多渠道归因分析（Attribution）：传统归因（一）
文章目錄
- 1 歸因分析
- 2 傳統歸因分析方法
- 2.1 傳統歸因分析
- 2.2.1 最終互動歸因模型
- 2.2.2 最終非直接點擊歸因模型
- 2.2.3 最終AD點擊歸因
- 2.2.4首次互動歸因
- 2.2.5 線性歸因模型
- 2.2.6 時間衰減歸因模型
- 2.2.7 位置歸因模型
- 2.2.8 自定義歸因模型
- 2.2.9 馬爾科夫歸因模型
- 2.2 不同歸因方法的使用場景
- 3 算法歸因的幾種方法
- 3.1 夏普里值（Shapley Value)
- 3.2 生存分析方法(Survival Analysis)
- 3.3 路徑分析(Path Analysis)
- 3.4 馬爾科夫鏈
- 3.5 業界使用情況
- 3.6 SHAP值和馬爾科夫鏈 歸因的比較
- 4 歸因分析的服務商
- 1 zoho CRM —— 營銷歸因
- 2 Google Attribution 360使用
- 3 VisualIQ
- 4 Convertro
- 5 歸因分析的一些案例
- 5.1 亞馬遜廣告歸因
- 5.2 GA中的多渠道歸因
- 5.3 有效觸點歸因
- 5.4 【阿里媽媽營銷科學系列】第四篇：營銷渠道效果評估與歸因
- 參考文獻
本篇主要是python實現馬爾科夫鏈歸因，關聯的文章：
- 多渠道歸因分析（Attribution）：傳統歸因（一）
- 多渠道歸因分析：互聯網的歸因江湖（二）
- 多渠道歸因分析：python實現馬爾可夫鏈歸因（三）
- 多渠道歸因分析（Attribution）：python實現Shapley Value（四）
- 多渠道歸因分析（Attribution）：用attention-RNN來做歸因建模（附代碼demo）（五）
1 歸因分析
什么是廣告歸因（Attribution）？ -> 廣告的轉化的產生,其功勞應該歸功于哪些渠道。
歸因模型是指一種或一組規則，用于確定如何將銷售功勞和轉化功勞分配給轉化路徑中的接觸點。
歸因分析(Attribution Analysis)要解決的問題，就是廣告的Conversion的產生，其功勞應該歸功于哪些渠道；舉個例子，廣告主投放了信息流廣告，搜索廣告，視頻廣告，轉化(Conversion)很多都直接發生在搜索廣告中，那么這些Conversion完全是搜索渠道功勞么？其實未必，很多轉化都是用戶在觀看視頻廣告/信息流廣告之后，引起用戶注意，而后用戶做了大量研究后，最后一次轉化發生在搜索引擎渠道中而已。因此，在PC時代，搜索引擎收割各個營銷渠道的成果，成為了一個不爭的行業秘密。
下面圖示意了這個簡單的過程，目前大部分人在手機上的時間已經超過了PC時間，雖然手機上的推廣對人們會有直接的影響，但這些轉化的落地往往在搜索和垂直電商網站。所以，搜索引擎的每一次轉化，實際上是和之前渠道的的投放是密切相關的，那么到底有多相關，就是歸因分析要解決的問題。
對于廣告主和市場營銷人員，合理的規渠道營銷預算，實現ROI最大的是每個人非常關心的目標，但是面對現今復雜的營銷環境，常常會有如下的一些困擾：
- 哪個渠道帶來的用戶最多？
- 哪個渠道的轉化最好？
- 哪個渠道的成本最低?
- KPI情況?
- 影響KPI最大的渠道?
- 如何優化渠道提升ROI?
