- 综合排序
- 最热优先
- 最新优先
- 来自专栏万能的小草
网站及APP坑位流量归因分析-（1）理论篇
近期计划出一个系列的文章，详细介绍一下网页及APP坑位流量归因的理论以及实践篇。欢迎大家收藏及转发，针对过程中有疑问的地方，欢迎在公众号内留言互动。 根据每个流量入口的用户后续转化情况，是评价一个流量坑位的核心数据指标。 这些，其实流量归因分析模型都可以告诉你： 如何将钱花的更有价值：优先将广告预算投放在拉新及留存效果最佳的渠道，缩短用户在核心流程上的路径。 若采用“根据位置”归因模型，“酒店”和“武汉市万达瑞华酒店”将分别获得 40% 的功劳，而“武汉市酒店”和“武汉市5星级酒店”将分别获得 10% 的功劳。 四、参考资料： 1.黄业忠.流量的高级分析与流量渠道的协同：归因和归分析型[G],2018-08-09 2.数据分析社区.电商流量来源分析平台：从数据底层到数据可视化[G],2021-05-11 3.海阁
1.3K20编辑于 2022-03-11 - 来自专栏万能的小草
网站及APP坑位流量归因分析-（3）数据计算篇
前面了解到归因分析的理论知识和数据采集，接着我们看如何搭建数据计算模型。比如我们现在希望对进入UP主视频播放页的来源进行归纳。 一、根据采集信息，对采集页面进行梳理整合。 参数 含义 填写示例 ActionData 待归因的行为数据 bili_dwd.dwd_dot_log targetActionData 目标行为数据 bili_ads.ads_dot_target_1d outputData 输出数据表 bili_ads.ads_dot_detail_1d Objects 归因对象 uuid,user_id Dimensions 归因维度 up_id_com,app_key recent,average startDate 进行归因计算的日期 ${yyyy_mm_dd} traceBackDays 往前追溯的天数 0 maxIntervalHours 最大归因间隔(小时） 3.1 合并待归因和归因目标行为数据 输入：ActionData，targetActionData 中间处理：将ActionData中的additionalFields字段join到targetActionData
78610编辑于 2022-09-21 - 来自专栏HsuHeinrich
渠道归因（一）传统渠道归因
渠道归因（一）传统渠道归因 小P：小H，我又来了。。。最近在做ROI数据，但是有个问题。。。 小H：什么问题，不就是收入/成本吗？ 小P：是的，每个渠道的成本很容易计算，但是收入就有点问题了。 小P：不愧是你，对的，用户在付费前经历过很多渠道，我感觉把收入分给谁都不好说 小H：这个也不复杂，关于渠道归因的方式有很多种，比如传统渠道归因、基于马尔可夫链、基于shapley value甚至是基于Attention-RNN 说到渠道归因，那最容易想到的就是传统的渠道归因，这种方法一般是基于业务决策的。 首次归因：首次点击渠道赋予全部转化 末次归因：末次点击渠道赋予全部转化 线性（平均）归因：每个渠道均分转化 位置归因：自定义位置的权重，一般首位占50%，其余为0 时间衰减归因：距离转化的时间越短的渠道 3.0 3 epsilon 315.0 4 eta 3665.5 5 gamma 128.5 6 iota 3980.5 7 kappa 152.0 8 lambda 1054.5 9 mi 2.0 10
67520编辑于 2023-08-10 - 来自专栏万能的小草
网站及APP坑位流量归因分析-（2）数据采集篇
前一节讲到多种流量归因的模型，本质上流量归因是为了辅助我们如何将钱花的更有价值以及高效洞察用户的习惯和行为，为下一步迭代产品的功能提供数据支撑。 今天这一节，结合具体的业务场景来看看流量归因分析如何在数据采集方案上落地的。 业内通用五大基本归因方案 旺盛的小草，公众号：万能的小草网站及APP坑位流量归因分析-（1）理论篇 一、背景 比如B站的产品内，提供了非常多的入口能够使得用户进入直播间里面。 由于涉及到主端APP的快速迭代，单次的分析很难实现复用，因此在这种背景下急需提供标准化的流量归因产品去快速实现流量来源拆解，快速定位KPI异动原因，满足业务运营的日常监控诉求。 观看时长、弹幕量、投币量、次日留存率 流量入口交叉对比分析 三、准备工作 为了实现流量的快速归因，需要依赖于我们有完善的数据采集。
1.6K20编辑于 2022-09-21 - 来自专栏HsuHeinrich
渠道归因（三）基于Shapley Value的渠道归因
渠道归因（三）基于Shapley Value的渠道归因 通过Shapley Value可以计算每个渠道的贡献权重，而且沙普利值的计算只需要参加的渠道总数，不考虑顺序，因此计算成本也较低。 pd import matplotlib.pyplot as plt import seaborn as sns 本文所有数据如果有需要的同学可关注公众号HsuHeinrich，回复【数据挖掘-渠道归因 fontdict={'fontsize': 15, 'fontweight': 'semibold', 'color':'#444444'}, loc='center', pad=10 248.21 Channel 5: 75.04 Channel 6: 55.02 Channel 7: 33.14 Channel 8: 52.95 Channel 9: 189.29 Channel 10 总结 日常业务中，可以结合多个方法看一下归因的差异。
