前言
Cookies的重要性
数据采集的变化&限制
无Cookies的数据分析状态
①营销归因模型(Marketing Attribution Models)
What：营销归因模型是什么？
Why：为什么需要营销归因模型？
How：如何建立营销归因模型？
不同类型的归因模型有哪些？
常见的营销归因模型有哪些？
1.第一次交互或第一次点击模型(First Interaction or First Click Model)
2.最终互动或点击模型(Last Interaction or Last Click Model)
3.最后，非直接点击模型(Last Non-Direct Click Model)
4.线性模型(Linear Model)
5.时间衰减模型(等考虑时间的模型)(Time Decay Model (and other models that take time into account))
6.基于位置或U型模型(Position-Based or U-Shaped model)
Google工具系统DDA(数据驱动分析 Data-Driven Attribution)
1.Google Ads的DDA
2.Google Analytics 360的DDA
3.Search Ads 360的DDA
②算法归因模型(Algorithmic Attribution Models)
1. 夏普利值归因(Shapley Value Attribution)——触点价值
1)计算Faceboook Ad触点的价值
2)计算Direct触点的价值
2.马尔可夫链归因(Markov Chain Attribution)——链条价值
1)根据视图分配表格
2)根据轨迹图具象化数据的价值
3)计算触点价值
3.BI/ML归因模型
1)洞察广告渠道运营效果
2)比较不同用户群的获取渠道
3)BI/Business Intelligence 商业智能
结语
前言
2022年，我们在数字化独立站的演变过程中进行了全触点管理&私域营销解读大型广告平台(Google、Facebook)商业利益源于广告平台算法对用户数据的利用。
然而，随着隐私政策和Web3.0的到来，Cookies(无论是第一方Cookies还是第三方Cookies)生命周期缩短，导致广告系统收集用户数据的能力减弱，数字广告效果呈现出前所未有的低迷。
(图片来源:甲子光年)
2023年，海外电子商务营销人员将无法收集大部分关于广告渠道有效性的数据——这意味着如果他们仍然坚持当前广告的管理模式，所有广告（即使谷歌） Ads)ROAS会很难看。
由于广告数据不准确，独立站投放团队浪费了21%的预算——随着更多的Cookies限制和谷歌隐私沙盒的使用，这个比例只会让每个广告商心血淋淋。
2022年，所有独立站营销团队都将面临挑战
“如何过渡到新的归因分析公式？(Attribution Analytical Formula)”
更好地为全球电子商务营销无Cookies后的变化做好准备
Cookies的重要性
探索无Cookies时代，首先要解释Cookies的重要性
举个栗子：
假设我们是个人来处理银行业务，那么Cookies是银行给我们的一次性One-ID
One是什么？ ID？
这是数字时代营销的术语。基于每个人都有不同的ID信息，如手机号码、电子邮件、设备ID等。因此，为了更有效地识别个人，ID结合业务规则、机器学习、图形算法等算法进行-Mapping，在统一ID上映射各种ID信息。
通过这个统一ID(即Onee ID)，每个ID的数据都可以关联起来
用户在每家银行首次办理业务时，需要填写相关身份信息-身份证号码/手机号码/住宅等，但只需填写一次，不需要在第二次过去时再填写，因为银行已经将银行卡号作为用户与银行互动的One-ID
银行卡:4281261264265622(随意填充)
姓名:ABC
手机号码:12345678910
住宅:深圳湾一号
PS:One-数据指标中的ID系统&在分析中有更深层次的应用，银行卡号实际上不是One ID的最佳选择，这里的例子只是为了方便大家理解
(图片来源:纷析咨询-宋星老师关于One-ID应用的例子)
当每个用户第一次访问独立站时，Cookie的设置和推送/保存将经历类似的四个步骤：
(图片来源:Bing)
移动终端/PC通过浏览器推送请求(Http Request)到服务器
接收请求后，服务器会推送响应(Http Response)到客户端
/包括Set-Cookie(响应首部)
在浏览器中，移动端/PC接收响应并保存Cookie(关键点)
在向服务器发送请求后，请求(Http Request)
/包括Cookie(用户身份信息/用户行为数据)
本质上，Cookie是一个小代码。当我们的用户访问网站时，这个小代码将存储在浏览器中，跟踪用户网站上的各种行为，并收集基本数据。
常用的Cookie有两种形式：