- 增加或減少某一渠道的預算是否會對其他渠道產生什么影響？
這些，歸因模型都可以告訴你，借助歸因模型，我們可以實現：
- 能夠將預算分配到不同的渠道去，提升ROI，這就是一個簡單的最優化問題了，有限的資源在有效的渠道分配，如何使得產出最大化。
- 了解不同渠道的協同效應，定位助攻渠道，按漏斗的來理解就是擴大開口。
- 了解目標受眾的習慣和行為，知道受眾是通過哪些渠道觸達到我們的廣告的，這類受眾是否具有明顯的一些用戶屬性上的規律。
- 提供更加客觀的理由以取得市場預算，給預算的正確提供數據依據，說服Boss給你更多的預算，。
2 傳統歸因分析方法
2.1 傳統歸因分析
參考自文章[1][2][3]
還有文章：【數據分析思維】多因素影響下如何歸因？
GA里面的歸因模型有非常多種，分為單觸點歸因和多觸點歸因。
單觸點歸因就是講功能歸于首個或最后一個，多觸點歸因就是講功能在整個流程上的多個渠道按一定的規則或算法分配。
沒有完美的歸因模型，任何模型都存在局限性和不足的，現在的營銷環境越來越復雜，觸發用戶的終端設備越來越多，用戶從第一次觸發到最終做轉化決策這個過程并不是模型能夠完全，準確概括的。
2.2.1 最終互動歸因模型
最后一個渠道獲得100%的轉化，而不需要考慮用戶之前有通過什么渠道進來過的，這種適用于轉化時間間隔，轉化路徑比較短的業務，也就是進來就購買的。或者說，廣告目的就是引導顧客購買，起臨門一腳作用的。亞馬遜廣告采用的就是這種模型。
2.2.2 最終非直接點擊歸因模型
將轉化100%歸功于最后一個非直接點擊進入的渠道，通常直接點擊所包含的具體來源的類型是非常多的，如直接點擊可能來自收藏夾，直接輸入，最熱網頁，其他難以區分的情況，因為具體的來源難以區分，所以會對數據分析產生影響，為了避免誤導，所以將非直接點擊排除。如果你的直接流量占比很高的話，這種模型比較實用。
2.2.3 最終AD點擊歸因
最后一個AD的點擊獲得100%的轉化，強調AD的作用，適用于推廣側重于AD的。
2.2.4首次互動歸因
第一個渠道獲得100%的轉化，這個模型側重于用戶如何發現你的站點的，強調用戶的獲客，適用于品牌知名度低的。適合新品牌在品牌建設或產品推廣初期，打造知名度。
之前聽行業內朋友說過，一些美國資深賣家在推廣產品初期更喜歡關注對受眾的觸達率，即曝光量，就是根據這種邏輯進行的。
2.2.5 線性歸因模型
每個渠道平均分配轉化，每個渠道都有相同的功勞，明顯具有很大的弊端的一種模型，會造成某些渠道的作用被夸大，而某些渠道的作用被低估的。
**優點：**他是一個多觸點歸因模型，可以將功勞劃分給轉化漏斗中每個不同階段的營銷渠道。另外，他的計算方法比較簡單，計算過程中的權重調整也比較方便。
**弊端：**很明顯，線性平均劃分的方法不適用于某些渠道價值特別突出的業務。比如，一個客戶在線下某處看到了你的廣告，然后回家再用谷歌搜索，連續三天都通過谷歌進入了官網（真實情況也許只是用戶懶得記錄或者懶得收藏官網地址），并在第四天成交。那么按照線性歸因模型，谷歌會總計分配到75%的權重，而線下某處的廣告得到了25%的權重，這種情況線下廣告的重要性便被忽視了。
根據線性歸因模型的特點，他更適用于企業期望在整個銷售周期內保持與客戶的聯系，并維持品牌認知度的公司。在這種情況下，各個渠道在客戶的考慮過程中，都起到相同的促進作用。
2.2.6 時間衰減歸因模型
越靠近轉化時間的渠道的功勞越大，這個模型強調了最后一個渠道的重要性的同時沒有忽略之前渠道的貢獻，符合推廣過程中用戶會通過多個渠道進來的情形，更容易被廣告主和市場人員接受。
時間衰減歸因模型基于一種假設，這種假設認為觸點越接近轉化，對轉化的影響力就越大。這種模型基于一個指數衰減的概念，一般默認周期是7天。也就是說，以轉化當天相比，轉化前7天的渠道，能分配50%權重，前14天的渠道分25%的權重，以此類推……