78620编辑于 2023-08-10 - 来自专栏万能的小草
网站及APP坑位流量归因分析-（4）可视化分析篇
前面介绍了归因分析的理论、数据采集、数据计算，最后我们着重介绍一下如何对前面生成的数据，进行可视化分析沉淀，让业务能高效的进行日常运营迭代。 1.流量核心指标 页面曝光次数 流量入口页面曝光次数 页面曝光人数： 流量入口页面曝光人数 页面点击次数： 流量入口页面点击次数 页面点击人数： 流量入口页面点击人数 页面PV转化率： 流量入口页面点击次数 /流量入口页面曝光次数 *100% 页面点击转化率： 流量入口页面点击人数 /流量入口页面曝光人数*100% 付费人数： 来自该流量入口的视频付费人数 付费人数占比： 来自该流量入口页面的视频付费人数 /整体视频的付费人数 付费金额： 来自该流量入口页面的付费打赏金额 付费金额占比： 来自该流量入口的视频付费金额/整体视频的付费金额 观看时长： 来自该流量入口页面的观看时长，单位：分钟。 观看时长占比： 来自该流量入口页面的视频观看时长/视频的总观看时长 视频点击打赏率： 来自该流量入口的视频打赏人数/来自该流量入口的视频点击人数 PV价值： 来自该流量入口的视频付费金额/来自该流量入口的视频曝光人数
92510编辑于 2022-09-21 - 来自专栏素质云笔记
多渠道归因分析（Attribution）：传统归因（一）
如果你的直接流量占比很高的话，这种模型比较实用。 2.2.3 最终AD点击归因 最后一个AD的点击获得100%的转化，强调AD的作用，适用于推广侧重于AD的。 可以看到用户最后转化的之前经过了哪些路径（需要注意：查看热门路径报告，进入默认是两次以上的，需要在“路径长度”中选择“1次或更多”才会看到跟下图一样的报告，且对应在转化中要选择一个目标，这里还是选择“在线时长超过10 对于种草类平台来说，点击并不是发生转化的必要行为，采用点击归因很容易低估平台的效果。抖音数据显示，有10-25%的用户在看过抖音广告后会去商店或搜索引擎搜索商品信息，从而完成转化。 ，这样在效果广告上市场的竞争力就会减弱；联盟模式则直接由于广告的变现效率（ECPM）相对下降而使得流量主转接到使用“有效触点”归因的联盟公司，影响更大。 参考文献 1 互联网广告的归因分析(Attribution Analysis) 2 2.3、流量的高级分析与流量渠道的协同：归因和归分析型 3 【科普】深度解析亚马逊广告归因（含案例解析） 4 【数据分析思维
2.9K43编辑于 2021-12-07 - 来自专栏HsuHeinrich
渠道归因（二）基于马尔可夫链的渠道归因
渠道归因（二）基于马尔可夫链的渠道归因 在应用当中，序列中的每个点通常映射为一个广告触点，每个触点都有一定概率变成真正的转化。通过这种建模，可以选择最有效，概率最高的触点路径。 本文主要参考自python实现马尔可夫链归因[1]。 马尔可夫链是一个过程，它映射运动并给出概率分布，从一个状态转移到另一个状态。 所以马尔可夫链模型可以用来做归因分析。 1126.342986 7 zeta 291.786394 1093.572697 8 epsilon 635.341342 2280.694761 9 gamma 216.486679 777.796200 10 共勉～ 参考资料 [1] python实现马尔可夫链归因: https://mattzheng.blog.csdn.net/article/details/117296062
93540编辑于 2023-08-10 - 来自专栏seth-shi的专栏
广告归因-让你彻底弄归因架构实现
解释 这里会引用神策数据很多的介绍,然后进行总结 归因方法 自归因 渠道商帮我们做归因,有的是每个用户打开app都回传给渠道商,渠道商自己归因 有的如华为是从应用商店安装时, 应用商店把归因信息写入到 app, 然后首次安装启动时能从本地存储获取到归因数据 曝光归因 曝光归因由于有数据量极大、不会使用此项 点击归因(常用) 所谓点击归因, 就是点击广告之后首个转化, 基本都是用这种方式归因 归因模型 首次归因模型 多个归因源事件时，认为第一个归因源事件的功劳为100%。理由是第一个触点给用户建立了认知，与用户形成了连接。 平均归因模型 多个归因源事件时，认为每个归因源事件平均分配此次功劳。 时间衰减归因模型 加上了时间的影响因素，最后1次触达的贡献更高。 位置归因模型 多个归因源事件时，认为第一个归因源事件和最后一个归因源事件各占40%功劳，其余平分剩余的20%功劳。 如果是 deepLink 拉起, 最好加一个延迟 10s 的队列归因, 防止`app`请求先于渠道商监测链接请求 // 1.