第一方Cookie，即用户访问我们网站时创建的Cookie-用户通过移动终端/PC浏览器停留在我们网页的过程中，在浏览器跟踪用户的行动中将数据文件保存到用户的移动终端或PC；
第三方Cookie可以在不同的网站/平台之间共享。广告商和社交媒体可以根据用户最近的停留内容和内容的行为数据来调整广告策略。
(图片来源:Meta广告背景)
实际上，Meta Pixel是JavaScript代码加载小函数库的第三方Cookiee
所以我们过去依赖Facebook Ads，本质是用户(①首次广告/②再营销广告)通过浏览器进入网站，区分“新”和“旧”用户，并使用数字广告系统/平台推送(再营销)广告
但是Cookies和银行卡的区别在于，Cookies是一次性的:
(图片来源:腾讯云)
在Cookies属性值中，Expires= Optional，简单解释一下，这是Cookie作为HTTP日期时间戳的最大生命周期。
PS：如果没有指定，Cookie将在客户端关闭时结束会话Cookie的生命周期——会话Cookie也将被删除。
数据采集的变化&限制
当我们进入无Cookies营销时，浏览器已经开始限制Cookies的生命周期，甚至完全拒绝使用：
Firefox在默认情况下阻止了Cookies的跟踪
谷歌在2023年底前放弃了Chrome浏览器中的第三方Cookies
在Safari中，第三方Cookies的生命周期缩短为7天，在某些情况下缩短为1天
这意味着第三方网站的重定向可能性将限制在一天内
如果用户在一天内没有与网站互动，Cookies将被删除，并将在下次访问中识别为新用户
谷歌浏览器在2021年占据了65.27%以上的浏览器市场份额。考虑到每月有46.6亿活跃互联网用户，全球使用它的人数估计为30.4亿，超过40% 单独设备1亿台
(图片来源:Google Chrome)
广告服务将限制跟踪用户在用户个人信息水平上的活动能力。所有关于个人信息数据是否收集的关注度越高，因此广告服务对跟踪用户行为的限制就越大&保护用户的信息意味着数据队列的分析和审计越来越复杂。
平台和浏览器将限制用户级别的跟踪。例如，IOS阻止了IDFA（广告标识符），这是Apple设备用户的模拟。默认情况下，禁止移动应用程序跟踪IDFA。没有广告标识符，应用程序发送的用户操作数据不会与特定设备相关
这意味着广告平台/广告主不会捕捉用户和广告的相关操作
(图片来源:Jaron Tom)
这些变化主要有三个原因：
数字平权(digital equality)——ATT后出海互联网广告生态更像是一场定价权革命:
对于广告商来说，严格来说，ATT只会导致iOS渠道整体ROI下降，广告商仍然可以进行其他投放驱动。
然而，从单渠道销售产品到多渠道甚至全渠道，再加上营销内容过剩导致消费者对营销广告的免疫力，客户体验在整个消费市场中越来越重要，营销策略也将从营销渠道转向以用户为中心。
符合用户数据保护要求(GDPR、CCPA)
根据Gartner发布的2021年数字商务技术成熟度曲线，技术/工具变化-(Hype Cycle for Digital Commerce)，并预测未来两年可视化配置、数字钱包、CIAM(客户身份和访问管理 Customer Identity and Access Management)以及VCA(虚拟客户助理) Virtual Customer Assistant）日益主流的四项技术将对数字商务产生重大影响
——工具是营销技术的结晶，技术是需求的推导，以客户为中心的需求诞生了以客户为中心的工具
(图片来源:https://www.gartner.com/en/conferences/calendar)
无Cookies的数据分析状态
尽管这些“新”用户中的许多实际上都是分配“新”Cookie的老用户，但“新”网站用户的份额将会增加。
由于大多数分析系统默认使用最终非直接点击归因模型，直接流量的份额将会增加。
如果用户周一点击广告链接，周二直接返回网站，系统将第二次会话的来源分配给广告活动，而不是直接客户。
但如果这是一个“新”用户，那么它与吸引用户的广告活动无关。
转换链的长度会减少。如果用户在完成转换前点击几次，与用户相关的接触点数量现在就会减少。
队列报告将受到限制。由于类似的组报告是基于用户属性的，这些属性（一系列操作和一个订单）将不再可能组合在一起。
归因质量会下降。以前依赖传统和简单的方法(例如”Last Click)，直接将广告系列与来源联系起来。但IDFA被禁后，广告活动与转型联系的准确性急剧下降。
Facebook和Shopify订单同步不准的原因在这里
尽管如此，卖家的广告营销更依赖Last Click，由于分析系统只能使用一个会话或一天内的用户历史记录，因此评估将更接近最终的互动归因模型(Last Click Attribution Model)
听起来很矛盾，但这就是目前独立站投放的尴尬——投放越来越窄，一扩张就崩溃了