**優點：**相比線性歸因模型的平均分權重的方式，時間衰減模型讓不同渠道得到了不同的權重分配，當然前提是基于“觸點離轉化越近，對轉化影響力就越大”的前提是準確的情況下，這種模型是相對較合理的。
**弊端：**這種假設的問題就是，在漏洞頂部的營銷渠道永遠不會得到一個很高的分數，因為它們總是距離轉化最遠的那個，這樣就會忽略廣告在業務增長中的重要性（原因下文會講到）。
**適用于：**客戶決策周期短、銷售周期短的情況。比如，做短期的促銷，就打了兩天的廣告，那么這兩天的廣告理應獲得較高的權重。
2.2.7 位置歸因模型
首尾貢獻大，中間平分
為客戶首次廣告互動以及最終廣告互動分別分配 40% 的功勞，將其余 20% 的功勞平均分配給轉化路徑上的其他廣告互動。這種模型非常重視最開始的線索和最終促成轉化的渠道
首末歸因模型同時兼顧了拉新和轉化的業務需求，非常適合那些十分重視線索來源和促成銷售渠道的公司。該模型的缺點則是它不會考慮線索轉化之后的觸點的營銷效果。
2.2.8 自定義歸因模型
如果前面的模型都不適合你，你還可以根據自己的業務特征，受眾去自定義符合自己的歸因模型
2.2.9 馬爾科夫歸因模型
根據轉化操作的歷史數據來分配轉化功勞。該歸因模型與其他歸因模型的區別在于，它使用帳號數據計算每次互動在轉化路徑中的實際功勞。
2.2 不同歸因方法的使用場景
不同的業務模式和營銷目標決定了不同歸因模型的選擇
- 如果是新品牌、新產品推廣，我們應該給予能給我們帶來更多新用戶的渠道足夠的權重，那么我們應該選擇首次互動模型；
- 如果是投放了單一的競價渠道，那么我們應該選取末次互動歸因模型或者渠道互動歸因模型；
- 如果公司很在乎線索來源和促成銷售渠道，那么我們應該選擇首末歸因模型；
- 如果公司的渠道多、數據量大，并且由永久用戶標識，應該選擇馬爾科夫歸因；
等等…
3 算法歸因的幾種方法
參考：互聯網廣告的歸因分析(Attribution Analysis)
數據驅動歸因的幾個算法
之前看到的傳統歸因，大多基于規則；
數據驅動歸因（Data-Driven Attribution，簡稱DDA，也叫算法歸因）是一種基于機器學習的歸因模型，與基于規則的歸因模型不同，數據驅動歸因使用所有可用的路徑數據，包括路徑長度，曝光順序和廣告素材，來了解特定營銷接觸點的存在如何影響用戶轉化的可能性以更好地將功勞分配給任何接觸點。
3.1 夏普里值（Shapley Value)
夏普里值（Shapley Value)指所得與自己的貢獻匹配的一種分配方式，由諾貝爾獎獲得者夏普里（Lloyd Shapley）提出，它對合作博弈在理論上的重要突破及其以后的發展帶來了重大影響。
這里最終計算的值是特征i的重要程度。前面一部分分式表示的是權重, 后面一部分括號內表示的是新增特征i前后的變化值。
我們如何用這個方法來分析不同渠道的貢獻度呢？ 下面是一個例子，
假設有3個渠道：信息流(A)，開屏(B)，視頻前貼?，他們的獨自投放效果和兩兩投放效果如下圖所標識。
下面，我們來計算，每一個渠道的夏普里值，夏普里值的定義：是在各種可能的聯盟次序下，參與者對聯盟的邊際貢獻之和除以各種可能的聯盟組合。
三個渠道，有3*2種聯盟次序，具體計算如下：
因此，信息流的夏普里值為20，開屏的夏普里值為33.3，視頻前貼的夏普里值為46.6。
關于shap值計算，也可以參考：數據運營36計(四)：互聯網廣告渠道歸因分析之Sharply Value
3.2 生存分析方法(Survival Analysis)
生存分析(Survival analysis)是來源于醫學研究的一種方法，指根據試驗或調查得到的數據對生物或人的生存時間進行分析和推斷，研究生存時間和結局與眾多影響因素間關系及其程度大小的方法，也稱生存率分析或存活率分析。這個方法在醫療處理領域也比較成熟，可以通過以下的映射到歸因分析；
病人==>Impression
治療方法==>渠道
死亡==>轉化
在實現分析中，可以使用COX回歸方法，COX可以對多個因素進行分析；COX回歸方法和邏輯回歸LR有些相似的地方，通過訓練過程找幾個參數，不同的是COX回歸中考慮了時間的因素；通過COX回歸計算，可以算出每一個渠道的權重。
3.3 路徑分析(Path Analysis)
