免费服务开始收费，是更商务化还是在割韭菜？

网商动力

跨境电商，致力于提供一手资讯、干货知识。

2021-12-13 08:16:59

今天谈谈数据方面的问题，我先瞎编个栗子，不要考究我细节哈。

大家看看哪个操作带来了转化？

案例分析

小明搬新家后想买一款投影仪，11月21日，他在手机端的Google搜索了“Home Projector”，查看了2021年最佳投影仪排行榜（附带产品链接），看到了2款不错的投影仪Epson和BenQ。他分别在PC端搜索了这两款投影仪，并分别通过Search广告和Shopping广告进入官网查看。

11月22日白天，他在Meta APP搜索了Epson和BenQ的主页，并进入Group了解到了更多的真实信息反馈，从Meta进入了官网。晚上，他又在TikTok APP刷到了一些KOL的测评和官网的直播，详细了解了两款品牌的功能和投影效果，进入官网查看了几款热卖的型号。

11月23日通过雅虎搜索并直接进入了官网找了2款不错的型号，在Reddit调研发现这2款投影仪评价都还不错，所以他打算在Black Friday入手。

11月24日，他在刷Meta信息的时候，看到并点击了Epson Home Cinema 5050UB的Black Friday的折扣广告。

11月26日，在Black Friday当天，他直接进入https://epson.com/官网，领取了首页的coupon，由于发现其中一款的折扣力度更大更实惠，便购买了一台新款投影仪。

是不是觉得我编的小明有严重纠结症？

其实，现实中比小明更纠结的大有人在。

小明在买投影仪的过程中，会与多个广告、KOL、测评网站等产生互动，每一个互动对最终的决策都产生了或多或少的影响。如果我们可以跟踪到每一个消费者的动作，并连结成一条路径，知道每个互动带来的回报收益和成本，就可以得到投资回报率，从而了解到该如何规划渠道的优先级和比重。

而归因模型，就是这样一个工具，它可以帮我们为每次互动分配转化功劳。通过归因模型，可以帮我们了解广告的表现效果、KOL的影响力。

我先介绍下目前市面上主要的几种归因模型，在每一个归因模型下，转化功劳都有可能不同。

首次点击 |....

将转化功劳100%归功于消费者的首次点击的那个广告。

>>>适合品牌推广初期，可以了解品牌在哪个渠道转化率更高

在例子中，小明首次点击Epson的广告是通过PC端的Google搜索广告。虽然最开始看到的种草文章里面有Referral链接，但小明仅浏览了文章并未点击。所以，转化的功劳全部会被归到Search广告的Epson关键词。

这个模型的逻辑是系统认为只有通过第一次点击，消费者才认知到这款产品，而后续消费者接触这款产品都是从这个“因”出发，导致的“果”。如果没有第一次看到这个产品，后续也不会产生主动查询或者被动品牌触达，也不会产生购买。而在这种理论下，往往第一次接触的都是偏顶端或品牌性质的广告，因为品牌广告的接触面积更为广阔。

当然这种模型也有自身的缺陷，比如当归因的时间窗口为7日时，我们在11月1日看到并浏览过一款生日蛋糕，产生了购买的想法，11月3日又搜索了这个蛋糕品牌，并最终在11月9日购买了蛋糕。首次点击实际是11月1日，但最终会归因到11月3日。对于归因链路比较长的转化，归因的数据也会失真。

最终点击 ....|

将转化功劳100%归功于消费者的最后一次点击的那个广告。

>>>适合品牌推广中后期

在例子中，小明最终点击Epson的广告是Meta的Black Friday的折扣广告，然后黑五当日直接进入官网进行了购买。根据GA的最终非直接点击，转化功劳会被归因到Meta，从而排除大量direct流量的“误导”。而在Shopify转化功劳会被归因到Direct，是不是很有趣？

对于最终点击模型，归因窗口的影响很小。但对于初期品牌，上层漏斗往往会被忽视，很多会因此找不到最初客户的来源，不利于前期的拓展。

线性 .....

将转化功劳平均分配给转化路径上的所有广告互动。

>>>适合保守型客户

在例子中，小明在买投影仪的过程中点击了4次广告和渠道。假设转化次数为“1”，转化功劳就会被N等分。每个接触点的转化功劳都为1/5。

在这种情况下，转化的计算非常简单。但弊端就是转化功劳比较分散，无法将重要渠道单拎出来。在实际应用中，也比较少采用。

根据位置 :...:

第一次点击和最后一次点击分别拥有40%的转化功劳，剩下的20%会被平均分配给其他点击事件。

>>>适合想获得客户来源和最终促成结果的客户

在例子中，小明的第一次点击（Google Search）和最后一次点击（Meta Ads）分别有40%的功劳，另外3个渠道均分20%，即Meta Social为6.67%，TikTok为6.67%，Yahoo organic search为6.67%。

按渠道计算，Meta占有46.7%，功劳最大。在这种情况下，首次和末次都得到了重视。

时间衰减 .:|

点击行为越接近转化发生时间，分配的功劳越多。每往前推7天，所分配的功劳就变成会乘以1/2。比如，转化发生 8 天前的点击所获功劳是转化发生 1 天前的点击所获功劳的1/2。

根据这个模型，时间越靠近转化发生的时间分配到的功劳越多。该模型的理论依据是越靠近决策行为的互动带来的印象越深，促进购买的行为影响也越大。

但这种模型下，往往会忽视首次渠道的重要性。对于前期想要开拓用户渠道的品牌，并不太合适。

以数据为依据

以每个接触点不同的历史数据来计算得到转化功劳，利用帐号数据真实计算每次点击互动的实际功劳。

>>>适合规模大、客户来源面广的客户

上面5种都是以规则为依据的归因模型，而最后这种是以数据为依据的。我们先来看下官方的定义：

归因工具使用机器学习算法来评估转化路径和非转化路径。由此形成的以数据为依据的归因模型可以学习不同接触点对转化效果的影响。此模型会将转化时间、设备类型、广告互动次数、看到广告的顺序以及广告素材资源类型等因素纳入考量范围。此模型使用逆向分析方法，将已发生的情况与“有可能发生的情况”进行对比，从而确定哪些接触点最有可能促成转化。此模型会根据这种可能性将转化功劳归因于相应接触点。

是不是感觉很高级，但又听不太明白。没关系，我第一次看也没看懂。简单举个例子：小明买投影仪，他第一次接触到Epsonc产品是Google，第二次是Meta，第三次是在TikTok，第四次是Yahoo，最后一次是Meta，然后是Direct。即实际的完整转化路径是：#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo>>>#5Meta>>>#6Direct

假设#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo，转化的可能性是5%。#1Google>>>#2Meta>>>#3TikTok，转化的可能性是4%。那么Yahoo在转化中的转化可能性提升是多少？即（5%-4%）/4%=25%，说明Yahoo+25%的转化可能性。同理，我们可以推出每一个接触点的实际帮助。

转化丢失

之前经常会有刚做投放的朋友问我，“为什么Meta里面有10单，到Shopify后台只有7单？”或者“好开心呀，Meta里面终于出单了，但Shopify后台怎么没有看到？”

看完归因模型，是不是就明白了呢。因为对于1单成交的订单，可能Meta和Google都触达了一次，如果他们采用了不同的归因模型，很有可能会都记录1单，也就是我们常说的转化丢失。所以，GA就是很好的一个工具，帮我们把所有数据都汇总排重，反馈真实的渠道表现。