因問題會容易得多。

Google Ads、Double Click和其他一些服務也有自己的歸因模型，但它們的共同缺點是我們只能使用服務的內部數據進行計算。

不過以Google工具的DDA(數據驅動分析 Data-Driven Attribution)為例，我們可以簡單介紹如何從單一歸因分析模型轉為更復雜的

——以我們的Google Ad帳戶數據作為分析的起點，與具有預定義公式的標準模型不同，DDA使用算法對每個案例進行不同的分析，并評估漏斗中渠道的相互影響，即使它是復雜、不一致和多步驟的。

(圖片來源：Google Ads)

Google工具體系的DDA(數據驅動分析 Data-Driven Attribution)

1.Google Ads的DDA

Google Ads中的默認歸因模型是最終點擊，但如果滿足最低要求，則可以配置以數據為依據的歸因。默認情況下，數據驅動的歸因分析Google廣告的所有點擊，而不是整個客戶旅程。根據這些點擊，該模型將購買的用戶與未購買的用戶進行比較，并確定導致轉化的廣告互動中的模式。要增加轉化次數，可以使用根據DDA模型中的信息進行優化的自動出價策略。

與Search Ads 360相比，Google Ads不允許跨多個引擎運行營銷活動，并且無法提供太詳細報告。

該產品適用于需要優化營銷活動和關鍵詞的大中型企業。

關于Google Ads中的DDA，可以觀看Google Ads中使用數據驅動歸因的官方YouTube視頻了解更多。

(圖片來源：Google Ads)

Google Ads使用DDA的最低要求以及優缺點。

最低要求：

過去30天內在受支持的網絡中進行了3,000次廣告互動

過去30天內的300次轉化

要繼續使用此模型，必須在過去30天內達到以下最低轉化閾值：

2,000次廣告互動

200次轉化

Google Ads中DDA模型的優點：

幫助優化關鍵字和付費廣告系列

幫助優化出價

分析哪些廣告在實現業務目標方面發揮著最重要的作用

Google Ads中DDA模型的缺點：

無法獲得在線用戶旅程的全部概覽

需要連續30天保持必要的轉化次數和點擊次數，然后才能在Google Ads中查看數據

如果數據低于所需的最小值，歸因模型將自動切換為線性

2.Google Analytics 360的DDA

借助Google Analytics 360，可以使用基于Shapley Value方法(Shapley Value是合作博弈論中的一個解決方案概念，以Lloyd Shapley的名字命名——他于1951年將其引入并于2012年獲得諾貝爾經濟學獎。我們會在下文算法模型中詳細解釋)的多渠道漏斗 (MCF)數據驅動歸因。該算法通過現有接觸點分析用戶的路徑，然后模擬一個替代變體代替其中一個缺失接觸點。

這準確地展示了特定渠道如何影響轉化的可能性。以數據為依據的歸因評估來自自然搜索、直接流量和付費流量的數據以及我們導入到Google Analytics的所有數據，包括來自其他Google 產品(例如Google Ads、Campaign Manager 360)的數據。

借助Google Analytics 360 中的DDA，我們可以概覽渠道中所有用戶的在線操作，以及每個渠道如何影響轉化。這個選項是最適合大型平臺式網站。

(圖片來源：Google Ads)

Google Analytics 360使用DDA的最低要求以及優缺點。

最低要求：

過去 30 天內獲得15,000次點擊和600次轉化的Google Ads 帳戶

必須設置電子商務跟蹤或目標

如果滿足這些要求，就可以開始在Google Analytics 360中使用DDA。要繼續使用它，同時必須在過去28天內滿足以下最低轉化閾值：

每種類型的400次轉化，路徑長度至少為兩次互動

特定視圖中的10,000條交互路徑

Google Analytics 360中DDA的優點：

全面分析客戶的在線旅程

查看哪些廣告、關鍵字和廣告系列對轉化的影響最大——對，就是現在困擾絕大部分賣家的問題，廣告訂單數據丟失

根據過去的轉化數據分配收入功勞

分配給每個接觸點的信用量取決于接觸點的順序

數據分析立即開始，我們的第一個模型的報告將在7天內提供

Google Analytics 360中DDA的缺點：

賬戶成本高：150,000美元/年起

隱藏的計算邏輯：報告中沒有解釋

需要始終如一的大量點擊和轉化

不包括離線數據(電話、CRM中的交易)