在评估广告组时，多触点关联转换将增加考虑（过去基本上只考虑Facebook投流）。包括广告商在内的多触点关联转换已经开始评估多渠道(Multi-channel)乃至全渠道(Omni-channel)营销——因为用户对广告的反应无法观察，这意味着单触点的投放基本上是盲投。
(图片来源:Bing)
①营销归因模型(Marketing Attribution Models)
What：营销归因模型是什么？
这是一个营销学术术语
——营销归因(Attribution)分析是将转换价值分配给购物路径的每个触点，归因模型(Attribution Model)它是一个框架，每个归因模型以不同的方式在每个触点上分配转换值。
(图片来源:Bing)
Why：为什么需要营销归因模型？
在复杂的数据爆炸时代，大量的社交媒体&用户数据每天在指数水平上增加；
用户复杂的消费行为路径反映在广告效果评价上，往往会出现一系列问题:
转型销售的营销渠道有哪些？
转化率(Conversion rate)分别是多少？
转换价值的背后是什么样的用户行为路径？
归因分析如何使用？(Attribution Analysis)得出结论，测试出转化率较高的渠道组合？
大多数卖家的第一反应是:当然，用户点了哪个广告(尤其是Facebookok) AD，大多数卖家更喜欢Adddd To Cart)因此进入商品详情页面产生购买，当然也就是产生作用的单一广告。
这是最常用的分析方法(甚至可以说是基本都用的)，最简单粗暴的单渠道归因模型
——这种方法通常将销售转化为第一个用户(第一个互动模型，First Click Attribution Model)或者最后一个广告触点(最后一个互动模型，Last Click Attribution Model)的渠道。
然而，这是理想情况下的归因模式
客户会在第一次查看广告后立即购物
(这种情况是从投放的角度来看，是材料的差异化，也是大多数投资者每天都厌倦测试各种广告材料的原因)
事实上，事情要复杂得多。例如，可能的情况是：
了解-客户看广告，点击网站链接，注册身份，留下联系方式(邮件)，然后分心关闭网站。
购买思维过程(转换窗口) ——客户选择产品，查看评论，比较产品。同时，我们会在社交网络上收到我们的营销邮件/推送(如Facebook)、Instagram和Twitter)在YouTube或Tiktok上看广告，观看我们合作的KOL视频/评价。
购买(转化) ——客户返回网站(通过收藏夹直接转换，从广告/KOL渠道或自然搜索)，最终购买。
重新购买(客户留存) ——再营销，并通过EDM和社交媒体帖子提醒客户/推送新产品，以低成本召回客户并转发销售。
图片来源：Jaron Tom
用户有不止一个触点，特别是每个广告触点，在当前的流量环境中没有完整的用户数据反馈，归因分析(Attribution Analysis)帮助我们清楚地感知哪些渠道/接触促进了购买，以及它们如何影响转型，从而更合理地分配广告预算，真正增加收入，降低成本。
“我知道一半的广告投资是无用的，但问题是我不知道是哪一半。”
百货公司的父亲约翰·沃纳梅克(John Wanamaker)
How：如何建立营销归因模型？
不同类型的归因模型有哪些？
归因模型有几十种可能存在，根据计算中使用的逻辑，它们可以以不同的方式进行分类。
如果我们在订单前检查渠道在客户旅程中占据的位置，那么我们使用基于位置的归因模型（时间衰减，基于位置）。如果计算考虑到所有数据，而不仅仅是链中通道的位置，那么它是一个算法归因模型（数据驱动，马尔可夫链）。
如果我们只给所有价值一个参与渠道的渠道，那么它是一个单渠道模型（最后点击，第一次点击）。如果价值分布在链中的所有渠道中，则为多渠道归因模型（线性、时间衰减）。
常见的营销归因模型有哪些？
让我们从最简单的基于位置的营销归因模型开始，这些模型是免费版的谷歌 直接使用Analytics
图片来源：Jaron Tom
Organic原生流量(如SEO)和Direct(直接流量)的区别在于
(图片来源:Google平台截图)
大部分原始流量来自我们的内容营销，直接流量来自用户的口碑——也就是我们强调的
Earned-Media
(图片来源:https://socialbeta.com/)
1.第一次交互或第一次点击模型(First Interaction or First Click Model)
使用这些模型从转换中获得的所有价值都归因于引导用户进入漏斗的第一个来源。例如，如果我们有一个由四个接触点组成的链，如下图所示 Click模型，转换的所有价值都将归因于CPC渠道。
(图片来源:Jaron Tom)
优点：由于渠道之间的价值分配没有计算或争论，因此易于设置和使用。
缺点：不显示全貌，高估顶部频道；用户通常在购买前与其他多个接触点交互，而第一个交互模型完全忽略了这些。