1.8K21编辑于 2023-12-18 - 来自专栏素质云笔记
多渠道归因分析：python实现马尔可夫链归因（三）
本篇主要是python实现马尔科夫链归因，关联的文章： 多渠道归因分析（Attribution）：传统归因（一） 多渠道归因分析：互联网的归因江湖（二） 多渠道归因分析：python实现马尔可夫链归因（ 三） 多渠道归因分析（Attribution）：python实现Shapley Value（四） 多渠道归因分析（Attribution）：用attention-RNN来做归因建模（附代码demo）（五 所以马尔可夫链模型可以用来做归因分析。 这是一个多渠道归因模型问题。 Google Analytics（分析）的定义有助于：归因模型是一个或一组规则，用于确定如何将销售和转化功劳分配给转化路径中的接触点。 如今，Google Analytics（分析）提供了七个预定义的归因模型，甚至可以定制的自定义模型。
1.3K21编辑于 2021-12-07 - 来自专栏OneMoreThink的专栏
应急靶场(10)：【玄机】流量特征分析-蚁剑流量分析
一、木马的连接密码是多少 Wireshark打开流量包后，搜索http查看HTTP请求，发现6个访问1.php的请求。 选中第一个HTTP请求，追踪HTTP流。
1.7K10编辑于 2024-10-15 - 来自专栏素质云笔记
多渠道归因分析：互联网的归因江湖（二）
1）将其他广告流量的转化归到了Facebook的广告上：在Facebook 的流量或者联盟流量上曝光过的广告，但对在其他流量上转化的广告进行了归因，将广告的收益算到了Facebook的媒体上。 2）将应用自然流量上（organic）归因到了Facebook的广告上：广告在Facebook 的流量或者联盟流量上曝光过，但是没有转化，最终用户主动的在Google play或者APP Store 上进行了转化激活 的归因逻辑以及反作弊逻辑，这样可以提升你投放广告的流量效率。 由于当年在东南亚归因作弊异常猖獗（具体作弊手段可以参考我的另一篇文章《不懂归因，也许你广告还没入门》），很多联盟的流量通过虚拟点击抢归因，抢了这两个广告主很多的“自然量”。 为了能更好的了解自然流量的占比情况，统计归因作弊的流量，Amazon 和 Facebook lite 版本在一个时间段内，直接在某几个国际地区上停止全部的广告投放。 结果，两个产品的自然流量大幅上涨。
1.6K41编辑于 2021-12-07 - 来自专栏互联网数据官iCDO
分析小贴士：归因模型 101
今天，我们将列举一些常用的归因模型，并演示如何使用Googel Analytics 归因模型对比工具来为你的业务挑选最适合的模型。 归因模型应用示例 假设你的网站售卖烧烤架。 末次非直接点击归因模型忽视了直接流量，把转化功劳全归因于在完成销售之前的最后一次渠道点击。 在Grillmaster先生的例子中，如果使用末次非直接流量点击归因模型，社交网络就是这次购买的头号功臣。 末次广告点击归因模型把成功转化归功于最后一次广告点击或者付费搜索点击。 我们再来看更多模型： 与末次互动相似，首次互动归因模型把转化功劳全归因于首次触点——在Grillmaster先生的例子中，即为自然搜索。 线性归因模型在各个渠道之间平均分配成功转化分数。 在Grillmaster先生的例子中，自然搜索和直接来源将各自得到40%的成功交易转化分数，而邮件营销和社交媒体渠道将各自得到10%的分数。
1.5K60发布于 2018-03-02 - 来自专栏钱塘小甲子的博客
Brison归因与代码
不管是做FOF也好，仅仅想单纯归因也好，Brison是一种比较常见，也算是通用的归因方法，其一般用于权益类或者大类资产配置类基金。 其实Brison归因的逻辑很简单，假设有一个基准，基准在各类资产的配置上的权重分别是wbi（weight of benchmark of asset i），这些资产的收益率分别是rbi（return of benchmark of asset i），同样的，我们有一个需要归因的基金产品，也就是我们自己的组合，在各类资产上的权重是wpi（weight of portfolio of asset i），收益率分别是 所谓的Brison归因就是把一个组合的超额收益分解为资产配置的能力、个券选择的能力、以及交互收益。
90731发布于 2019-03-15 - 来自专栏互联网数据官iCDO
【分析方法】归因分析入门