需要Google Ads帳戶

最近很多賣家Google廣告賬號被掛，讓本來只是條件的元素變為缺點，分外唏噓。

3.Search Ads 360的DDA

由于與Google Marketing Platform的原生集成，Search Ads 360可跨多個搜索引擎(Google Ads、Microsoft Advertising、Yahoo! Japan Sponsored Products、Baidu 和 Yahoo! Gemini)管理廣告Campaigns

默認情況下，Search Ads 360使用最終點擊歸因模型，但如果滿足最低點擊和轉化要求，也可以配置 DDA。與Google Analytics 360和Google Ads不同，Search Ads 360中的數據驅動歸因分析Google Marketing Platform的轉化跟蹤系統Floodlight中的活動。

該歸因側重于付費營銷活動，并展示關鍵字點擊如何影響轉化，因此還可以調整或創建新的出價策略，該策略將根據模型數據自動優化出價。

(圖片來源：Google Ads)

Search Ads 360服務適用于轉化次數較多且需要優化其付費廣告系列的網站。

讓我們看看在Search Ads 360中使用以數據為依據的歸因的最低要求和優缺點。

最低要求：

過去30天內的點擊次數為15,000次

過去30天內的600次轉化

在 Search Ads 360 中使用DDA的優點：

近乎實時地獲取報告數據

智能出價+DDA自動優化出價

最多可創建五個DDA模型來比較不同渠道分組的數據

可以上傳離線轉化數據(例如CRM中RFM數據)比對分析

考慮跨環境轉化

在 Search Ads 360中使用DDA的缺點：

忽略搜索和展示展示次數

可能不完全準確：如果無法衡量所有轉化次數，Search Ads 360會使用機器學習和歷史數據來模擬轉化次數

僅跟蹤歸因于付費搜索的轉化次數

實現所有功能所需的額外設置：Campaign Manager、1組Floodlight活動和Search Ads 360 Natural Search報告

無法分析由Google Ads、Google Analytics或其他轉化跟蹤系統跟蹤的轉化

結論

提供數據驅動歸因的Google產品允許我們跟蹤不同的渠道，確定在Google搜索引擎中我們的在線廣告中，存在哪些最有效和最不有效的部分，并詳細分析用戶的在線旅程。

盡管Google的數據驅動歸因通常被視為一種模型，但其實施方式因產品而異。為了有效地測量數據，我們需要選擇適合自己的數據類型的服務——以下是Google產品DDA的主要重點：

Google Ads會跟蹤Google搜索中的廣告點擊次數。

②算法歸因模型(Algorithmic Attribution Models)

正常狀態下，我們在Google Ads或Facebook(Meta)上設置廣告，大部分是通過最后一次點擊(Last Click)評估廣告Campaign是否有效。

——換言之，在我們的廣告管理面板或Google Analytics中，仿佛使用復雜的歸因模型是沒有意義的。

但是，隨著當Apple宣布他們的iOS 14.5更新將允許用戶選擇退出跟蹤cookies時，游戲規則已經全盤改變。因為無法觀察最后一次點擊(Last Click)，也從而導致整體歸因效果分析失去效果。

——所有營銷/投放都失去了他們的“眼”，直接導致每個獨立站的投手不單單需要猜測自己手頭上哪個廣告Campaign在生效出單，更需要為如何優化廣告/增長用戶的計劃而抓頭。

因此在無cookies狀態下，評估我們獨立站的營銷廣告狀態，需要評估所有廣告來源對彼此的影響，并且將來自不同廣告服務、Google Analytics，乃至我們的CRM的數據組合到一個系統中，并使用更復雜的歸因模型——算法歸因模型，其中包括我們接下來介紹的數據驅動驅動(在Google Analytics 360中)、馬爾可夫鏈、BI/ML歸因和自定義算法。