适用于希望提高品牌知名度和受众范围，了解在哪里购买可转换流量的企业。它对专注于需求生成和品牌知名度的营销人员非常有用。
2.最终互动或点击模型(Last Interaction or Last Click Model)
根据该模型，转换的所有价值都流向用户在转换前接触到的最后一个渠道。所有其他渠道的贡献都被忽略了。在我们的例子中，所有值都将转移到Direct通道。
(图片来源:Jaron Tom)
优点:很多营销人员都熟悉流行模式；非常适合评估快速购买的活动，比如季节性商品。
缺点：与所有单通道模型一样，它在订购前忽略了链中其他来源的作用。
适用于销售周期短、最多只使用三个广告渠道的卖家(如只在Facebook投放的投流卖家)。
3.最后，非直接点击模型(Last Non-Direct Click Model)
Google Analytics报告默认使用该模型-将整个转换价值分配给链中的最后一个通道，但如果最后一个通道是Direct，则该值将属于前一个通道。
它背后的逻辑是，如果用户通过书签或输入URL找到我们的独立站点，他们很可能已经熟悉了我们的网站。
(图片来源:Jaron Tom)
优点：允许忽略广告成本较低的渠道，专注于支付来源。此外，Last Non-Direct Click 可与其它归因模型进行比较。
缺点：不考虑其他渠道的贡献。此外，链中最后的第二个来源通常是电子邮件。我们了解到客户来自某个地方，并留下了他们的电子邮件地址。然而，我们很容易低估帮助客户熟悉品牌、留下电子邮件并最终决定购买的来源。
适用于想要评估特定付费渠道的有效性，品牌识别不再那么重要的企业。
4.线性模型(Linear Model)
这种基本模型只是将交易价值平均分配给链中的所有来源。
(图片来源:Jaron Tom)
优点：简单，但比单渠道归因模型更先进，因为它考虑了转换前的所有会话。
缺点:如果需要重新分配预算，就没用了；平均分配渠道不是最好的选择，因为它们不能同样有效——比如KOL渠道和Facebook/Google广告同时转换订单，但KOL和FacebookAD的不确定性(KOL有效但难以量化跟踪，大家都知道Facebook广告的现状)会让广告部门在分配预算时特别抓头。
适用于B2B公司等销售周期较长的企业，在渠道的各个阶段与客户保持联系非常重要。
5.时间衰减模型(等考虑时间的模型)(Time Decay Model (and other models that take time into account))
使用时间衰减模型，交易价值在渠道之间增量分配。换句话说，链中的第一个来源获得的价值最低，而最后一个和最接近转换的来源获得的价值最高。
(图片来源:Jaron Tom)
优点:链中的所有渠道都分得一杯羹。最大的功劳是促进用户购买的渠道。
缺点：大大低估了用户进入漏斗来源的贡献。
适合那些想要评估有限时间的促销活动的人。
6.基于位置或U型模型(Position-Based or U-Shaped model)
对于这些模型，大部分功劳归因于两个来源(各占) 40%）：一个向用户种草，一个完成交易。剩下的 漏斗中间的所有通道平均分配20%。
(图片来源:Jaron Tom)
优点:给大多数情况下发挥最重要作用的渠道最大的价值:吸引客户、刺激转型的渠道。
缺点：有时链路中间的对话比第一眼看起来更鼓励用户。例如，帮助客户将产品添加到购物车中，订阅电子邮件通讯或点击关注价格。使用基于位置的模型，这种对话及其影响被低估了。
同样重要的是吸引新观众，将现有访客转化为买家。
Google Ads、Double Click和其他服务也有自己的归因模型，但它们的共同缺点是我们只能使用服务的内部数据进行计算。
但Google工具的DDA(数据驱动分析 Data-Driven Attribution)例如，我们可以简要介绍如何从单一归因分析模型转变为更复杂的模型
——以我们的Google 作为分析的起点，DDA使用算法对每个案例进行不同的分析，并评估漏斗中渠道的相互影响，即使它是复杂、不一致和多步骤的。
(图片来源:Google Ads)
Google工具系统DDA(数据驱动分析 Data-Driven Attribution)
1.Google Ads的DDA
Google Ads中的默认归因模型是最终点击，但如果满足最低要求，则可以根据数据配置归因。在默认情况下，数据驱动的归因分析谷歌广告的所有点击，而不是整个客户旅程。根据这些点击，该模型将购买的用户与未购买的用户进行比较，并确定导致广告互动转换的模式。自动出价策略可以根据DDA模型中的信息进行优化，以增加转换次数。
与Search Ads 360相比，Google Ads不允许跨多个引擎运行营销活动，也不能提供太详细的报告。
本产品适用于需要优化营销活动和关键词的大中型企业。
关于Google Ads中的DDA可以观看Google 使用数据驱动归因的Ads官方YouTube视频了解更多信息。
(图片来源:Google Ads)