通徑分析是進行相關系數分解的一種統計方法。它的意義不僅在于揭示了在多個自變量x1，x2，…，xm，y的相關分析中，xi對y的直接影響力和間接影響力，而且還可以在x1，x2，…，xm，y間的復雜相關關系中，從某個自變量與其他自變量的“協調”關系中得到對y的最佳影響的路徑信息，即從復雜的自變量相關網中，得到某個自變量決定y的最佳路徑，具有決策的意義。現通過實例說明通徑分析的方法與步驟，并進一步了解通徑系數的意義和應用。它的本質也是基于概率的一些計算。
3.4 馬爾科夫鏈
在應用當中，序列中的每個點通常映射為一個廣告觸點，每個觸點都有一定概率變成真正的轉化。通過這種建模，可以選擇最有效，概率最高的觸點路徑。這種方法需要較多的數據，計算也比較復雜。
那么我們得出各個渠道的重要程度后，我們如何使用這些權重是非常有趣的，因為這些渠道都是相關的，需要程序組合一套方案，達到效果推廣最佳。但是，這些影響力實際上也會發生很大變化：
-
１.時間變化而變化：例如人們對一些廣告，容易在時間軸上產生疲軟；
-
２.人群變化而變化：例如洗人群后，效果變化很大；因此，廣告花費在一個渠道的過渡增加，往往會影響效果。
3.5 業界使用情況
來源：數據驅動歸因的幾個算法
目前國際一線互聯網公司，谷歌系的產品用的是基于Shapley值，如Google Attribution 360，Google Analytics 360，DoubleClick和AdWords，是要付費產品才可以使用，但是在Google Analytics歸因工具的測試版里面也可以使用數據驅動歸因：
Facebook也有使用歸因算法，但并未公布使用的具體算法是哪個，只是說定期更新算法模型，Facebook的是預估增量影響為各個觸點分配轉化功，且只能衡量 Facebook、Instagram、Audience Network 和 Messenger 上的營銷活動，我估計用的是增量模型（Uplift Modeling），這個模型在騰訊和阿里都有應用。
Adobe Analytics是基于Harsanyi Dividend。
國內有些公司使用的是Markov Chain。
3.6 SHAP值和馬爾科夫鏈 歸因的比較
參考：高階媒體歸因：沙普利值vs馬爾科夫鏈
相同點：
- 兩者并非將每條轉化路徑歸因后求和，而是理清關系后求整體中的每個渠道的影響力
- 不管是沙普利還是馬爾科夫，積極地參與轉化會是提高本身影響力的最佳方法
- 無論是沙普利值和馬爾科夫鏈哪種方法得到的歸因結果都只能代表過去，要應用于未來的預算分配和媒體采購的話，我們還需要進行測試比較變化
不同點：
- 相比沙普利值，馬爾科夫鏈的接觸點先后順序更被突出，而且這種順序表現在緊鄰的兩個接觸點移動的概率。這里說的緊鄰的含義是馬爾可夫鏈就是這樣一個任性的過程，它將來的狀態分布只取決于現在，跟過去無關
- 從計算成本的角度上講，沙普利值的計算只要參加的渠道總數不是很多計算還不會太復雜。因此谷歌采用沙普利值也容易理解，而且每天只更新一次。馬爾科夫鏈的計算要復雜很多，現在通常的做法是用超過一百萬條隨機路徑來模擬每一個參加渠道的影響，而不是像我們例子中精確計算，計算成本要大許多。
4 歸因分析的服務商
1 zoho CRM —— 營銷歸因
https://www.zoho.com.cn/crm/help/automation/marketing-attribution.html
Zoho CRM中的歸因模型類型
Zoho CRM提供六種歸因模型，讓您在營銷活動中獲得更好的績效洞察，優化預算，并讓您了解最值得投入的營銷活動。在任何特定的時間點，只能選擇一個歸因模型。在下面的章節中，我們將詳細討論每個歸因模型，并幫助您為企業業務結構選擇最佳模型。
2 Google Attribution 360使用
Google Analysis Suite 360中有一個重要模塊就是Attribution，這個產品是收購收購了Adometry公司之后，全新打造的新產品。這個產品使用起來非常復雜，需要專業的培訓才可了解。它支持以上大部分歸因分配模型，例如Last Model, Decay Model，customized Model等。