——否則，我們將無法了解哪些廣告渠道可以結合地協同工作以及我們的用戶在我們營銷路徑的哪些階段。

1.夏普利值歸因(Shapley Value Attribution)——觸點價值

付費版Google Analytics的用戶可以訪問數據驅動的歸因模型，上文描述的所有歸因模型都使用由網絡分析系統or我們自身設置的規則。

相比之下，Shapley Value模型沒有任何預定義的規則，它基于數據和Shapley向量計算觸點的值。

——改變會話的順序，Shapley Value模型中的觸點Value不會改變

(圖片來源：Jaron Tom)

根據維基百科，Shapley Value (屬于合作博弈論)是參與者之間價值的最佳分配方案之一，為合作博弈構造一種綜合考慮沖突各方要求的折中的效用分配方案，保證分配的公平性從而有效分配所有參與者聯合產生的總盈余。

Shapley Value是合作博弈論中的一個解決方案概念(在博弈論中，解決方案概念是預測游戲將如何進行的正式規則。這些預測被稱為“解決方案”，描述了參與者將采用哪些策略，因此也描述了游戲的結果。最常用的解決方案概念是均衡概念，最著名的我相信大家都會聽過——納什均衡)，通常被認為是博弈論發展最重要的貢獻之一。Lloyd Shapley也因此與Alvin E. Roth一起獲得了2012年諾貝爾經濟學獎——用于穩定配置的理論和市場設計的實踐。

要了解數據驅動模型的工作原理，請考慮一個特定示例。假設我們有兩條導致交易的鏈(“全鏈路”這個詞應該是16年從阿里出來的，用于描述用戶從接觸到轉化繼而自傳播的轉換歷程)：

Facebook Ad → 0美元銷售 —— (只是舉例，但如果是目前大部分獨立站投手的現狀??)

我們在示例中專門使用了短鏈，以免使已經很復雜的公式復雜化。

我們需要如何確定每個觸點分別帶來了多少以及它們一起帶來了多少：

V1 (Facebook Adt) = 0$

V2 (Facebook Ad + Direct) = 500$

V3 (Direct) = 300$

觸點的Shapley Value使用以下公式計算：

(圖片來源：Wiki百科截圖)

其中公式中的

n 是玩家的數量（在我們的例子中，指代用戶觸點）

v 是觸點帶來的價值

k 是聯盟 K 的參與者數量

假設

C1 是 Facebook Ad的觸點Value。

C2 是 Direct 的觸點Value。

如果我們將示例中的值插入到這個公式中，我們會得到以下結果：

C1 = (1 - 1)！× (2 - 1)！/2！× (0 - 0) + (2 - 1)！× (2 - 2)！/2！× (500$ - 300$) = 0 + 100$ = 100$

C2 = (1 - 1)！× (2 - 1)！/2！× (300) + (2 - 1)！× (2 - 2)！× (500$) = 150$ + 250$ = 400$

現在，我們將為那些被公式嚇到的人用簡單的語言來解釋這一點??

1)計算Facebook Ad觸點的價值

Facebook Ad本身并沒有給我們帶來任何東西，所以我們將擁有的第一個元素是0$。

Facebook Ad和Direct一起帶來了500美元，僅Direct就帶來了 300 美元。我們從觸點組合帶來的金額中減去Direct賺到的錢，然后將結果除以2：(500$ - 300$) / 2 = 100$。這是我們的第二個元素。

現在加上0$ + 100$ = 100$——Facebook Ad在我們此次觸點組合中的價值。

2)計算Direct觸點的價值

Direct完成300$，將其除以2，獲得150$。

Facebook Ad + Direct組合帶來了500美元，除以2得到250$。

我們將這些數字相加，得到400$作為Direct觸點的價值。

圖片來源：Jaron Tom

2.馬爾可夫鏈歸因(Markov Chain Attribution)——鏈條價值

馬爾可夫鏈(Markov Chain, MC)是具有有限數量結果的隨機事件序列，其特點是在固定現在的情況下，未來獨立于過去。

最初，氣象員、博彩公司和其他人使用馬爾可夫鏈來解決預測問題。隨著數字市場的發展，人們最近開始使用它們來評估廣告活動。

基于馬爾可夫鏈的歸因有助于回答多個關聯廣告觸點將如何影響轉化的問題。

(圖片來源：Wiki百科截圖)

