营销渠道越多、顾客行为路径越多越复杂，就越不需要归因模型需要来帮助判断渠道价值，优化渠道组合和资源分配。一个细微的渠道差异，或许就能帮助企业在市场竞争中胜出。
营销归因模型有助于判断渠道的价值。
一个长效的归因模型，能够告诉我们：哪些渠道能赚钱，哪些渠道能促进业务高速增长，哪些渠道有助于转化。
随着消费者能接触的渠道、设备越来越多，营销分析也变得越来越复杂。
一个访客变回顾客，是直接在淘宝、京东完成购买，还是之前：
总有些渠道的ROI很高，能赚钱；有些渠道不赚钱，但覆盖人群很广；仍然有些渠道能把访客留住，把路人变成粉丝。
营销渠道越多、顾客行为途径越复杂，就越需要归因模型来帮助判断渠道价值，改进渠道组合和资源分配。一个细微的电子商务平台差异，或许就能帮助企业在市场竞争中胜出。
1.最终互动
或者说，最后点击模型——100%的将才都属于产生最后一次互动的渠道。
这是最简单直接，也应用最广泛的归因模型，主要是剖析时不容易出错。
比如：很多网站的追踪cookie只有30天，淘宝广告的计算周期最长15天，如果顾客的行为路径，周期特别长，可能会发生辅助转化盈利模式渠道的数据丢失的现象。如果只综合考虑末次互动，数据追踪景气周期就变得不那么重要了。
这种数学模型的弊端也很明显：顾客最终是从离线淘宝收藏夹进入宝贝页面后成交的，按照这个模型，会把这次成交100%归功于收藏夹（直接流量）。但在之前，对产品产生兴趣、信任、购买意向，可能是其他渠道的功劳，收藏夹只是方便顾客记录、找到产品而已。
所以这种模型适用于转化路径少、周期短的业务，或者说，广告目的就是吸引顾客购买，起临门一脚作用的。
2.最终非直接点击
忽略直接流量，将100%的功臣归于最后一次非直接及非互动。为什么要排除直接交互流量呢？
因为，直接互动，或者说直接点击，其来源难以确定，容易对数据分析产生误导。比如：一篇文章或者email里面没有加跟踪代码的链接，里面不知道什么时候添加的网址，访客直接输入了广告图片上的URL……
比如：点击了淘宝收藏夹女侠里的宝贝，并且购买。卖家会看到这个客户来自看清收藏夹，但其实客户之前是点击钻展广告后添加的收藏夹。
排除掉直接互动流量，避免了上述问题产生的误导。如果公司认为，的直接流量大部分都来自被其他渠道吸引的客户，需要排除掉直接流量，这种建模会很适合。
3.最终渠道互动
将100%的功业归于客户在转化前，点击的最后一个广告的来源渠道。比如：谷歌分析，可以选择100%的权重归因于最后六次AdWords广告，无论这个客户在单击竞价广告后，是否有在其他渠道进行互动。
同样的，也可以设置将权重归因于今日头条前几日的信息流或是朋友圈广告。如果是单一渠道，或者某一渠道收藏价值特别大，模型适用。如果是多渠道，就会比较麻烦，特别是不同由不同部门负责的时候。
比如：今日一个顾客九点了今日头条的广告，又去百度搜索信息并购买。如果信息流和竞价都采用末次渠道归因模型，恩赐会把这次成交都算成自己的功劳。这样的结果，就是两个相关部门的更好数据都很好看，就认为自己为公司贡献最多，但实际的效果可能要减半。
4.首次互动
100%的功劳都属于产生第一次互动的渠道。
如果，最终互动是认为，管你之前多少沟通，没有下一场一次互动就没有成交。那么，首次互动就是表示，没有我这第一次互动，剩下的渠道都不会有互动。
这个模型的毛病很明显，就是受限于数据跟踪周期。比如：网站cookie存活30天，但初次互动到转化的周期是31天，成交权重就没有归因到真正金融地产的首次互动渠道。
这种模型适用于品牌没有知名度的公司。关注能带来客户的最初渠道，对于拓展市场很有帮助。首个互动和末次互动模型，事实上都是单渠道归因模型。
