所有用戶的接觸點並非「生而平等」，用戶的行為路徑複雜難測，企業迫切需要進行廣告位或運營位的價值判斷，從而優化廣告資源組合與分配。歸因分析已經成為企業精細化運營必不可少的利刃。
神策分析 1.14 版本正式上線的歸因模型（如下圖），支持深入業務場景，可完整還原用戶行為序列，科學量化各引流位置的貢獻結果，通過最優化資源分配實現投資回報率最大化。在《神策分析 1.14 版本上線，使用歸因分析量化目標貢獻佔比》一文中我們初步介紹了歸因分析給用戶帶來的價值。
本文將圍繞以下兩個方面進行深入闡述。
客戶案例：常見坑位運營場景解析歸因分析背後的計算原理及演繹一、常見坑位運營場景解析：全面診斷首頁坑位，定位優化點
A 公司是一家文化媒體電商平臺，該公司通過神策分析實現用戶行為分析，同時神策團隊為其提供整體收益相關的諮詢服務。其運營團隊每天、每周、每月都會生成歸因報告，用以階段性評估產品的流量質量、流量引導效果，以及頁面布局優化。
下面以其近期的一次首頁坑位歸因為例。坑位歸因，顧名思義，是將產品最終收益的功勞分配給轉化路徑中各個不同的坑位上。坑位的核心目的是「流量引導」，當流量流入在線產品（如電商、在線教育等）後，運營人員需要引導其完成購買任務，以實現流量價值最大化。A 公司運營人員希望全面了解各坑位的運營狀況，從而找到優化重點。
首先，運營人員通過神策分析的歸因分析模型，以「支付訂單」為「目標轉化事件」，以「秒殺」「分類列表」「大專題」「直播」「每日好店」「我的頻道」「快訊」「排行榜」為「待歸因事件」。
在神策分析進行參數設置後，首頁各坑位的運營情況一目了然。我們不難發現，不同坑位的貢獻度差異很大，在當前的產品版本中，「秒殺」坑位的貢獻度最高。此外，結合各坑位的總點擊數和有效轉化的點擊率，會發現一些數據與團隊最初「拍腦袋」的結論相差較大的問題，但同時也定位了優化點：
（1）在運營人員的傳統認知中，一直認為「分類」功能較為難用，所以用戶會很少使用，但認知與實際情況大相逕庭。通過歸因分析發現，實際上使用該功能的成交比率非常高，這警醒了產品人員：應立即開始著手優化目錄引導功能。
（2）「大專題」導入用戶流量高，但轉化率相對較低。因此要麼優化該頁面的轉化率，要麼將用戶流量導向其它頁面更為合理。
（3）「直播」「快訊」等坑位轉化率高，但流量相對少，後續應該進行頁面設計以提供更便捷的入口。
綜上，歸因分析幫助運營人員全面診斷首頁坑位，快速定位優化點。其實還可以針對不同的優化點進行深度下鑽分析，查看每一個優化點對應的細分表現，例如查看不同的「大專題活動」，通過帶來的貢獻收入進行「大專題活動」的優化等。
二、歸因分析背後的計算原理及演繹
神策歸因分析背後的計算邏輯是如何的？本部分將從歸因分析模型參數配置、歸因分析模型的計算原理演繹兩個方面來介紹。
（一）歸因分析模型參數配置
依託神策分析全端數據採集，通過時間序列精準還原用戶路徑，運營人員可掌握「用戶何時點擊了某個運營位」以及「用戶何時完成了目標事件」，再通過用戶行為之間的關聯關係，最終得到「用戶點擊了哪些運營位後發生了目標轉化」的「運營位序列」。用戶從瀏覽到最終轉化路徑的構建與完整還原，以及精準的「運營位序列」，為後續科學歸因打下了良好的數據基礎。基於此，用戶經過參數設置，即可準確地衡量用戶轉化路徑上每個接觸點的貢獻度。
在神策分析上，進行一次完整歸因分析，用戶首先需要進行歸因分析模型參數的配置，即選擇「目標轉化事件」「前向關聯事件」「待歸因事件」的配置。下表給予了配置此參數的一些建議。
事實上，用戶對「歸因窗口期」「目標轉化事件時間範圍」和「分析模型」的參數設置，控制了歸因的計算數據範圍和歸因模型。
顧名思義，「歸因窗口期」會將「目標轉化事件」發生的前某段時間內的「待歸因事件」會被計算在本次歸因的貢獻中；「目標轉化事件時間範圍」則篩選某時間段內的「目標轉化事件」。
基於運營位序列，歸因模型為「運營位序列」進行功勞的分配，神策數據支持 5 種歸因模型的分析與結果查看，包括「首次觸點歸因」「末次觸點歸因」「線性歸因」「位置歸因」「時間衰減歸因」。基於不同規則與算法的歸因方法提供了強大的用戶行為分析能力，運營人員可以根據自己的業務需求、與用戶的實際交互模式靈活地選擇最適合的分析模型，如下圖。
（二）歸因分析模型的計算原理演繹
我們不妨進行一次計算演繹，下圖是通過神策分析所得到某電商用戶行為序列圖示。在圖示中，各字母代表的含義是 D-廣告位、Q-商品詳情頁、D-推薦位、M-購買商品。目標轉化事件是「購買商品」，為了更好地「配對」，運營人員將 M1（目標轉化事件——購買商品1）與 Q1（前項關聯事件——商品 1 詳情）設置了屬性關聯，同樣將 M2 與 Q2 進行關聯。
該場景中，發生了兩次購買行為，神策分析進行歸因時會進行兩輪計算，產生計算結果。
（一）第一輪計算：
第一步，從 M1 開始向前遍歷尋找 Q1 以及離 Q1 最近發生的廣告瀏覽。
如圖所示，不難得到結果 M1=[Dc，Dc，Da]。
第二步，我們帶入分析模型中，進行功勞的分配。運營人員選擇「位置歸因」的分析模型，根據「位置歸因」的計算邏輯，第一個「待歸因事件」和最後一個「待歸因事件」各佔 40%，中間平分 20%。
第一輪我們得到結果：Dc=0.4；Dc=0.2；Da=0.4
（二）第二輪計算
從 M2 開始向前遍歷尋找 Q2 以及離 Q2 最近發生的廣告瀏覽。
這裡值得強調的是，即使第一輪中計算過該廣告，在本輪計算時依然會參與到計算中，因為經常會出現一個廣告位同時推薦多個商品的情況。
我們不難得到結論，M2=[Dc，Db]。基於這個結論，我們通過「位置歸因」 得到結果：Dc=0.5；Db=0.5（不足 3 個時會有特殊處理）。
經過兩輪計算，我們得出結論：Dc=1.1；Da=0.4；Db=0.5，則廣告位 c 的貢獻最大、廣告位 b 貢獻次之，廣告位 a 的貢獻最小。
綜上所述，神策分析新版本的歸因分析模型，依賴深度計算邏輯，精準還原用戶行為序列。神策分析提供的 5 種分析模型，可以滿結合業務的日常歸因分析場景，讓使用者得心應手，隨心所欲進行深度分析用戶行為，尋找工作的優化點，更靠譜地制定更加精細的運營策略。