五大归因模型介绍-归因不止ID匹配发表时间：2022-11-10 17:12 两个引擎我们一般将广告买量技术中台中的归因模块，拆为两个引擎，匹配(Mapping)引擎和回传引擎。 其中匹配引擎主要解决，唯一ID的精准匹配和不唯一ID的模糊匹配（概率匹配）问题，其本质是实现用户统一身份的跨端识别问题。 但是解决了ID匹配的问题，只是让归因模块在最低的要求下实现了基本运转，要想追求更好的投放效果，更多的数据驱动着力点在回传引擎。 多有效触点我们知道一个用户在发生有效转化之前大概率是会发生多次广告曝光甚至是点击行为的。这里我们统一称为有效触点。虽然一般平台都是宣称点击监测，但在这两年都有向复合有效触点的转变。这是视频广告，特别是沉浸、互动视频广告越发普及后的符合预期的发展方向。视频完播、互动等用户行为作为有效触点参与监测和归因，有利于实现更好的用户偏好和素材特征发掘以实现高效更精准的广告推荐。广告平台都在积极推动这一变革，除了复合其与广告主的共同利益外，还有利于其在合理合规的前提下抢归因，争取更多的广告预算。 重磅能力：腾讯广告播放归因29号全量上线，评估升级助力营销决策再优化 多有效触点归因需要解决两个问题： 触点识别主要是通过素材形式、版位和其他监测链接携带的信息分析得到本次触点属于曝光、完播、互动或者点击的哪一种。 归因模型就是如果将一次有效转化的效果分配到多个有效触点上。这里我们展开讨论五种归因模型。 五大归因模型首次点击模型将转化的全部效果唯一分配到首个有效触点
首次点击归因、首次互动归因、首次触点归因
精准人群筛选的营销链路，如优惠礼包、预约填单等，用户有立即转化的倾向。
有利于激进拿量，探索人群，可以排除链路不稳定或者用户首次填单未完成的影响。
不利于优质人群饱和攻击，需要配合窗口期策略，对监测数据保存周期要求较高。 最后点击模型将转化的全部效果唯一分配到最后一个有效触点
末次/最终点击归因、末次/最终互动归因、末次/最终触点归因
注重用户转化的“临门一脚”的营销目的和链路，如软件下载，用户有兴趣激发的过程。
有利于核心优质人群的密集饱和攻击，对监测和窗口期等策略要求低。能够和渠道分包和模糊匹配（IP+UA）有效协同。
需要明确定源转化，容易被重定向策略误伤抢归因 最终点击归因是最被广泛适用的归因方式，除了下文的facebook，国内巨量引擎、腾讯广告等主流平台的信息流，特别是图文信息流也都是以最后点击归因为主，沉浸视频和激励视频则较为复杂。 最后点击归因的优化变种如最终非直接点击归因和最终渠道归因，都是在最后点击归因基础上为了避免恶意抢归因以及与渠道分包协同的优化变种。 静态分配多触点模型包括：线性分配，时间衰减分配，U型分配、W型分配和Z型分配，即通过一种静态的权重将有效转化的效果分配到多个触点上，而不同于前文中的唯一触点。 他们的图示依次为 动态分配多触点模型又名数据驱动归因，Data-Driven Attribution，简称DDA。 数据驱动归因是一种基于机器学习的归因模型，与基于规则的归因模型不同，数据驱动归因使用所有可用的路径数据，包括路径长度，曝光顺序和广告素材，来了解特定营销接触点的存在如何影响用户转化的可能性以更好地将功劳分配给任何接触点。 算法或机器学习中有两大类算法：分类和回归，转化可以用0和1来表示，那么算法归因实际是一个分类问题，理论上能用于分类的算法都可以用于算法归因的。实际常用的算法有马尔科夫链、沙普利值、生存分析和Harsanyi Dividend。 - Markov Chain：马尔科夫链、国内有些公司使用。 - Shapley Value：沙普利值、谷歌系的归因产品用的是基于Shapley值，如Google Attribution 360，Google Analytics 360，DoubleClick和AdWords，是要付费产品才可以使用，但是在Google Analytics归因工具的测试版里面也可以使用数据驱动归因。 - Survival Analysis：生存分析 - Harsanyi Dividend：可能只有Adobe使用，网络上的信息非常少，Adobe也只是文档放了两个原文链接 如何应对？即时跟进响应能够对广告平台发布和未发布的触点和归因策略进行第一时间调整，吃到策略调整带来的红利。 对齐归因口径，进行科学准确的效果后向和素材分析。 自身利益出发要讲主动权掌握在自己手中，主动防范抢归因和重复归因等不合理归因方式，在竞价拍卖的买量过程中，保障买方的正当权益。 重视归因后端开发和运维触点变动可能会带来归因相关接口调用量和处理器负载几十倍上百倍变化，在投放量级持续增长时应该做相关的冗余储备和应急响应。
文章分类：
游戏行业
|