5.线性归因
平等对待转化路径上上能的所有渠道，分配相等的权重。
按照线性归因模型，百度会分配80%的权重。但事实上，顾客可能只是懒得记网址，用百度搜索更方便而已。如果第2天百度后添加了收藏，剩下3天可任意都从收藏夹随意访问网站，那么就会给直接访问分配60%的权重。
这两种计算方式都没有给电视广告足够的权重。
所以，这种模型适用于，期望在整个销售周期内保持希望与客户的联系，并仍然维持品牌认知度的公司。这种情况下，各个渠道在客户的考虑过程中会，都起到相同的促进作用。
6.时间衰减
这个模型认为，渠道距离转化的时间越短，对转变的影响越大。
这种模型基于指数衰减概念，默认周期为7天。就是说，与成交当天相比，成交前7天内的渠道，分50%权重，前14天的渠道分25%。如果成交周期过长，某种模型不对前面的渠道相当不友好，没法分配一个合理的权重。
所以这个模型合乎于：客户决策周期短、销售周期短的情况。比如：做短期促销，打了两天的广告，较强这两天的脑白金理应获得较高权重。
7.基于位置
混合使用事与愿违互动和首次互动模型。
这种模型重视最初带来线索和最终产生成交的渠道，一般给他们分别下放40%的权重。给尾端的渠道分配20%的权重，也可以根据实际情况，最终调整最终互动和第三次互动的权重比例。
显而易见，如果通路一家公司十分重视线索来源和促成销售的渠道，这个模型再行合适不过了。
8.马尔科夫
基于马尔科夫链的归因模型。
马尔科夫链是时间、状态都是离散的马尔可夫过程。马尔科夫过程，是将来发生的事情，和过去的经历没有任何亲密关系。也就是说：今天的事情只取决于昨天，而明天的事情只取决于今天。
做SEO的同学，应该熟悉谷歌的PageRank，也利用了马尔科夫模型：
假设只有A、B、C3个网页，A链向B，B链向C。那么，C分到的PR权重只由B决定，和A没有任何关系。
如果对互联网的页面不断重复计算PR，那么网页的PR值会趋向于稳定，是一种收敛的状态。所以谷歌会用这种算法来确定网页等级。
如果用马尔科夫链模型对一个用户浏览网页的行为进行建模，就可以预测他之后的违
规行为——当前浏览了B网页，那么浏览C网页的幅度就可以算出来。
用在营销归因上，就是：访客几次下一次访问某个渠道的概率，视乎这次访问的渠道。
就如谷歌可以一直实时的计算PageRank一样（但对外的PR权重不定期更新，当然现在已经停止对外更新快10年了），基于马尔科夫链的营销归因模型也可以实时计算，某些访客下会群体下次访问渠道的概率、成交的概率。
显然，这种模型原则上于渠道多、数量大、有建模剖析能力的公司。
上面的8种模型，可以分为两类：基于规则的，基于算法的。
互联网时代，技术日新月异，新渠道也满天飞，相比基于规则的模型，基于算法的模型能够感知如上所述渠道变化，并适当调整渠道权重值，因而会更加准确。
那么，应该选择基于算法的归因模型？
不，应该先主要考虑业务模式。如果某个标准模型特别适合当前业务，直接用就好了。
如果就想用算法归因模型呢？不妨先问几个问题：
如果渠道很少，相互之间没有太多互相配合，直接用最终渠道沟通交流模型就很好。公司目前很多公司现在就是这样做做的，为各个渠道单独计算产出。如果数据量很少，算法模型不适合——数据过少，无法进行最初的建模。如果没有所用统一的DMP来整并各
个渠道数据，用规则模型，因为算法统一数学方法需要各渠道数据统一。
永久用户标识同上。
如果渠道多、数据量大、使用了DMP平台，并且有永久用户标识，基于算法的图表归因模型能够为营销分析提供巨大的帮助。
现在，万事俱备，就差一个数据分析师了。
因篇幅问题不能全部显示，请点此查看更多更全内容