Skip to content

文档 搜索⌘``K开始使用数据分析Amplitude AI会话回放指南与调研实验管理 开发者 SDKs APIs合作伙伴常见问题分析 / 图表 / 数据表 / 将归因权重分配给多个获客触点

将归因权重分配给多个获客触点

本文帮助你:

  • 理解特定触点如何影响你的营销结果

用 Data Tables 一次分析多个指标 了解如何使用 Data Tables 进行多维度分析。 学习 Data Tables 当你无法清晰判定哪些营销活动促成了目标结果时,归因会变得困难。例如,某位用户先看过 Google 广告访问你的网站,再与 Facebook 帖子互动,最后观看 TikTok 视频。你可以用多种方式将访问网站的成果归因到一个或多个活动。将成功归因到多个属性值,通常称为多触点归因(multi-touch attribution),它能为营销计划提供更多上下文,并推动其后续方向。

限制

  • Starter 和 Plus 计划用户只能创建一个渠道视图

预置归因模型

Amplitude 提供常见的预置归因模型,你可以在指标上进行配置。

注意

First Touch 和 Last Touch 是仅有的两种预置模型,其所有归因分组的事件总数相加后,能与总体事件总数(Overall 行)一致。 例如,Last Touch 模型将 100% 的权重归给单一属性值——最后一个触点。因此,归因分组总和应等于 100%。但 Participation 模型会将 100% 的权重分配给多个属性值,归因分组总和会超过 100%。 同时,在统计唯一用户时,这些模型都不会让归因分组总和等于 Overall 行的计数。原因是每个唯一用户可能出现在多个归因分组中。归因作用于事件而非唯一用户,用户可能触发同时归属于渠道 X 与渠道 Y 的事件。在这种情况下,用户会同时出现在 X 和 Y 的行中,按行相加会产生潜在的重复计数。

  • First Touch:将所选指标的全部归因权重分配给所选回溯窗口内、指标发生日期之前的第一个属性值。如果使用 event totals 归因,总和为 100%。
  • Last Touch:将所选指标的全部归因权重分配给所选回溯窗口内、指标发生日期之前的最后一个属性值。如果使用 event totals 归因,总和为 100%。
  • Last non direct touch:将所选指标的全部归因权重分配给所选回溯窗口内、未被标记为 Direct 的最后一个属性值。该模型通过排除直接流量来反映常见营销归因逻辑。如果使用 event totals 归因,总和为 100%。
  • Linear:将所选指标的归因权重在回溯窗口内的所有属性值之间均分。例如,两种属性值各 50%,三种属性值各 33.3%。
  • Participation:将所选指标的全部归因权重分配给回溯窗口内的所有属性值。例如,两种属性值各 100%,三种属性值各 100%。总行可能不会等于总体值,因为同一事件的多个属性值都可能获得归因,分行总和会大于总体值。
  • U-Shaped:将所选指标的权重偏向第一个与最后一个属性值。触点为两个时,中间 20% 均分给首触与末触(50%、50%)。触点为四个时,中间两个触点均分 20%(40%、10%、10%、40%)。
  • J-Shaped:以偏向最近属性值的方式分配权重。触点为两个时,前 20% 均分给最后与中间触点(30%、70%)。触点为四个时,最后两个触点均分 20%(10%、10%、20%、60%)。
  • Inverse J-Shaped:以偏向更早属性值的方式分配权重。触点为两个时,最后 20% 均分给第一与中间触点(70%、30%)。触点为四个时,最后两个触点均分 20%(60%、20%、10%、10%)。
  • Data Driven:该模型使用基于一阶马尔可夫链的概率算法。每条客户旅程(这里指渠道或触点序列)会被表示为有向马尔可夫图中的一条链,每个节点代表一个可能状态(渠道或触点),边代表状态之间的转移概率。随后,Amplitude Analytics 会逐个移除节点,并估算移除节点对转化率的影响。每个渠道的归因权重与其移除影响成正比。通常建议将该模型用于唯一值不多的属性(50 个或更少效果最佳)。更多算法细节请见这里

关于 Data Driven 模型

* Data Driven 归因模型实时运行,计算可能比其他模型更耗时。
* Data Driven 模型不计 `null` 值。

配置归因模型

在数据表中,你可以按以下步骤为每个指标列配置归因模型:

  1. 在列上先点击 ,再点击 Attribution
  2. 选择归因模型并配置回溯窗口。你也可以选择将该归因模型应用到表中的所有列。
  3. 点击 Apply 确认变更,并查看应用该归因模型后的结果。

attribution_sidecontrols.gif

创建自定义归因模型

如果预置归因模型无法满足你的需求,你也可以创建自定义模型。创建自定义归因模型需要管理员或经理权限。请按以下步骤操作:

  1. 在列上点击 options,再点击 Attribution
  2. 在模型下拉框中选择 Custom,以显示自定义模型配置选项。
  3. 为模型设置名称和描述,方便他人理解。
  4. 为模型选择自定义权重。
    • 第一个权重应用于首触。
    • 最后一个权重应用于末触。
    • 中间权重平均分配给中间触点。若没有中间触点,则首触与末触各获得中间权重的一半。

