做运营的人都明白：用户数据就是公司的"体温计"！当你看到曲线一路向下，背后大概率是这几件事在作怪——拉新越来越费劲，甚至开始倒贴；打开 App 的人一天比一天少；好不容易拉来的用户，跑起来比兔子还快。

     但我们必须意识到： “数据在掉” 只是表象，真正的挑战在于： 为什么在掉？从哪里开始掉？谁在掉？ 这就需要我们进行一场结构化的用户数据归因分析。这篇文章从是什么→怎么办→实战应用→避坑指南，一步步拆解，保证看完能懂、能算、能落地分析。

一、归因分析是什么？

想象你追到了一个心仪的对象，别人问你："谁帮的忙？"你说："小红介绍的，小明出的主意，小刚借的车，小李帮忙订的餐厅……最后是我表的白。"

归因分析就是回答：这桩婚事，小红、小明、小刚、小李、你自己，各占多少功劳？

归因分析是指在一件事情发生之后，分析哪些因素导致它的发生，并确定各种因素对最终结果的贡献程度，以便做出相应的优化和改进。

以广告投放为例，我们来具体说下归因分析具体想要解决的是设么问题。

广告投放的效果评估常常让人头疼：

• 到底是哪些营销渠道促成了销售？

• 各个渠道的贡献率又是如何分配的？

• 用户的消费路径是怎样的，背后隐藏着哪些行为模式？

• 该如何利用归因分析的结果，选择那些转化率更高的渠道组合？

归因分析（Attribution Analysis）正是为了解决这些难题而生，它帮助我们合理分配广告效果的“功劳”。不过，真相是，这些问题并没有统一的标准答案，因为业务往往错综复杂，精准分配贡献变得相当困难。

然而，归因分析的需求却十分迫切，时效性要求也很高，因此我们需要一些方法论来快速尝试、快速定位问题。

二、归因分析常见模型

常见的归因分析模型有 5 种：末次交互模型、首次交互模型、平均分配模型、时间衰减模型、自定义模型。

三、归因分析如何计算？

我们以较为简单的“平均分配模型”给大家展示具体的计算方式，只要理解这里的例子，其他的归因方式大同小异：

假设这是某用户在某电商app内的行为，对应数字是商品id，例如支付订单1，就是支付购买了商品1，浏览商详1就是浏览了商品1的商详页），我们想要知道：

Step 2：

在找到两笔订单对应的前向影响因素后，我们根据线性归因“平均分配”的原则对各因素打分：

（1）商品1订单：

 （2）商品2订单：

Step 3：

对上述得分进行加和得到：

Step 4：

上述四个因素的得分占比，就是他们对这两笔订单的转化贡献：

总的来说，在这个场景中，点击广告位对于最终两笔订单支付转化的贡献度最大，占比达到50%。

• 促成该用户支付这两笔订单的因素是什么？

• 具体贡献有多少？

  Step 1：

  假设这边设定可能影响用户支付转化决策的因素有：搜索、点击推荐位、点击广告位、点击banner位。

  我们从商品1的这笔订单往前追溯这些决策因素分别是：点击banner位A，点击推荐位A，点击广告B。然后到商品2 的订单，我们这边先定义一个向前追溯的“窗口期”为1天，也就是说从支付商品2的订单往前推1天内的行为才会纳入商品2订单的前向归因因素（图中的黑色竖线就是1天追溯期的界限）。

  这样设置的原因是用户行为序列上过早的行为可能是很久之前的，对最终的转化其实没有什么作用。

  我们从商品2的这笔订单往前追溯这些决策因素分别是：

• 点击广告位B

• 点击广告位C

• 搜索商品2

• 点击banner位A = 0.33

• 点击推荐位A = 0.33

• 点击广告位B = 0.33

• 点击广告位B = 0.33

• 点击广告位C = 0.33

• 搜索商品2 = 0.33

• 点击推荐位 = 0.33

• 点击广告位 = 0.33 + 0.33 + 0.33 = 1

• 点击banner位 = 0.33

• 搜索商品 = 0.33

• 总计 = 0.33 + 1 + 0.33 + 0.33 = 2

• 点击推荐位 = 0.33 / 2 = 16.67%

• 点击广告位 = 1 / 2 = 50%

• 点击banner位 = 0.33 / 2 = 16.67%

• 搜索商品 = 0.33 / 2 = 16.67%

四、需要注意的避坑事项

不同行业的业务逻辑不同，分析和优化周转率的重点也不同。归因分析重点需要注意以下问题：

（一）数据质量

归因分析依赖于高质量的数据，数据缺失或错误会导致不准确的结论。在进行归因分析时，需检查数据是否存在缺失、错误、异常值等问题，必要时进行数据清洗和预处理，以保证分析结果的可靠性。

（二）多重归因问题

一个结果可能受到多个因素的影响，识别这些因素的独立贡献度可能较为复杂。在进行归因分析时，要避免归因错误，不能以偏概全。

基本归因错误：避免将他人行为或结果过度归因于个人特质（如性格、能力），而忽视环境因素的影响。

（三）外部因素

外部环境（如市场变化、政策调整、竞争对手行为等）可能对结果产生影响，需在分析中纳入这些外部因素，避免忽略其作用。

（四）模型选择

选择合适的归因模型至关重要，不同模型可能会得出截然不同的结论。不同归因模型适用于不同场景（如线性归因、时间衰减归因、首次/末次归因等）。

需根据分析目标、数据特点和业务需求，选择最合适的模型，并理解模型的假设和局限性。

要想做好归因分析，只会套公式或者围着数字转远远不够！CDA 数据分析师认证，深耕电商、零售、制造业经营分析，教你拆解库存指标、定位滞销问题、制定优化方案。从理论到实战，练就专业数据分析能力，汇报有逻辑、决策有依据，职场晋升一路绿灯，在CDA认证小程序，开始学习。

• 自我服务偏差：在分析自身或团队结果时，避免将成功归因于自身努力，而将失败归因于外部因素。

• 确认偏误：避免只寻找支持自己假设的证据，而忽略相反的证据。