让我们来看看每一个普及的模型，看看每一步骤的归因。这样我们就可以权衡利弊。 最后点击（Last-Click） ? 这归因模型功劳于转化前的最后一个通道，这就是我们以上举例的重定向广告。 这类归因模型允许你创建混合型最后单击和初次点击的模型，并给每个触达点相应的百分比。 优点：如果你的营销项目主旨是保持与用户的关系和认知，那么线性的归因就比较有用。比如说，如果你有一个品牌的广告项目，每一个媒介点在用户考虑阶段都同等重要，那么线性的归因能够帮助你您可视化这一进程。 缺点：时间衰减归因对最后转化有贡献，但是是初始的触达的渠道有打折扣，例如Facebook或者最初的搜索会话。 自定义（Custom ） ? 这就是“圣杯”归因模型！ 你需要对其他模型非常了解再来运用自定义归因模型 正如你所看到的，这里有很多归因模型，找到一个适合你的业务的模型途径需要测试并且优化。使用一些虚拟数据集来测试不同的广告项目和媒介渠道。
3.4K80发布于 2018-03-02 末次触达归因的挑战与突破：从“单点归因”到“全局视角”的进化
本文将深入探讨LTA的局限性，分析其归因陷阱，并提出突破路径，帮助广告主从“流量思维”跃迁至“价值思维”。 二、LTA的三大归因陷阱：为何“最后一击”无法定义全部价值？ 1. 多触点归因模型：平衡短期与长期价值 除MMM外，品牌还可结合其他多触点归因模型（如线性归因、时间衰减模型）优化策略： 线性归因：平均分配各触点的贡献值，适合强调全链路体验的品牌（如奢侈品）。 通过多触点归因，品牌发现LinkedIn广告对线索生成的贡献率为40%，并据此优化广告预算分配。 七、技术实现：构建多触点归因模型 1. 九、结语：从“流量思维”到“价值思维”的战略跃迁 末次触达归因的局限性，本质是“流量思维”的缩影——仅关注短期转化，忽视长期价值。而营销组合模型与多触点归因的融合，标志着品牌向“价值思维”的转型。 通过结合全局视角与微观洞察，品牌不仅能突破LTA的局限，还能在流量与价值之间找到平衡点，实现从“流量思维”到“价值思维”的战略跃迁。
65310编辑于 2025-05-28- 来自专栏Java研发军团
高并发大流量网站 10 个解决方法
阅读本文需要5分钟 1.硬件升级 普通的P4服务器一般最多能支持每天10万独立IP，如果访问量比这个还要大， 那么必须首先配置一台更高性能的专用服务器才能解决问题 ，否则怎么优化都不可能彻底解决性能问题 ，就是将动态数据存储到缓存文件中，动态网页直接调用 这些文件，而不必再访问数据库 9.禁止外部盗链 外部网站的图片或者文件盗链往往会带来大量的负载压力，因此应该严格限制外部对于自身的图片或者文件盗链 10 .控制大文件的下载 大文件的下载会占用很大的流量，并且对于非SCSI硬盘来说，大量文件下载会消耗 CPU，使得网站响应能力下降。
64540发布于 2019-06-05 - 来自专栏张俊红
利用ChatGPT快速进行指标的异常归因
指标的异常归因是数据分析师日常工作中遇到的最高频问题之一。 关于异常归因的核心问题其实就两个：一个是从哪些维度进行指标拆解，另一个是各个维度之间的贡献度分别是多少？ 我们在实际工作场景中就完全可以利用ChatGPT来提高日常归因的效率。
72310编辑于 2023-09-06 - 来自专栏MixLab科技+设计实验室
归因分析指南v1.0
基于此，就有了线上全域归因、线上局部归因。 线上局部归因，我们目前的技术手段所实现的基本都是指的是线上的局部归因，是忽略了我们所不能掌握的因素的一种归因分析手段。 通过分析每个归因模型，我们可以更好地了解每个营销渠道的投资回报率。不一定有“最佳”归因模型，但我们可以选择一种作为报告和分析的主要归因模型。 - 最终互动归因 ? 通过归因，您可以了解整个客户旅程中不同的互动如何影响转化。传统归因归因于特定事件和任意事件，而最佳归因则使用机器学习和高级统计模型来了解每次触摸的精确影响。 该工具将帮助卖家了解亚马逊产品流量从何而来，从而更好地调整自己的营销策略。 Measure度量，卖家可以通过Amazon Attribution对各个广告渠道进行分析，来了解广告渠道的有效性。 归因除了基于规则的实现，还有机器学习的实现方式，称为算法归因。 归因也可以从辛普森悖论里获得结论。
2.8K20发布于 2020-07-17 - 来自专栏GA小站
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。 、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 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/
11010编辑于 2026-03-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号