Google 使用DDA的最低要求和ADS的优缺点。
最低要求：
在过去的30天里，在支持的网络中进行了3000次广告互动
过去30天300次转化
要继续使用此模型，必须在过去30天内达到以下最低转换阈值：
2.000次广告互动
200次转化
Google DDA模型在ADS中的优势:
帮助优化关键词和付费广告系列
帮助优化出价
分析哪些广告在实现业务目标中起着最重要的作用
Google DDA模型在ADS中的缺点：
无法获得在线用户旅程的所有概述
在Google中，需要连续30天保持必要的转换次数和点击次数 在Ads中查看数据
如果数据低于所需的最小值，归因模型将自动切换为线性
2.Google Analytics 360的DDA
借助Google Analytics 基于Shapley，可使用360 Value方法(Shapley Value是合作博弈论中的解决方案概念 Shapley的名字命名——他于1951年介绍，并于2012年获得诺贝尔经济学奖。我们将在以下算法模型中详细解释） (MCF)数据驱动归因。该算法通过现有的接触点分析用户的路径，然后模拟替代变体而不是其中一个缺失的接触点。
这准确地显示了特定渠道如何影响转型的可能性。基于数据的归因评估来自自然搜索、直接流量和付费流量的数据，以及我们导入谷歌的数据 Analytics的所有数据，包括来自其他谷歌的数据 产品(如谷oogle) Ads、Campaign Manager 360)的数据。
借助Google Analytics 360 在DDA中，我们可以概括渠道中所有用户的在线操作，以及如何影响每个渠道的转换。该选项最适合大型平台网站。
(图片来源:Google Ads)
Google Analytics 360使用DDA的最低要求和优缺点。
最低要求：
过去 30 Google在天内获得15000次点击和600次转换 Ads 帐户
必须设置电子商务跟踪或目标
如果你满足这些要求，你可以在谷歌开始 Analytics DDA在360中使用。要继续使用，必须在过去28天内达到以下最低转换阈值：
每种类型的400次转换，路径长度至少两次交互
特定视图中的1万条交互路径
Google Analytics DDA在360中的优势：
全面分析客户的在线旅程
查看哪些广告、关键词和广告系列对转型影响最大——是的，这是困扰大多数卖家的问题。广告订单数据丢失
收入分配是基于过去转换数据的功劳
每个接触点的信用量取决于接触点的顺序
数据分析立即开始，我们的第一个模型报告将在7天内提供
Google Analytics 360中DDA的缺点：
账户成本高:15000美元/年
隐藏的计算逻辑：报告中没有解释
大量的点击和转换需要始终如一
不包括离线数据(电话和CRM中的交易)
需要谷ogle Ads帐户
最近很多卖家的谷歌广告账号都挂了，让原本只是条件的元素变成了缺点，特别尴尬。
3.Search Ads 360的DDA
因为和Google Marketing Platform的原生集成，Search Ads 360可跨越多个搜索引擎(Google Ads、Microsoft Advertising、Yahoo! Japan Sponsored Products、Baidu 和 Yahoo! Gemini)Campaigns管理广告
默认情况下，Search Ads 360使用最终点击归因模型，但如果满足最低点击和转换要求，也可以配置 DDA。Google Analytics Google360 不同的Ads，Search Ads Google分析360中的数据驱动归因 Marketing Flodlight中Platform转换跟踪系统的活动。
该归因侧重于付费营销活动，并显示关键字点击如何影响转换，因此可以根据模型数据自动优化出价，调整或创建新的出价策略。
(图片来源:Google Ads)
Search Ads 360服务适用于需要优化其付费广告系列的转化次数较多的网站。
让我们来看看Search Ads 以数据为基础的归因在360中使用最低要求和优缺点。
最低要求：
在过去的30天里，点击次数为15000次
过去30天600次转化
在 Search Ads 360 使用DDA的优点：
报告数据几乎实时获取
智能出价 DDA自动优化出价
最多可以创建五个DDA模型来比较不同渠道分组的数据
离线转换数据(如CRM中RFM数据)的比较分析可以上传
考虑跨环境转型
在 Search Ads DDA在360中的缺点：
忽略搜索和展示的次数
可能不完全准确：如果不能衡量所有的转换次数，Search Ads 360将使用机器学习和历史数据来模拟转换次数
仅仅因为付费搜索的转换次数，跟踪归因于付费搜索的转换次数
实现所有功能所需的额外设置：Campaign Manager、1组Flodlight活动和Search Ads 360 Natural Search报告