來看一下GA里面怎么設置幾個模型的：
Google Analytics自定義歸因模型詳解，個性化你的功勞簿
當然這里有幾個額外需要知道的概念：
- 回溯期（Lookback Window），這里定義了納入討論范疇的互動將追溯到轉化發生前多少天。GA默認的回溯期為30天，你可以最長延長到90天。（值得一提的是GA的Cookie的生存期長達兩年。）如果某一次互動發生在轉化前的31天，那么默認情況下該互動將不參與到功勞分配中。
線性歸因模型（Linear）
線性歸因模型是按照“平均主義”將功勞分配在每一次互動上。當我們應用線性歸因模型作為基準模型時，我們可以自定義的除了回溯期以外還有“根據用戶互動度調整功勞”和“應用自定義的功勞分配規則”兩個選項。
根據位置模型（Position Based）
這個基準模型也成為U型模型。該基準模型的自定義大致與線性模型相同，不同的是你可以重新定義兩頭與中間的功勞分配。
3 VisualIQ
Visual IQ是一家全球領先的跨渠道營銷歸屬軟件公司。公司在2006年成立。公
司的IQ智能套件可以為用戶提供市場數據見解，行政級別和從業級別建議，以提高自己的營銷業績。
Visual IQ是一家專門研究營銷信息管理方案、利用數據以及消費者經歷的每一個營銷觸點對一個客戶整體營銷目標的影響的科學計算和衡量方法的公司。
Visual IQ采用信息管理歸納方案的方法收集數據，然后利用分析模型，計算和量化消費者的購買習慣的方法，去分析數據，整理出最適合企業的廣告方案。
4 Convertro
Convertro 主要利用數據分析，幫助營銷人員了解哪些類型的廣告導致了客戶的購買。AOL與2014年收購了這家公司，收購時間與谷歌收購Adometry非常接近。AOL可以利用 Convertro 的技術，告訴廣告主他們的那些廣告取得了更好的效果，例如，是 AOL 網站主頁上的橫幅廣告，還是《赫芬頓郵報》網站某視頻下方的廣告。Convertro 還可以檢測電視或電臺那一時段的廣告導致了客戶購買。
5 歸因分析的一些案例
5.1 亞馬遜廣告歸因
【科普】深度解析亞馬遜廣告歸因（含案例解析）
5大原則：
- Tracking window ：有7天/14天的歸因窗口期；
- Across all platforms：跨亞馬遜所有的平臺；
- Across all media/ad programs：跨亞馬遜所有的媒體渠道和程序（Sponsored Ads/DSP）；
- Click trumps view：點擊優先于瀏覽被記錄（點擊權重大于瀏覽）；
- Last touch：轉化歸功于最后一次有效交互（點擊或瀏覽）；
一些案例可見：
5.2 GA中的多渠道歸因
參考：2.3.8、歸因的幾種用法
GA在模型對比工具中提供以下默認歸因模型
現在的營銷，越來越多的用戶在轉化之前已經就接觸過我們的廣告了，除了轉化前最后一次廣告的臨門一腳，在之前的廣告也是對用戶轉化有促進作用的，怎樣才能評估這種類型的廣告的效果呢？
這時候就要用到多渠道轉化，在GA中選擇“多渠道路徑”→“熱門轉化路徑目標”，如圖2-46所示，可以看到用戶最后轉化的之前經過了哪些路徑（需要注意：查看熱門路徑報告，進入默認是兩次以上的，需要在“路徑長度”中選擇“1次或更多”才會看到跟下圖一樣的報告，且對應在轉化中要選擇一個目標，這里還是選擇“在線時長超過10分鐘”）：
通過這個報告可以知道：
（1）首次轉化與多渠道后的轉化的比例，如果多路徑轉化的比例很多，就必要分析哪種類型的最多，之前是通過哪個渠道的，對應的提高該渠道的市場預算，或是有需要做再營銷。
（2）一次轉化中最高的渠道是哪個，這個就是優質渠道，需要加大投入。
5.3 有效觸點歸因
參考：抖音有效觸點全新上線，播放歸因助力提效拓量
【再說廣告歸因】強行將“助攻”算做“直接得分”，還要不要臉？