要了解馬爾可夫鏈的工作原理，我們以自身獨立站轉化過程最常用的鏈路作為具體示例。

假設我們在3個廣告觸點(C1:Facebook Ad /C2:Google CPC廣告/C3:EDM)組成的廣告關聯組合中，并試驗出如下3條鏈路：

Start → C1 → C2 → C3 → 轉化成功(Сonversion)

圖片來源：Jaron Tom1)根據視圖進行表格分配

第一列展示我們的客戶路徑——在我們的示例中是2個鏈路。

第二列展示路徑在模型內部的視圖，包括鏈路入口(Start階段)和鏈路出口(Conversion或Null)。

第三列展示觸點分對，因為我們需要評估從一個觸點到下一個觸點的所有可能轉化路徑。

然后我們需要計算每個可能的轉化選項的概率并將它們放在一個單獨的表中

概率來源于分析有關用戶操作的真實數據

2)根據軌跡圖具象化數據價值

為了保證本篇推文的完讀率，我們在軌跡圖上展示以上表格中所有數據表達的意思：

(圖片來源：Jaron Tom)

在軌跡圖中，我們可以看到了數據采集表中已采集的轉化選項&轉化概率。

一切都從(Start階段)開始：

三分之一的用戶進入頻道C2觸點，三分之二的用戶進入C1觸點

請注意，在我們的示例中，實際上只存在兩個轉化路徑，并且都通過C2觸點

3)觸點價值計算

再次為了挽救完讀率，又或者說，我們要解釋到底為何要做這么復雜的運算?

本質上，這是是一個否定推演，也就是說依次刪除每個觸點，觀察它的缺失將如何影響轉化(Convercion)：

(圖片來源：Jaron Tom)

例如，如果我們從舉例中刪除C1觸點，我們會失去50%的轉化——我們是怎么得出這個結論的？

在馬爾可夫鏈中，觸點價值計算分三個階段進行：

1.計算每個觸點的轉化概率

更準確地說，需要弄清楚如果從鏈路中刪除單一觸點后，我們會獲得多少轉化。

每個觸點的轉化概率 (P) 使用以下公式計算得出：

P1 = (33.3% × 100% × 50%) = 16.7%

讓我們仔細看看第一個公式，如何計算出C1觸點的轉化概率。

當我們從模型中刪除C1觸點，并將所有剩余的從導致購買的鏈中轉移的概率相乘。

(圖片來源：Jaron Tom)

也就是說，我們將33.3%乘以100%乘以50%。結果，我們得到16.7%

——如果我們從鏈路中移除C1觸點，這是我們將獲得的轉化百分比。

如果我們刪除觸點C2和C3，那么我們將根本沒有轉化。

2.確定每個觸點的刪除效果(R)

這里計算的是，如果我們從漏斗中刪除觸點，我們將失去的轉化百分比，其計算方式如下：

減去轉化單位 (P) 除以鏈路入口的用戶數量(轉化概率)，從100%開始：

R1 = 100% - (16.7% / 33.3%) = 50%

3. 最后，我們計算每個觸點的Value(V)

——丟失轉換的百分比 (R) 并將其除以所有系數（R1、R2 和 R3）的總和。

V1 = 50% / (50% + 100% + 100% ) = 20%

V2 = 100% / (50% + 100% + 100% ) = 40%

V3 = 100% / (50% + 100% + 100% ) = 40%

C1:Facebook Ad /C2:Google CPC廣告/C3:EDM

優點：基于馬爾可夫鏈的歸因模型允許我們評估觸點對轉化的相互影響，并找出哪個觸點最重要。

缺點：低估了鏈中的第一個渠道；另外需要一定的編程技巧。

適用于將所有數據收集在單個系統中的企業。

3.BI/ML歸因模型

這里開始，是本文最重點的內容——真不是為了完讀率而這么寫的

先解釋一些兩個名詞

BI：商業智能，Business Intelligence，簡稱BI，指用現代數據倉庫技術、線上分析處理技術、數據挖掘和數據展現技術進行數據分析以實現商業價值。

計算機程序消耗的數據

因此，BI/ML歸因模型是通過BI工具和機器學習的結合，根據夏普利值/馬爾可夫鏈分析邏輯從而評估我們的廣告活動有效性，并且最大化洞察到每個觸點的轉化漏斗對客戶促銷的貢獻。