Googleele不能分析 Ads、Google Analytics或其他转换跟踪系统跟踪转换
结论
谷歌产品提供数据驱动归因，允许我们跟踪不同的渠道，确定谷歌搜索引擎中最有效和最不有效的部分，并详细分析用户的在线旅程。
虽然谷歌的数据驱动归因通常被视为一种模型，但实施方法因产品而异。为了有效地测量数据，我们需要选择合适的数据类型——以下是谷歌产品DDA的主要重点：
Google 在Google搜索中，Ads会跟踪广告点击次数。
Google Analytics 360跟踪所有用户的操作、点击和显示，基于多个渠道及其在渠道中的相互关系。
Search Ads 360将跟踪Flodlight活动和付费广告系列。
②算法归因模型(Algorithmic Attribution Models)
正常情况下，我们处于谷歌状态 Ads或Facebook(Meta)大部分广告都是通过最后一次点击设置的(Last Click)评估广告Campaign是否有效。
——换句话说，在我们的广告管理面板或谷歌中 在Analytics中，使用复杂的归因模型似乎毫无意义。
然而，当Apple宣布iOS时 当14.5更新允许用户选择退出跟踪cookies时，游戏规则已经完全改变。因为无法观察最后一次点击(Last Click)，也导致整体归因效果分析失效。
——所有的营销/交付都失去了他们的“眼睛”，这直接导致每个独立电台的投资者不仅需要猜测他们手头的广告中哪一个在生效，还需要关注如何优化广告/增加用户的计划。
因此，在没有cookies的情况下，要评估我们独立站的营销广告状态，我们需要评估所有广告来源对彼此的影响，以及来自不同广告服务的未来Google Analytics，甚至我们的CRM数据组合到一个系统中，并使用更复杂的归因模型-算法归因模型，包括我们下面介绍的数据驱动(Google) Analytics 360中)、马尔可夫链，BI/ML归因和自定义算法。
——否则，我们将无法理解哪些广告渠道可以与我们的营销路径相结合，以及我们的用户处于哪些阶段。
1.夏普利值归因(Shapley Value Attribution)——触点价值
Gogle付费版 Analytics的用户可以访问数据驱动的归因模型，上述所有归因模型都使用网络分析系统或我们自己设置的规则。
相比之下，Shapley 基于数据和Shapley向量计算触点值的Value模型没有任何预定义规则。
——改变会话的顺序，Shapley Value模型中的触点Value不会改变
(图片来源:Jaron Tom)
根据维基百科，Shapley Value （属于合作博弈论）是参与者之间价值的最佳分配方案之一。为合作博弈构建综合考虑冲突各方要求的妥协效用分配方案，确保分配的公平性，有效分配所有参与者共同产生的总盈余。
Shapley Value是合作博弈论中的解决方案概念(在博弈论中，解决方案概念是预测游戏将如何进行的正式规则。这些预测被称为“解决方案”，描述了参与者将采取什么策略，因此也描述了游戏的结果。最常用的解决方案概念是平衡概念，我相信每个人都听说过纳什平衡)，通常被认为是博弈论发展中最重要的贡献之一。Lloyd 因此，Shapley也与Alvin相同 E. Roth获得了2012年诺贝尔经济学奖——稳定配置理论和市场设计实践。
为了了解数据驱动模型的工作原理，请考虑一个特定的例子。假设我们有两个导致交易的链（“全链接”一词应该在16年内从阿里巴巴出来，用来描述用户从接触到转换的转换过程）：
Facebook Ad → 0美元销售 —— (只是一个例子，但如果是大多数独立站投手的现状?)
Facebook Ad → Direct → 500美元销售
Direct → 300美元销售
我们在示例中特别使用短链，以避免复杂的公式。
我们需要如何确定每个触点带来了多少，它们带来了多少？
V1 (Facebook Adt) = 0$
V2 (Facebook Ad Direct) = 500$
V3 (Direct) = 300$
Shapley触点 用以下公式计算Value：
(图片来源:Wiki百科截图)
在公式中
n 是玩家的数量(在我们的例子中，指用户触点)
v 是触点带来的价值
k 是联盟 K 参与者数量
假设
C1 是 Facebook Value接触Ad。
C2 是 Direct Value的触点。
如果将示例中的值插入此公式，我们将得到以下结果：
C1 = (1 - 1)！× (2 - 1)！/2！× (0 - 0) (2 - 1)！× (2 - 2)！/2！× (500$ - 300$) = 0 100$ = 100$
C2 = (1 - 1)！× (2 - 1)！/2！× (300) (2 - 1)！× (2 - 2)！× (500$) = 150$ 250$ = 400$
现在，我们将用简单的语言来解释那些被公式吓到的人一点?
