在进行全渠道营销时，Enterprises希望找到一种简单有效的方法来评估渠道质量，并将其用作动态优化资源分配优先级的基础。通常，企业使用频道点击率或转换量直接评估频道质量，这也是理解和操作评估渠道质量的最简单方法的最简单方法。当面临越来越多的渠道时，如何使用有效的渠道评估方法？

首先，看看某个品牌的典型全渠道用户旅程：

一个消费者看到了一个品牌在他的朋友圈中发布的广告，然后单击以查看广告细节。第二天，他访问了该品牌的微信官方帐户，以了解更多信息。然后，他多次访问了该品牌的微信购物中心，然后在附近的商店体验了它之后，我收到了一张优惠券，最后下载了品牌应用程序，并使用优惠券完成了订单。

当今的全渠道品牌公司中，这种多触摸的消费者旅程非常普遍，但是该品牌一直有一个问题：如何计算到各种渠道的最终贡献？

归因分析是为了解决这种类型的问题。只有通过计算每个渠道的贡献，我们才能正确地投资有限的市场费用并带来更大的收益。

归因分析有两种常见类型：规则归因和算法归因。

1。规则归因：基于人类的启发式归因分析

规则归因是基于操作人员经验的归因方法，具有相对明显的主观判断，由于操作选择，可能会带来完全不同的结果。主要包括以下内容：

1。最后归因

在这些规则模型中，最终归因是最广泛的归因，最容易理解。最终转换渠道中的100％信用计算。如果您考虑一点，您会发现最终归因存在一些问题。以足球队为类比，频道是球员。每个球员都会赢得最后的胜利，但奖金只给了踢球的人。这显然是不公平的，会导致所有玩家争夺游戏。不愿合作将导致整体能力恶化。

该规则适用于相对较短的转换路径和相对单个渠道的企业，并进行转换。这符合广告的最初意图。我希望每次都将是持久的举动。亚马逊广告使用此模型。

2。第一个归因

第一个渠道获得100％的信用。显然，比较每个进攻性发起者都会获得所有学分，而奖金仅给发起罪行的人。

该模型着重于交通转移并强调客户获取，这适用于低受欢迎程度，新品牌建设和产品推广的早期阶段的归因分析。经验丰富的新品牌创始人喜欢使用该模型来评估在促进产品以增加渠道投资的早期阶段的每个渠道的价值。

3。线性归因

每个渠道平均分配100％的信贷。类似于球场上的每个球员都将同样分享奖金，而不管捐款的规模如何。该模型还具有明显的缺点，这很容易导致吃大锅。某些渠道的作用被夸大了，某些渠道的作用被低估了。与前两个模型相比，线性归因的最大优势是它是一个多点触摸归因模型，可以在每个不同阶段将信用渠道分为营销渠道。

线性归因不适合某些特别出色的渠道价值的企业。例如，消费者在离线商店中体验产品，然后回家搜索，连续三天通过微型购物来了解产品信息，并在第四天完成交易。然后，根据线性归因模型，微型中心将分配75％的重量，而离线商店仅获得重量的25％。在这种情况下，离线商店的重要性将被忽略。

根据线性归因模型的特征，它更适合品牌期望在整个消费者生命周期中与客户保持联系并保持品牌忠诚度的公司，例如某些具有长期决策周期和低购买频率的产品。在这种情况下，每个渠道在促进消费者的转化中起着相同的作用。

4。时间衰减归因

渠道越接近转换时间，信用越大。该模型考虑了最后归因的优势，并考虑到之前每个渠道的贡献。与线性归因模型的均匀分布相比，时间衰减模型允许不同的通道获得不同的权重，这与生活经验和思维模式相符。

当然，时间衰减模型的问题在于，漏洞顶部的营销渠道将永远无法获得高分，因为它们始终是转换最远的一个，它将忽略某些渠道在业务增长中的重要性。

根据时间衰减模型的特征，它更适合具有短消费决策周期和短销售周期的产品。例如，如果您进行短期促销，弹出式商店等，则将进行两天的营销，因此这两天的渠道应获得更高的信用。