注意

Amplitude 建议所有权重之和为 100%,但并非强制。 5. 设置模型的默认回溯窗口。你也可以锁定该窗口,确保他人只能使用该回溯窗口。 6. 决定是否将该自定义模型共享给组织内其他人。 7. 如有需要,可从归因中排除某些属性值。例如,你可能不想对特定值分配权重(如直接访问或邮件)。 8. 点击 Save 确认变更并保存模型(供自己和/或他人未来使用),同时查看应用该归因模型后的表格结果。

image1.png

使用场景

  • 获客渠道归因:在分析自然与付费投放成效时,可使用多触点归因模型评估各渠道对 KPI 结果的贡献。依据你的业务模型与用户行为,你可以分析哪种归因模型更合理,并据此做出投资决策。
  • 对比归因模型:在更长的转化周期与多次会话流程中,你可以对同一指标应用不同归因模型进行对比,以判断哪种模型更能反映营销投入效率,以及活动影响了用户购买周期的哪个阶段。例如,做广告归因时,你可以识别哪些活动更像是首次触达(认知)、最后触达(强意向)或介于二者之间(研究)。
  • 内容:使用归因不仅能看到内容被浏览的频次,还能看出这些内容如何参与推动业务 KPI 的达成。内容的低跳出率/退出率或较长的停留时长可能很有价值,但通过不同归因模型生成转化率,你能进一步明确其业务影响。
  • 内部活动:与站外付费投放类似,营销团队会投入时间与创意产出优惠与品牌内容以推动 KPI 结果。对这些营销工作进行归因,能帮助内容团队判断哪些优惠与创意更能驱动短期与长期业务价值。
  • 结合 LTV 的付费渠道:将归因模型与基于行为的 LTV 计算结合,可以更全面地理解某个付费渠道或活动带来的价值,从而发现可以加大投入的高价值渠道。

各指标支持的归因类型

每种指标类型支持的归因类型如下:

  • Uniques
    • first touch
    • last touch
    • last non direct touch
    • participation
    • markov
  • Conversion
    • first touch
    • last touch
    • last non direct touch
    • participation
  • Event totals
    • first touch
    • last touch
    • last non direct touch
    • participation
    • linear
    • j-shaped
    • inverse j-shaped
    • u-shaped
    • custom
    • markov
  • property sumrevenue total、以及 formula(子句:uniques、total、propsum)
    • first touch
    • last touch
    • last non direct touch
    • participation
    • linear
    • j-shaped
    • inverse j-shaped
    • u-shaped
    • custom 归因选项在 uniques 与 event totals 类型之间不同,因为唯一用户并不是一个容易在多个渠道或活动之间拆分的单位。只有能明确将完整用户分配给单一或多个渠道的归因方式才可用,例如 First、Last 或 Participation。

多属性归因

归因模型仅应用于最外层 group by 属性。内层 group by 属性不进行归因建模,而是从被归因的事件中继承其值。 在此示例中,归因模型仅应用于最外层 group by 属性 Channelutm_source 作为内层 group by 属性,其值来自被归因的事件,而不是单独进行归因。 如果你对结果如何组织或为何合计值与总体不一致仍有疑问,请查看Group-bys:Amplitude 如何裁剪并排序图表结果

归因示例计算

以下是一个简短示例,用于说明不同归因模型与回溯窗口的差异。

注意

在 Amplitude Analytics 中,归因查询的时间范围为 1 天。 假设某位用户在触发 Sign Up 事件前有三个触点,每个触点都有不同的 UTM 来源:

UTM 来源日期事件
Google2022-05-01Viewed Home Page
Facebook2022-05-07Viewed Blog Post
TikTok2022-05-10Viewed Promotion Page
2022-05-10Sign Up
以下是归因模型与回溯窗口的组合示例,以及各 UTM 来源对应的归因结果。
归因模型回溯窗口归因权重
---------
First Touch30 天Google: 100%
First Touch7 天Facebook: 100%
Last Touch7 天TikTok: 100%
Linear30 天Google: 33%
Facebook: 33%
TikTok: 33%在最近 30 天内的三次触点之间均分。
Linear7 天Facebook: 50%
TikTok: 50%在最近 7 天内的两次触点之间均分。
J-Shaped30 天Google: 20%
Facebook: 20%
TikTok: 60%在最近 30 天内,首触点 20%,中间触点 20%,末触点 60%。
J-Shaped7 天Facebook: 30%
TikTok: 70%没有中间触点,因此 20% 会在首触点与末触点之间分配。
自定义 5% - 20% - 75%30 天Google: 5%
Facebook: 20%
TikTok: 75%在最近 30 天内,首触点 5%,中间触点 20%,末触点 75%。

此页面对你有帮助吗? 需要帮助?联系支持 访问 Amplitude.com 看看 Amplitude 的博客Amplitude Academy 了解更多 服务条款 隐私声明 可接受使用政策 法律 © 2026 Amplitude, Inc. 保留所有权利。Amplitude 是 Amplitude, Inc. 的注册商标。

AIHub 产品文档

请输入访问密码