1)计算Faceboook Ad触点的价值
Facebook Ad本身并没有给我们带来任何东西，所以我们将拥有0美元的第一个元素。
Facebook Ad和Direct一起带来了500美元，仅Direct就带来了 300 美元。我们从触点组合带来的金额中减去Direct赚的钱，然后将结果除以2：(500$ - 300$) / 2 = 100美元。这是我们的第二个元素。
现在加上0$ 100$ = 100$——Facebook Ad在我们的接触组合中的价值。
2)计算Direct触点的价值
完成300美元的Direct，将其除以2，获得150美元。
Facebook Ad 除以2获得250美元外，Direct组合还带来了500美元。
将这些数字加起来，得到400美元作为Direct触点的价值。
2.马尔可夫链归因(Markov Chain Attribution)——链条价值
马尔可夫链(Markov Chain, MC)随机事件序列数量有限，其特点是在固定现状的情况下，未来独立于过去。
起初，气象学家、赌博公司和其他人使用马尔可夫链来解决预测问题。随着数字市场的发展，人们最近开始使用它们来评估广告活动。
基于马尔可夫链的归因有助于回答多个相关广告触点将如何影响转型的问题。
(图片来源:Wiki百科截图)
为了了解马尔可夫链的工作原理，我们以自己独立站转换过程中最常用的链路为例。
假设我们在三个广告触点(C1):Facebook Ad /C2:Google CPC广告/C3:EDM)在广告相关组合中，测试了以下三个链接：
Start → C1 → C2 → C3 → 转化成功(Сonversion)
Start → C1 → 转化失败(null)
Start → C2 → C3 → 转化失败(null)
(图片来源:Jaron Tom)
第一列显示了我们的客户路径——在我们的例子中有两个链接。
第二列显示模型中路径的视图，包括链路入口(Start阶段)和链路出口(Conversion或)Null)。
第三列显示触点分对，因为我们需要评估从一个触点到下一个触点的所有可能转换路径。
然后我们需要计算每个可能的转换选项的概率，并将其放置在一个单独的表中
概率来源于分析用户操作的真实数据
通过Google Analytics完成数据采集
(图片来源:Jaron Tom)
2)根据轨迹图具象化数据的价值
为了保证本推文的完成率，我们在轨迹图上显示了上表中所有数据的含义：
(图片来源:Jaron Tom)
在轨迹图中，我们可以看到数据采集表中收集的转换选项&转化概率。
一切从(Start阶段)开始:
三分之一的用户进入频道C2触点，三分之二的用户进入C1触点
另外，C1触点的一半用户离开漏斗，另一半进入C2触点，然后进入C3触点
最后，50%的剩余用户购买了它
请注意，在我们的例子中，实际上只有两条转换路径，都通过C2触点
3)计算触点价值
第三，为了挽救完读率，或者说，我们必须解释为什么要做如此复杂的操作？
本质上，这是一个否定的演绎，即依次删除每个触点，观察它的缺失将如何影响转化(Convercion)：
(图片来源:Jaron Tom)
例如，如果我们从例子中删除C1触点，我们将失去50%的转换——我们如何得出这个结论？
在马尔可夫链中，触点价值计算分为三个阶段：
1.计算每个触点的转换概率
更准确地说，如果从链路中删除单个触点，我们需要弄清楚我们将获得多少转换。
每个接触点的转换概率 (P) 计算出使用以下公式：
P1 = (33.3% × 100% × 50%) = 16.7%
P2 = (33.3% × 0 × 50%) = 0
P3 = (33.3% × 100% × 0) = 0
让我们仔细看看第一个公式，如何计算C1触点的转换概率。
当我们从模型中删除C1触点，并乘以所有剩余的概率从导致购买的链中转移。
(图片来源:Jaron Tom)
也就是说，我们把33.3%乘以100%乘以50%。结果，我们得到了16.7%
——如果我们从链路中删除C1触点，这是我们将获得的转换百分比。
如果我们删除触点C2和C3，我们根本不会转换。
2.确定每个触点的删除效果(R)
这里计算的是，如果我们从漏斗中删除触点，我们将失去转换百分比，计算方法如下：
减去转化单位 (P) 除链路入口用户数量(转换概率)外，从100%开始:
R1 = 100% - (16.7% / 33.3%) = 50%
R2 = 100% - 0 = 100%
R3 = 100% - 0 = 100%
3. 最后，我们计算每个触点的Value(V)
——丢失转换的百分比 (R) 并将其除以所有系数（R@ R2 和 R3)总和。
V1 = 50% / (50% 100% 100% ) = 20%
V2 = 100% / (50% 100% 100% ) = 40%
V3 = 100% / (50% 100% 100% ) = 40%
C1:Facebook Ad /C2:Google CPC广告/C3:EDM
(图片来源:Jaron Tom)
优点：基于马尔可夫链的归因模型允许我们评估接触对转换的相互影响，并找出哪个接触最重要。
缺点：低估链中的第一个渠道；此外，还需要一定的编程技巧。
适用于在单个系统中收集所有数据的企业。
3.BI/ML归因模型
从这里开始，这是本文最关键的内容——真的不是为了完读率而写的
先解释一些两个名词
BI：商业智能，Business Intelligence，BI是指利用现代数据仓库技术、在线分析处理技术、数据挖掘和数据显示技术进行数据分析，以实现商业价值。