5。原始归因

该模型将无法解释，基本上是没有用的。

2。算法归因：数据驱动的全局概率归因分析

以上规则都归因于一系列手动规则。我们可以独立查看每个转换，分发信用，然后添加来自同一渠道的学分以从每个渠道获得信用。随着大数据和机器学习的开发，一种新的归因方法正在逐渐开发，即算法归因，也称为数据驱动归因（DDA）。与手动规则的最大区别在于，算法归因基于整个转换大数据，查看每个通道与全球最终转换之间的关系，并自动产生更客观，更经验和更科学的归因结果。

在许多算法归因模型中，有两个非常重要的算法归因效应，Shapley值归因和马尔可夫链归因。两种算法之间的差异如下：

相似之处：它们都是基于全球视角，在澄清关系之后，他们寻求整体渠道影响。

差异：Markov链突出显示了转换路径中每个通道的顺序，并且在计算Shapley值时，仅需要知道哪些通道涉及转换中。对于具有较大数据量和许多渠道的企业，Shapley Value计算能力需求将较小。例如，Google使用Shapley值归因。

本文将重点关注马尔可夫链归因。

数学家安德烈·马尔可夫（Andre Markov）

数学家安德烈·马尔可夫（Andre Markov）是战斗国家的数学家，通常应用于决策，用于归因。这是一个说明马尔可夫链在多个通道下的计算过程的示例：

假设一个品牌进行了营销活动，并在三个渠道中产生了八次互动：Moments（P），Douyin（O）和Store（S），其中两个已转换（C），而两个没有转换（ n）。

步骤1：将三个通道的八个交互作用动画为以下4个路径。

步骤2：将路径分成对。

步骤3：根据每个节点对其他节点的概率，我们可以绘制以下完整路径概率图 - 决策树。

步骤4：计算决策树中C的概率。

由于决策树中包含无限循环PS的三个路径，在计算TOT2，TOT3和TOT4时，您需要使用无限的相等比例序列求和公式。 sum = a /（1 - q），省略了计算过程，最后获得了C概率TOT 4/7。

步骤5：使用损耗效果来测量每个通道对C概率的影响，即测量通道的重要性。

删除P，决策树如下：

如果不存在P，S将无法实现转换。转换只能通过Staroc实现，并且转换概率从原始的4/7降至1/8，因此P转换率中P的属性应为1 - （1/8）/（4/7）= 25/ 32。

删除O，决策树如下：

o不存在，只剩下TOT3和TOT 4在路径中，TOT = 11/28，转换概率从原始的4/7降至11/28，因此o在转换率中O的属性应为1 - （11/28） /（4/7）= 5/16。

删除S，决策树如下：

S不存在，只有上述路径，TOT = 1/4。转换概率从原始的4/7到1/4下降，因此转换率中s的属性应为1 - （1/4） /（4/7）= 9/16。

总而言之，根据马尔可夫链的三个渠道的属性如下：

P：O：S = 25：10：18

比较三种规则归因模型的结果：

（1）根据第一个归因

P：O：S = 0：0：2

（2）根据最终归因

P：O：S = 1：1：0

（3）根据线性归因

P：O：S = 5：2：5

第一个归因完全忽略了P和O通道的贡献，而高估了S；最后归因是相反的，完全忽略了通道S的贡献。线性归因尽管考虑了所有三个通道，但实际上它高估了通道。 S的贡献。

案件：

最后，使用Python计算在线找到的真实数据的副本，包括1 W交互式路径，转换号，转换量和无转换号。让我们实际看一下马尔可夫链算法的归因效果。

以下是原始数据和代码的屏幕截图：

以下是对转换次数的第一个归因，最后归因，线性归因和马尔可夫链归因的比较：

以下是对第一个归因，最后归因，线性归因和马尔可夫链归因于转换量的比较：