更新时间：2025年11月23号
什么是数据驱动归因
数据驱动归因（Data-Driven Attribution，简称 DDA），又称数据驱动归因模型（Data-Driven Attribution Model），是一种基于机器学习的归因模型，也是目前GA4和Google Ads的默认归因方式。
与首次点击、最后点击、线性归因等基于规则模型不同，DDA不依赖固定规则，而是利用历史转化数据，通过机器学习分析不同营销接触点对转化的真实贡献，再将转化价值按贡献度分配给各个渠道。
简单来说，它回答的是：
如果某个营销接触点不存在，用户完成转化的概率会下降多少？
下降越多，说明该渠道的贡献越大，最终获得的归因权重也越高。
Google官方表示，DDA 会综合分析大量信号，例如：
- 用户完整转化路径
- 不同渠道组合
- 接触顺序
- 转化时间
- 广告点击与展示
- 设备类型
- 其他影响转化的重要特征
然后利用机器学习模型估算每个营销接触点对最终转化的增量贡献。
数据驱动归因的发展历史
Google对 DDA的演进大致可以分为几个阶段：
| 时间 | 发展 |
|---|---|
| 2013 年 | Google Analytics Premium 首次推出 Data-Driven Attribution |
| 2014 年 | Google Ads（当时为 AdWords）开始支持 DDA |
| 2019 年 | Google Ads 大幅降低 DDA 使用门槛 |
| 2021 年 | GA4 默认支持 DDA |
| 2023 年 | Google Ads 默认采用 DDA，新建转化默认使用数据驱动归因 |
| 2024～至今 | GA4 与 Google Ads 均以 DDA 为默认归因模型，规则归因逐渐淡出 |
因此，目前Google官方推荐企业直接采用数据驱动归因，而不是传统的规则归因模型。
数据驱动归因的算法
需要说明的是：Google 从未公开 GA4 或 Google Ads 所使用的完整机器学习算法。
因此，外界提到的各种算法，大多数属于学术界和业界常见的归因方法，可用于实现数据驱动归因，但并不代表 Google 当前一定采用这些算法。
目前较常见的算法包括：
Markov Chain（马尔可夫链）
马尔可夫链（Markov Chain）由俄国数学家 Andrey Andreyevich Markov 提出，是一种描述随机状态转移过程的数学模型。
它最大的特点是无记忆性（Memoryless）：下一步发生什么，只取决于当前状态，而与更早之前发生的状态无关。
在营销归因中，用户访问网站的整个过程可以看成一系列状态转换，例如：
自然搜索——>Google Ads——>邮件营销——>转化马尔可夫链通过计算：
如果删除某个渠道，整体转化率下降多少？
来评估每个营销渠道的重要程度，因此也被称为 Removal Effect（移除效应） 方法。
很多第三方归因工具仍采用这一算法。
可体验在线 Demo：：https://adavide1982.shinyapps.io/ChannelAttribution/
Shapley Value（沙普利值）
Shapley Value（沙普利值）由诺贝尔经济学奖获得者 Lloyd S. Shapley 提出，最初用于合作博弈论中的收益分配。
它的核心思想是：
每个渠道获得的贡献，应等于它在所有可能渠道组合中的平均边际贡献。
例如，某用户经历SEO、Facebook、Email、Conversion，Shapley 会计算：
- 没有 SEO 时损失多少转化
- 没有 Facebook 时损失多少转化
- 没有 Email 时损失多少转化
并综合所有可能组合，最后公平分配每个渠道的贡献。
相比传统规则归因，Shapley 能更公平地衡量多个渠道之间的协同效果，因此曾广泛应用于营销归因研究。
Survival Analysis（生存分析）
生存分析（Survival Analysis）原本是一种统计分析方法，用于研究：
某件事情在经过一段时间之后发生的概率。
最初广泛应用于医学，例如研究患者的生存时间。
后来，这种方法也被应用到营销领域，用来分析：
- 用户多久会发生转化
- 不同营销接触点如何影响转化时间
- 某个渠道是否提高转化发生的概率
Google 官方论文曾提到，其数据驱动归因模型采用了基于生存分析的机器学习方法，因此目前业界普遍认为GA4和 Ads的数据驱动归因主要建立在生存分析模型基础之上，不过 Google 并未公开完整算法细节，因此外界无法准确还原其模型实现。
Harsanyi Dividend（哈萨尼股息）
Harsanyi Dividend（哈萨尼股息）是 John C. Harsanyi 提出的合作博弈理论方法，可视为 Shapley Value 的进一步扩展。
它不仅能够计算单个渠道的贡献，
还能够进一步分析多个渠道组合共同产生的协同贡献（Interaction Effect）。
例如：SEO+Email，两者组合可能比单独使用任何一个渠道带来更高的转化率。
Harsanyi Dividend 可以将这种”组合价值”进一步拆分，因此理论上比 Shapley 更适合分析多渠道协同营销。
不过，目前公开资料非常少。
Adobe 官方文档引用了相关理论：
- Shapley, Lloyd S. (1953). A value for n-person games. Contributions to the Theory of Games, 2(28) , 307-317.
- Harsanyi, John C. (1963). A simplified bargaining model for the n-person cooperative game. International Economic Review 4(2) , 194-220
Google实际使用哪种算法？
Google 从未公开 GA4 或 Google Ads 的完整归因算法。
根据 Google 官方论文、公开演讲以及业界分析，目前普遍认为：
| 算法 | 应用情况 |
|---|---|
| Markov Chain | 否，仅学术界常见方法 |
| Shapley Value | Google 早期研究曾采用类似思想，但未作为官方实现公开 |
| Survival Analysis | Google 官方论文公开提及，目前业界普遍认为是主要基础模型 |
| Harsanyi Dividend | 主要见于 Adobe Analytics |
总结
数据驱动归因的核心优势在于，它能够摆脱固定规则的限制，根据历史转化数据自动评估每个营销渠道的实际贡献，更真实地反映多渠道营销效果。
虽然业界提出了 Markov Chain、Shapley Value、Survival Analysis、Harsanyi Dividend 等多种算法，但 Google 并未公开其完整实现。目前普遍认为，GA4 和 Google Ads 的 DDA 建立在生存分析等机器学习方法之上，并结合大量用户行为信号动态计算各营销接触点的归因权重，而非采用单一固定算法。
