更新时间：2025年12月11号
Web 归因指对 PC 网站流量与转化路径 进行归因分析，通常也包含与 Web 类似的 WAP 流量。如果未明确区分，一般“Web 归因”默认指 Web + WAP 场景。
单触点归因（Single-Touch Attribution）
单触点归因将100%的转化功劳归因给某一个接触点。形式简单、易理解，因此最常用。
典型模型包括：
- First Click（首次接触归因）
- Last Click（最终接触归因）
- Last Non-Direct Click（最终非直接点击归因）
- Last *Channel（按渠道最终点击归因）
First Click —— 首次触点归因
定义：将全部转化价值归于用户第一次接触品牌的渠道。
| 优点 | 缺点 |
|---|---|
| 模型极其简单 强调“用户从哪里开始知道你” 适用于品牌认知阶段的投入评估 | 只看第一次接触，忽略后续所有影响转化的触点 若窗口期过长，会把“这段时间内的首次接触”误当成真正首次接触 在长链路场景中容易造成极端误导 |
适用场景
- 新品牌或新产品，没有知名度，客户的最初渠道就非常重要，对于提升知名度和拓展市场很有帮助。
- 决策周期很短的场景（用户第一次看到即有转化可能）
Last Click —— 最终触点归因
定义：将所有转化功劳归于用户完成转化前的最后一次互动。
| 优点 | 缺点 |
|---|---|
| 简单、易计算 与大多数广告平台默认归因一致（FB、Google Ads 等） | 严重忽略前序渠道 各平台都用自己的 Last Click 会造成“重复计算” 容易夸大“最后一步”的渠道价值 |
适用场景：决策链路极短、触点极少的场景
Last Non-Direct Click —— 最终非直接点击归因
定义：忽略直接流量（Direct），将功劳归于最后一次非 Direct 触点。
| 优点 | 缺点 |
|---|---|
| 避免Direct来源难区分的问题 在Direct占比较大的情况下更有意义 | 仍然是“最终触点思想”，只是排除Direct 忽略全链路贡献 |
最终 *渠道归因（Ad Platform Level Attribution）
定义：广告平台将“自己的最后一次触点”认定为 100% 归因。
例：用户先点 Google Ads → 后点 Facebook → 转化
- 在 Google Ads 内，这单归 Google
- 在 Facebook 内，这单归 Facebook
| 优点 | 缺点 |
|---|---|
| 对单渠道投放较重的广告主有参考意义 | 两边都算，导致整体统计严重重复 忽略跨渠道影响 |
多触点归因模型（MTA）
单触点归因虽然简单，但无法回答：
- 每个触点贡献多少？
- 用户从认知至转化路径有多长？
- 不同渠道是否协同？
- 早期触点是否同样关键？
因此，多触点归因（Multi-Touch Attribution / MTA）应运而生，MTA 通常分三类：
- O2S（Online to Store，简称O2S）：线上 → 线下归因
- AMS（Across Multiple Screens，简称AMS）：跨设备归因
- ADC（Across Digital Channels，简称ADC归因）：跨数字营销渠道归因 / 多触点归因
ADC是主流 MTA 的核心，下面都是ADC的归因模型。
线性归因（Linear Attribution）
特点：所有触点平均分配权重。例如五个触点，每个 20%。
| 优点 | 缺点 |
|---|---|
| 覆盖所有触点 展示完整路径 | 假设所有触点贡献相同，不现实 实用性弱 |
时间衰减归因（Time Decay）
特点：距转化越近的触点权重大。
| 优点 | 缺点 |
|---|---|
| 适用于长决策周期 更符合“越靠近转化越有影响力”的直觉 | 容易低估前期触点 可能导致过度优化“最后一步” |
使用场景：适用于销售周期比较长的产品。
基于位置归因（U 型归因、J 型、反 J 型）
U 型（最常见）
- 第一次触点：40%
- 最后一次触点：40%
- 中间触点：均分剩余 20%
| 优点 | 缺点 |
|---|---|
| 重视最关键的“起点”与“收口” 合理区分链路阶段 | 中间触点权重可能过低 |
使用场景：十分重视线索来源和促成销售渠道的公司。
有些会将这种归因模型再分为J型归因和反J型归因，目前这种归因只见于Adobe Analytics中：
- J型归因就是首次触点分配比较少，最后一次触点分配比较多，剩下的平均分配，如首次20%，第二触点是10%，第三触点是10%，最后触点是60%，形状像字母J，所以叫J型归因。
- 反J型归因就是倒过来的J型归因。
这两种归因模型也可以通过自定义归因模型去实现。
W型归因
特点：W形归因将更多的功劳分配给转化前的第一个和最后一个接触点，还强调在客户的渠道中部接触点。
使用场景：适合B2B公司
全路径归因（Z型归因）
特点：覆盖所有触点，并对“关键触点”给予较高权重。
数据驱动归因（DDA）——算法归因
数据驱动归因使用 机器学习来计算各触点的真实贡献，是目前最先进的归因方式。
常用算法包括：
- 马尔科夫链（Markov Chain）
- 沙普利值（Shapley Value）
- 生存分析（Survival Analysis）
- Harsanyi Dividend（主要由 Adobe 使用）
Google 系归因（Attribution 360、GA360 等）使用基于 Shapley 的模型。
| 优点 | 缺点 |
|---|---|
| 不依赖人为规则 基于数据对贡献进行精确计算 适用于大规模、多渠道、多触点投放 | 数据量要求高 需要较成熟的数据环境 黑盒程度高，解释成本较高 |
延伸阅读：数据驱动归因的几个算法
自定义归因（Custom Attribution）
特点：企业可以完全自定义权重与模型，极少的分析工具会支持。
| 优点 | 缺点 |
|---|---|
| 可按行业特性、业务模式灵活设计 可直接贴合企业 KPI 和 ROI 逻辑 | 需要专业分析能力 成本高、测试周期长 |
使用场景：渠道多、数据量大，且有专业数据分析团队的。
全渠道归因（Omni-Channel Attribution）
严格意义上的“全渠道”应涵盖：
- 线上（Web、App、广告平台、社交、电商…）
- 线下（支付、POS、门店曝光、活动…）
但由于数据壁垒，真正的全渠道在实际中仍是 伪命题。
目前行业常说的“全渠道归因”，往往其实指：线上全渠道归因（即 ADC）、
延伸阅读：什么是People-Based Attribution？以人为中心的跨端归因完整解析
