归因模型的演进路径：从规则分配到“人”为中心的归因体系

在数字营销领域，“归因”从来不只是一个技术问题，而是一个如何理解用户决策过程的问题。随着媒介环境、数据能力和用户识别方式的变化，归因模型也经历了明显的阶段性演进。

从整体上看，这条演进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：：

延伸阅读：Web端广告归因模型全解析：从单触点到多触点归因

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？”

阶段 2：基于算法的归因（Data-Driven Attribution）

DDA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：提供更完整路径，更充分的转化信号支持算法优化，使得结果更贴近真实的过程。

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）。