對于種草類平臺來說，點擊并不是發生轉化的必要行為，采用點擊歸因很容易低估平臺的效果。抖音數據顯示，有10-25%的用戶在看過抖音廣告后會去商店或搜索引擎搜索商品信息，從而完成轉化。
對于這部分用戶來說，抖音廣告播放對最終的轉化起到了不可忽視的作用。如果采用點擊歸因，將用戶的轉化計在最后一次點擊上，廣告主很容易忽視掉這部分觀看了視頻廣告、并未產生點擊，但最終產生了轉化的人群，進而容易誤導后續投放資源的合理分配。
抖音使用的播放歸因是以點擊和播放同時作為有效觸點，綜合評估用戶轉化行為路徑上的廣告投放效果。結合平臺用戶的行為特征及廣告呈現特點，此次抖音切換后的播放歸因模式選擇以3秒播放時長作為評估標準。
今年某手短視頻當前場景已調整為有效觸點歸因邏輯，有做營銷增長的同學反饋看到是某手短視頻廣告的歸因數據回傳默認是按照播放數據進行回傳的。
廣告平臺在有效觸點歸因主要動作是將原來只有用戶點擊廣告才將歸因信息發給廣告主進行歸因，調整為“用戶點擊+有效觸點（如播放N秒之后算為有效觸點）”也將歸因信息發給廣告主，歸因邏輯如下圖：
有效觸點歸因所帶來的影響
-
1.廣告平臺上的廣告轉化效果會提升，但廣告主會多花錢，多花的這部分錢帶來的轉化量，按原來點擊歸因邏輯來說其實就是自然量。
-
2 從上圖歸因邏輯可以看到，增加了“有效觸點”的歸因后，廣告的轉化效果將會增加了原來“未匹配任意點擊”的廣告的轉化量，從而使得廣告的效果變好，廣告主在媒體平臺上顯示的整體廣告成本降低。
-
3 部分媒體切換成有效觸點歸因，由于部分用戶僅曝光而無點擊的也有廣告轉化，廣告的競爭力(ECPM)會提升，其他媒體沒有跟進或者無法跟進（比如說缺少短視頻廣告場景）廣告成本盡管不變，但是對比有觸點歸因的媒體獲量能力就下降了，這樣在效果廣告上市場的競爭力就會減弱；聯盟模式則直接由于廣告的變現效率（ECPM）相對下降而使得流量主轉接到使用“有效觸點”歸因的聯盟公司，影響更大。
-
4 當前歸因的觸點是廣告平臺提供的，歸因的核心邏輯在廣告主后臺里，因此廣告主有可操作的空間，至少可以將要求媒體對應的廣告平臺將點擊觸點 和 曝光觸點區分出來后回傳給廣告主做效果統計和歸因精細化分析
-
5 有效觸點歸因不能說完全沒有道理，“助攻”的力量也不容忽略，但強行將“助攻”算做“直接得分”就有失偏頗了。
-
6 有效觸點歸因很早就存在了，最著名的是Facebook 的View-through Attribution，然后就是海外2016年左右興起的激勵視頻廣告。
5.4 【阿里媽媽營銷科學系列】第四篇：營銷渠道效果評估與歸因
【阿里媽媽營銷科學系列】第四篇：營銷渠道效果評估與歸因
歸因模型是一種或一組規則，將轉化功勞分配給轉化路徑中的觸點，從而為廣告主衡量營銷活動的效果和投入回報。常見的歸因方式有基于規則和基于算法的模型，前者有最后互動、首次互動、線性、時間衰減等，后者有shapley歸因等。
根據參與歸因觸點數的多少，可以分為單觸點歸因、多觸點歸因。分析者根據分析目的、營銷方式，可以選擇不同的歸因模型。由歸因模型和歸因周期共同完成歸因過程。
常見的歸因模型有：
歸因周期
歸因周期指的的是用戶在被觸點觸達后，需要追溯轉化行為的時間，可以是天數、小時或分鐘。舉例來說，如果歸因周期設定的為7天，則說明該場景下，某觸點觸達后，該用戶在7天內所發生的轉化都會歸功于該觸點。
歸因模型建立步驟
歸因模型的計算是一個通用的數據處理流程，根據不同的業務其計算范圍和計算量都會不一樣，不同業務的標準歸因處理流程主要包含四個步驟
參考文獻
1 互聯網廣告的歸因分析(Attribution Analysis)
2 2.3、流量的高級分析與流量渠道的協同：歸因和歸分析型
3 【科普】深度解析亞馬遜廣告歸因（含案例解析）
4 【數據分析思維】多因素影響下如何歸因？
總結
以上是生活随笔為你收集整理的多渠道归因分析（Attribution）：传统归因（一）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： [BZOJ1911] [Apio2010
- 下一篇： 高中计算机教师专业,高中计算机教师资格证