什么是归因分析

顾名思义,归因(Attribution)既寻找一系列事务与最终结果的关系,而且这种关系是属于因果关系。例如,我们渴了买水喝,那么渴了就是买水喝的因子,或者说是主要原因。又如,我们打完球,看到可乐清爽的广告,然后买了可乐可乐喝。那么最终买可乐可乐的原因归结于事件一,我们打完球又累又热,事件二,看到广告又觉得喝了会特别爽快,所以买可乐的原因就有两个。

数字营销、品牌营销中,广告主就希望通过这样的一种方式,了解市场与客户——到底什么样的场景、人物会购买他们的商品或服务呢?从而最终影响他们的营销策略,辅助他们实现营销目标。

数字营销中的归因分析

在数字营销领域,往往对归因的需求有着不同的层级,不同的层级也对应着不同的技术实现难度。

营销策略归因

广告主在进行市场营销的时候,往往不止一种营销渠道与手段,而是多渠道组合营销,如:他们既在电视广告上进行广告投放,又在电视电影节目中植入广告,而且还在网络媒体上投放广告与分发营销内容。但是,许多渠道的监测与数据往往是单一的,电视研究咨询机构告诉广告主,电视广告产生了多少多少曝光、观看,网络媒体监测机构告诉广告主,在互联网上品牌得到了多少曝光、点击、互动等。

然而,用户的购买,却往往遵循着一个转化模型,或者说是一套心理认知模型——用户从了解商品到最终购买是存在认知过程的(详见广告传播模型的变迁)。因此,对于广告主而言,往往希望对他们的营销策略进行归因分析,寻找出这些营销手段、渠道是如何相互营销,才使用户发生购买的。以便优化营销策略,未来实现更多的利润。

营销策略的归因,最终答案往往是:

  • 用户是经过各类渠道如何一步步产生转化的(渠道路径统计)
  • 各个渠道在某种归因模型下的得分是如何(归因得分统计)

用户归因分析与预测

在越来越潮流的数字营销与数字媒介世界,互联网的发展、移动设备的变化,使数字营销产生了更多更具有科技性的挑战与机会。例如,我们在淘宝中搜索了某个商品名称,在此后的浏览中,往往会推荐类似的商品在您浏览的网页中,这其中有一个很重要的理论就是“淘宝认为搜索过某类商品的人更需要、更容易购买某类商品”。而这个理论,很可能就来自于淘宝网对过往购买用户的分析,在用户购买商品的结果集上,寻找出了某些商品是产生该结果集的原因,这也是著名的“啤酒与尿布”案例。

用户级别的归因是用户行为、需求预测的核心问题,如果我们能解答“用户为什么会购买”、“什么样的用户就能购买”这类问题,那么广告主、商场平台、超市就可以优化用户认知、行为路线,使其销售量达到最大化。所以,用户归因的结论往往是:

  • 用户具备什么样的特征(用户肖像绘制)
  • 什么样的用户容易产生转化(用户行为与转化的关系)

归因模型

知乎上有这样一个帖子,其中说到:

  • Allen是一个聪明,勤奋,冲动,爱挑剔,固执,嫉妒心强的人;
  • Ben是一个忌妒心强,固执,爱挑剔,冲动,勤奋,聪明的人;

那么,我们对Allen和Ben的印象是如何的呢?许多人的印象是Allen聪明、勤奋,而Ben嫉妒心强、固执。而实际上,Allen和Ben的评价是完全一样的,只是因为我们接触到他们的印象评价的顺序而导致最终印象结果不一样。这种先入为主的思维方式,我们称之为首因效应——结果受到最初的事务影响最大。

另一种常见归因模型——最后互动归因模型,在数字分析中,往往会分析用户在网上商城购买情况与广告渠道的关系,例如认为“用户的高效购买往往来自于搜索引擎”,会给这类营销方式评价较高。而实际上是用户也经历了弱需求(看到广告)、中需求(点击广告),最终在需求成熟(了解品牌)后,才产生最终的搜索并购买的。

常见归因模型

  • 首次互动归因
  • 首次营销互动归因
  • 最后互动归因
  • 最后营销互动归因
  • 按线性分配归因
  • 按时间衰减归因
  • 按位置加权归因
  • ……

除了常见的按照用户的“大行动”归因以外,还会利用更多数据对用户行为进行加权归因,甚至有一些更复杂的统计模型与算法,就暂且不在本文详述了。

 

1 对 “归因分析模型的来龙去脉”的想法;

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据