夏普利值遵循的分配原則是“所得與自己的貢獻相等”，因此不需考慮鏈中觸點的順序，而是評估觸點的存在如何影響轉換。

而馬爾可夫鏈是一系列事件，其中每個后續事件都依賴于前一個事件?；隈R爾可夫鏈的歸因使用概率模型計算漏斗步驟之間的轉換概率，讓我們可以評估步驟對轉化的相互影響，并找出哪些步驟最重要。

BI/ML歸因模型設置轉化漏斗的所有步驟并計算出概率，通過在馬爾可夫鏈中呈現結果如下圖：

(圖片來源：Jaron Tom)

大家可能會存在疑問：為何我們要做這么復雜的分析模型計算？

圖片來源：Jaron Tom事實上，我們在數字化獨立站演進Vol 1解讀過，由于消費者購物決策路徑因為數字化時代而不斷拉長

面向我們的消費者，可能在TikTok見到我們，Google搜索我們，最后可能依然還是Facebook下單。

(圖片來源：Jaron Tom)但依然存在的問題是，在不同的廣告服務和分析系統中使用著不同的歸因模型

(圖片來源：Jaron Tom)

大多數廣告服務使用的是最后非直接點擊模型(Last Non-Direct Click)，后視圖(Post-View)、動態追蹤(Cross-Device)或其他模型

但這些模型無法跨服務進行比較：Facebook Ads以用戶行為衡量廣告價值，而Google Ads則采用品牌詞的方法界定廣告定價，哪怕我們全面啟用以上工具(且不論成本問題)都無法打通完成數據閉環。

(圖片來源：Jaron Tom)BI/ML歸因模型的如何作用于我們的獨立站？

1)洞察廣告渠道運作效果

當我們的廣告活動使用AIDA(A為Attention，即引起注意；I為Interest，即誘發興趣；D為Desire，即刺激欲望；最后一個字母A為Action)模型，會分為認知、興趣和轉化三個階段的時候，因此旨在影響廣告下一階段的活動可能在現階段看起來無效。

(圖片來源：BI數據系統后臺)

因此BI/ML歸因模型對現有廣告系列的ROAS真實評估，以及有沒有完成AIDA整個過程，可以讓我們不會錯誤配置廣告預算。

2)比對不同用戶群的獲取渠道

計算每個會話的值，為不同的用戶群組自定義歸因模型

評估廣告系列對向當前客戶（“當前客戶”群組）銷售附加服務的貢獻

(圖片來源：BI數據系統后臺)

此外，通過了解會話的成本，我們可以計算在每個產品組上的花費和收入，評估針對不同地區、登陸頁面、移動應用版本和應用程序的廣告效果。

3)BI/Business Intelligence 商業智能

無需分析師的幫助或任何數據庫/SQL知識即可基于歸因數據構建報告，是BI/ML歸因模型最大的優點。

計算歸因模型后，通過BI工具根據添加的事件自動報告收入、轉化次數、ROI、ROAS和CRR。

(圖片來源：BI數據系統后臺)

此外，使用方便的報告生成器創建個性化報告——更易于理解的圖表和表格，更直觀的展示

(圖片來源：BI數據系統后臺)

展示用戶每個動作的廣告真實ROSA(此處為BI面板操作錄屏)

結語

在廣告活動中：

吸引客戶的成本會增加——廣告服務將依靠更少的信息來將廣告定位給合適的用戶，而廣告服務確定是否符合特定用戶能力越低，其廣告相關性就越低。這意味著點擊率會降低，而每次轉化費用會增加。

Criteo是一家在納斯達克上市（納斯達克代碼：CRTO）的全球性的效果營銷科技公司，于2005年在法國巴黎成立。該公司核心業務是重定向廣告（retargeting），其于2021年推出的內容投放方案FLEDGE，指根據近期消費行為將消費者匿名分組，然后通過AI查找出與特定組別最匹配的廣告主的URL或者內容。

這一切都將導致小廣告商離開市場，同時小賣家很難通過相關的轉化來保證自己的利潤。

（來源：JaronTam）

以上內容屬作者個人觀點，不代表雨果跨境立場！本文經原作者授權轉載，轉載需經原作者授權同意。?