ML：机器学习，Machine Learning，简称ML，是亚瑟·塞缪尔(Arthur Samuel)在1959年用机器解决跳棋游戏的背景下提出。术语是指计算机程序通过学习产生的行为，不是由工程师明确的编程目的实现的。相反，它可以显示工程师可能根本没有意识到的行为。这种行为学习机制基于三个因素：
计算机程序消耗的数据
量化(指目标或任务具体明确，可以清晰度量)当前行为与理想行为之间的误差或某种形式的距离
使用量化误差指导程序在后续事件中产生更好行为的反馈机制
因此，BI/ML归因模型是根据夏普利值/马尔可夫链分析逻辑，结合BI工具和机器学习，评估我们广告活动的有效性，最大限度地洞察每个接触点的转换漏斗对客户推广的贡献。
夏普利值遵循的分配原则是“收入等于他们自己的贡献”，所以不需要考虑链中接触的顺序，而是评估接触的存在如何影响转换。
马尔可夫链是一系列依赖前一个事件的事件。基于马尔可夫链的归因，利用概率模型计算漏斗步骤之间的转换概率，使我们能够评估步骤对转换的相互影响，找出哪些步骤是最重要的。
BI/ML归因模型设置转换漏斗的所有步骤，并通过在马尔可夫链中显示结果，计算概率如下图所示：
(图片来源:Jaron Tom)
你可能会有问题：为什么我们要做如此复杂的分析模型计算？
图片来源：阿里研究所
面对我们的消费者，我们可能会在tiktok看到我们，谷歌搜索我们，Facebook最终可能会下订单。
(图片来源:Jaron Tom)但仍然存在的问题是，不同的归因模型用于不同的广告服务和分析系统
(图片来源:Jaron Tom)
大多数广告服务使用最终非直接点击模型(Last Non-Direct Click)，后视图(Post-View)、动态追踪(Cross-Device)或其他模型
但是这些模型无法跨服务进行比较:Facebook Ads用用户行为来衡量广告价值，而谷歌 Ads使用品牌词来定义广告定价，即使我们完全使用上述工具（无论成本如何），我们也无法完成数据闭环。
(图片来源:Jaron Tom)BI/ML归因模型如何作用于我们的独立站？
1)洞察广告渠道运营效果
AIDA用于我们的广告活动(A)Attention，也就是引起注意；I为Interest，也就是说，引起兴趣；D为Desire，也就是说，刺激欲望；最后一个字母A是Action）模型将分为三个阶段：认知、兴趣和转换。因此，目标影响下一阶段广告的活动在现阶段可能看起来无效。
(图片来源:BI数据系统后台)
因此，BI/ML归因模型可以真正评估现有广告系列的ROAS，以及AIDA的整个过程是否已经完成，这样我们就不会错误地配置广告预算。
2)比较不同用户群的获取渠道
计算每个会话的值，为不同的用户组定制归因模型
新用户和回访用户的ROI/ROAS，比较不同群体的盈利能力
对当前客户(“当前客户”群体)销售额外服务的评价广告系列
评估第一个买家和下一个买家，以找出哪些渠道更适合吸引新客户到业务
(图片来源:BI数据系统后台)
此外，通过了解会话的成本，我们可以计算每个产品组的成本和收入，并评估不同地区、登录页面、移动应用程序版本和应用程序的广告效果。
3)BI/Business Intelligence 商业智能
BI/ML归因模型最大的优势是基于归因数据构建报告，无需分析师的帮助或任何数据库/SQL知识。
计算归因模型后，BI工具根据添加的事件自动报告收入、转换次数、ROI、ROAS和CRR。
(图片来源:BI数据系统后台)
此外，使用方便的报告生成器创建个性化的报告——更容易理解的图表和表格，更直观地显示
(图片来源:BI数据系统后台)
广告真实ROSA(此处为BI面板操作录屏)展示用户的每一个动作
结语
广告活动：
吸引客户的成本会增加——广告服务会依靠更少的信息将广告定位给合适的用户，广告服务决定是否符合特定用户的能力越低，广告相关性越低。这意味着点击率会降低，每次转换成本也会增加。
LAL类似受众和再营销活动的覆盖面将减少(假设这些类型的活动仍然存在)。事实上，当第三方Cookie存在时，重定向只会起作用。如果用户在收到第三方Cookies后访问其他网站，比如谷歌，那么第三方Cookies的寿命就会延长。这意味着重新定位的时间可能比在假设的Criteo中重新定位的时间更长(例如，在谷歌或任何其他有围墙的数字花园中)。由于Criteo通过其网站的覆盖率较高因此，不能访问用户级别的信息将不允许我们使用类似的受众模式(LAL)归因。
在纳斯达克上市的Criteo(纳斯达克代码:CRTO）2005年在法国巴黎成立的全球效果营销技术公司。公司的核心业务是重定向广告（retargeting），FLEDGE于2021年推出，是指消费者根据最近的消费行为匿名分组，然后通过人工智能找到与特定群体最匹配的广告商的URL或内容。
所有这些都会导致小广告商离开市场，小卖家很难通过相关转型来保证自己的利润。
在互联网时代，数据是土地、劳动力和资本之后的第四大生产要素。虽然我们的独立电台卖家经常忽视它，但它的意义是非凡的。此外，数字能力不是算法，而是数据，“数据赢得世界，数据赢得算法”。
BI/ML归因模型 Cookies的重要性 Google Ads的DDA Google Analytics 360中DDA的优点 Google Analytics 360的DDA Search Ads 360的DDA 前言 在 Search Ads 360中使用DDA的缺点 无Cookies的数据分析状态 结论 计算每个触点的转化概率
