更新时间：2025年12月16日
归因的发展路径可以概括为三个阶段：
- 阶段 1：基于规则的归因（Rule-based Attribution）
- 阶段 2：基于算法的归因（Data-Driven Attribution, DDA）
- 阶段 3：基于用户的归因（People-Based Attribution）
这三个阶段，并不是简单的“新旧替代”，而是对归因视角的一次次升级：从规则 → 数据 → 用户身份。
阶段 1：基于规则的归因（Rule-based Attribution）
基于规则的归因模型，是最早被广泛采用的一类模型，其核心特点是：
- 人为设定分配规则
- 每一次转化，按既定规则分配“功劳”
- 模型逻辑固定、结果可解释
常见的规则归因模型包括：：
| 模型 | 归因逻辑 |
|---|---|
| 最后一次点击（Last Click） | 转化归功于最后一个触点 |
| 第一次点击（First Click） | 转化归功于第一个触点 |
| 线性归因 | 所有触点平均分配 |
| 时间衰减 | 越接近转化，权重越高 |
| 位置归因 | 首次与最后一次权重更高 |
这一阶段的归因模型适用于：渠道数量有限、用户路径较短、Cookie/用户识别稳定、企业以效果核算为主要目标
在Universal Analytics（GA3）时代，Last Click曾长期是默认归因模型，原因并不是它最准确，而是：它最简单、最容易对账、最容易被业务接受。
但随着营销复杂度提升，规则归因的缺陷逐渐显现：
- 规则是“拍脑袋”的，不反映真实影响
- 忽略渠道之间的协同效应
- 极易高估底层转化渠道（如品牌词、再营销）
- 无法回答“如果不投，会发生什么？”
Google Analytics弃用最后点击归因，逐渐改用数据驱动归因。
阶段 2：基于算法的归因（Data-Driven Attribution）
Data-Driven Attribution的核心不再是规则，而是：基于历史转化路径，分析触点出现与转化之间的统计关系，估算每个渠道的边际贡献
常见方法包括：马尔可夫链（Markov Chain）、夏普值（Shapley Value）、生存分析（Survival Analysis）等，延伸阅读：数据驱动归因的几个算法
代表性产品：Google的DDA、Adobe的Algorithmic Attribution
DDA的优势主要体现在：权重来自数据而非人为设定，能识别“辅助型渠道”，在完整路径数据下，更贴近真实转化过程
对投放优化来说，DDA通常比规则归因方向性更好。
但DDA有一个非常重要、却常被忽略的前提：你必须有“完整路径”，才可以被算法去学习，一旦路径缺失严重，算法归因的稳定性和可信度都会显著下降。
阶段 3：基于用户的归因（People-Based Attribution）
随着隐私保护政策的加强（如Cookie限制、ID退化），仅依赖设备或浏览器级标识的归因方式开始失效，越来越难以获取完整的用户路径。
因此，归因视角逐渐从：Device-based Attribution → People-based Attribution
People-Based Attribution 的核心不在于“是否使用算法”，而在于：通过用户级身份信号（如登录信息、加密的一方数据），将跨设备、跨平台的行为重新串联成完整路径，为归因和算法提供更可靠的输入数据。
People-Based Attribution的关键提升在于：更完整路径，更充分的转化信号支持算法优化，使得结果更贴近真实决策过程。
代表性实践和产品包括：Google/Meta的增强型转化（Enhanced Conversions），Tiktok的Events API / Advanced Matching，CJA和CDP里的归因。
例如：启用Google的增强型转化（Enhanced Conversions）后，广告主在可追踪的转化数量上通常能实现 5%~20% 级别的提升（具体取决于业务形态与数据质量）。
延伸阅读：
- 什么是People-Based Attribution？以人为中心的跨端归因完整解析
- Google Tag Manager上安装Google Ads增强型转化跟踪
- 服务端sGTM安装增强型转化（Enhanced Conversions）
