归因模型全解析：从末次点击到数据驱动
换一种归因模型，同一份数据可以讲出完全不同的故事——这不是魔法，而是提醒你：模型选择本身就是一个有偏见的决定。
2.1 六种主流归因模型
小强是一家中型电商公司的投放经理，有三年投放经验。有一天，他们公司接入了一个第三方分析工具，老板要求他把归因模型从"末次点击"改成"线性归因"，重新导出报告。结果让他大吃一惊：抖音的"贡献"从37%跌到了18%，百度的"贡献"从22%涨到了28%，而此前几乎没有归因数据的品牌广告，突然显示有15%的贡献。
数据还是同一份数据，人还是同一批用户，买的还是同一批商品——只是换了一套计算规则，结论变了。
这不是数据出了问题，而是归因模型本身在告诉你：不同的模型有不同的"世界观"。
以下是六种主流归因模型的详解：
1. 末次点击归因（Last Click） 100%的转化功劳给用户购买前最后一次点击的广告触点。逻辑最简单，数据最容易理解，但系统性高估"收割型"渠道，低估"种草型"渠道。
2. 首次点击归因（First Click） 100%的功劳给用户第一次接触你广告的触点。适合品牌认知阶段的分析，但忽视了整个转化路径的后续贡献。
3. 线性归因（Linear） 转化路径上的每个触点平均分配功劳。比末次点击更公平，但没有区分各触点的实际重要性。
4. 时间衰减归因（Time Decay） 越靠近转化时间的触点，获得越多功劳。越早的触点，功劳越小。逻辑是：距离转化越近，影响力越直接。对于销售周期较短的品类有一定合理性。
5. 位置型归因（Position-based / U-shaped） 首次触点和末次触点各获得40%的功劳，中间所有触点平均分配剩余20%。这个模型认为"第一个让你知道我"和"最后把你转化掉"最重要，但中间过程也有价值。
6. 数据驱动归因（Data-driven） 用机器学习分析大量转化路径，计算每个触点的实际贡献概率。理论上最科学，但有数据量要求（通常需要数千次转化才能建模），且计算过程不透明，难以直观解释。
2.2 各平台默认归因模型的差异
这是很多投放人没有意识到的问题：当你打开不同广告平台的后台，它们给你看的转化数据，是基于不同归因规则计算出来的。
国内主流平台的情况：
巨量引擎（抖音广告）默认使用末次点击归因，归因窗口通常是点击后7天、曝光后1天。也就是说，用户点了你的抖音广告，7天内在任何地方完成购买，都会被计入抖音的转化。
微信广告（朋友圈/公众号）默认也是末次点击，但归因窗口设置与抖音不同，且对微信生态内的转化（微信小程序、公众号）追踪更准，对跳出微信生态的转化追踪有限制。
百度搜索广告有自己的归因逻辑，且因为是搜索意图触发，本身在"收割"阶段的效率就高，末次点击归因天然对百度有利。
小红书商业化广告是相对较新的广告体系，归因工具在持续迭代中，目前的追踪能力相对有限，更多依赖自报数据。
这意味着什么： 当你把四个平台的报告摆在一起对比时，你在用四套不同的"尺子"测量同一件事。数据不可直接比较。
这也是为什么建立自己的第一方追踪体系（UTM + 你自己的分析工具）如此重要——它让你有一个统一的尺子。
2.3 怎么选适合你业务的模型
没有一个"最好"的归因模型，只有"最适合你业务"的模型。选择模型时，最关键的变量是用户决策周期的长短。
销售周期短（冲动消费型，1-3天内完成购买）： 适合末次点击或时间衰减归因。用户看到广告，快速决策购买，转化路径短，末次触点的贡献确实相对较高。比如：快消品、低价服饰、外卖促销。
销售周期中等（考虑型消费，1-2周）： 适合位置型归因或线性归因。用户会货比三家，中间接触多个触点，每个触点都有贡献。比如：中高价护肤品、家电、教育课程。
销售周期长（高考虑度消费，超过1个月）： 适合线性归因。用户的决策过程很长，每个触点都有持续影响，首次认知和后续强化都很重要。比如：汽车、高端培训、B2B软件。
品牌建设阶段（不追求即时转化）： 可以考虑首次点击或线性归因，重点关注品牌认知触点的贡献，而不是收割效率。
一个务实的建议：先用末次点击做基准，再用线性归因做对比分析。两个数字之间的差异，就是你的渠道组合中"种草价值"被末次点击低估了多少——这个差值本身就是很有价值的洞察。
| 归因模型 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 末次点击 | 短决策周期/以转化为核心目标 | 简单直观/易于理解/数据易获取 | 高估收割渠道/低估品牌触达价值 |
| 首次点击 | 品牌认知建设阶段/新客分析 | 重视拉新价值/评估品牌推广效果 | 忽视后续转化路径的贡献 |
| 线性 | 中长决策周期/全路径评估 | 相对公平/考虑全路径 | 无法区分触点重要性差异 |
| 时间衰减 | 短中决策周期/促销活动期间 | 符合近因效应直觉/逻辑自然 | 系统性低估早期触达的长期价值 |
| 位置型 | 中等决策周期/平衡拉新和转化 | 兼顾首尾/有一定合理性 | 人为设定40/20/40比例缺乏数据支撑 |
| 数据驱动 | 有大量转化数据/追求科学准确 | 最接近真实贡献/不依赖假设 | 需要大量数据/结果不透明/实施复杂 |
用法： 当你需要决定为自己的业务选择哪种归因模型，且还不确定时，用这个提示词获得有针对性的建议。
我们公司的业务情况如下：
- 产品类型：[你的产品，如：中高端护肤品/在线教育课程/B2B管理软件]
- 客单价：[价格范围]
- 用户从首次接触广告到购买，通常需要[时间范围]
- 主要投放渠道：[你的渠道，如：抖音/朋友圈广告/百度搜索/小红书]
- 目前使用的归因模型：[当前模型，如：末次点击/不清楚]
请根据这些信息，推荐适合我们业务的归因模型，并解释：
1. 推荐这个模型的具体原因
2. 使用这个模型可能带来什么认知变化（数据会怎么变）
3. 有什么局限需要注意
用法： 当你想理解切换归因模型对现有数据的影响时，用这个提示词做预判分析。
我们目前用末次点击归因模型，现在考虑切换到线性归因。我们的主要渠道是：
- 抖音（品牌视频广告，主要做曝光）
- 百度（搜索广告，关键词是品牌词和行业词）
- 朋友圈广告（再营销为主）
请帮我分析：切换到线性归因后，哪个渠道的数字可能增加，哪个可能减少？这对预算分配决策有什么影响？
本课行动
- [ ] 检查你最常用的一个广告平台（如巨量引擎），找到归因设置，确认当前使用的是什么归因模型和归因窗口
- [ ] 用Kimi的第一个提示词，输入你的业务信息，获取归因模型推荐，对比你目前在用的模型
- [ ] 找一份近期的归因报告，把同样的数据用"末次点击"和"线性"两种逻辑重新理解（即使不能重算，也做一个直觉上的对比）
- [ ] 与团队讨论：如果切换归因模型，哪些渠道的预算分配决策可能会改变？
- [ ] 记录下你的业务中用户从首次接触到购买的典型路径，这是选择归因窗口长度的基础
→ 继续阅读：UTM参数体系：让每条链接都能说话