多因素回归分析举例_多因素回归分析结果解读[通俗易懂]

在电商分析中很常遇到的一个场景就是多因素归因。
网站会通过广告或者营销在多个渠道或多种场景多次触达用户，最终促成用户的转化。
业务方想知道哪个渠道或场景的触达对用户的转化起决定性的作用，其实各个渠道对用户某次转化的影响是很难量化，这可能是一个综合的效果，但是作为分析师又不得不面对业务方需要量化的需求。

举两个常见的业务案例：
案例1：小明同学在手机上看到朋友圈广告发布了最新苹果手机，午休的时候刷抖音看到了有网红在测评最新的苹果手机，在下班的时候又看到朋友在朋友圈晒图,最后在京东购买了苹果手机。
案例2：小白想在淘宝上买一双篮球鞋，通过首页搜索看到了AJ，进去看觉得款式和颜色都很喜欢，但觉得太贵了，没有买；51期间小白再次打开淘宝，看到首页有优惠活动，点击进入活动分会场，看到AJ，但囊中羞涩，退回了首页；在首页的猜你喜欢又看到了AJ，点击进去看了一下评论和卖家秀，终于忍不住买了。
以上两个案例，用户在站外和站内都被多次触达，那么哪次触达对用户的转化起到了关键性的作用？

当一个用户在不同的渠道被反复触达，最终转化，那么这个用户应该归为哪个渠道带来的？
通常可以用归因模型来进行渠道贡献度的归因计算。

归因模型：
是一种或一组规则，将转化功劳分配给转化路径中的触点，从而为广告主衡量营销活动的效果和投入回报。常见的归因方式有基于规则和基于算法的模型，前者有最后互动、首次互动、线性、时间衰减等，后者有shapley归因等。根据参与归因触点数的多少，可以分为单触点归因、多触点归因。分析者根据分析目的、营销方式，可以选择不同的归因模型。由归因模型和归因周期共同完成归因过程。
以下常见的几种模型：

1.末次归因模型，也叫last click模型
把贡献100%归给最后的一个渠道，不管之前的渠道发生了什么
优点：①简单、直接，不容易出错
②大部分追踪的cookie存活期只有30~90天，对于顾客的行为路径、周期比较长的场景，在做归因分析的时候可能就会发生数据的丢失，而末次互动模型不存在这个问题
缺点：忽略了其他渠道的贡献，放大最后一个渠道作用
适用场景：短期投放，转化路径少，周期短的业务需要快速提升效果，模型能比较好了解到底是哪个渠道对于最终的转化有较好的促进作用

2.首次归因模型
把贡献100%分配给第一个触达的渠道，即不管用户发生了什么行为，只关注第一次。
模型更加强调的是驱动用户认知、位于转化漏斗最顶端的渠道，能让你明确潜在消费者是怎么样找到你。
优点：不需要大量数据
缺点：①受限于用户跟踪周期，对于用户路径长、周期长的用户行为可能无法采集真正的首次行为
②初次点击归因并不能解释所有后续发生的用户行为，对于后续的用户行为没有关注
适用场景：一般是进行拉新的时候，这时候更多的是把用户先圈过来，首次归因模型可以看出哪些渠道对于业务拉新最有效，对于没什么品牌知名度，且重点在渠道优化拓展的公司比较适用

3.线性归因模型
多触点归因模型，把功劳平均分配给每个不同阶段的渠道，不用考虑不同渠道的价值权重
优点：计算简单
缺点：线性平均划分的方法不适应于某些价值特别突出的业务，对于价值比较高的渠道会被平均
适用场景：企业期望在整个销售周期内保持与客户的联系，并维持品牌认知度的公司

4.时间衰减归因模型
多触点归因模型，对于路径上的渠道，距离转化的时间越短的渠道，可以获得越高的权重
时间衰减归因模型基于一种假设，他认为触点越接近转化，对转化的影响力越高，这种模型基于一个指数衰减的概念，一般默认周期是7天
优点：不同的渠道得到了不同的权重分配，是相对较合理的
缺点：如果有的渠道天然就处于转化链路的起点，那对这些渠道是不公平的，会永远得不到一个公平的权重
适用场景：用于客户决策周期短、销售周期短、引导用户完成转化的场景情况

5.位置归因模型 ，也叫U型模型
多出点归因模型，综合了首次归因、末次归因、线性归因，将第一次和最后一次各贡献40%，中间的所有触点平均剩下的20%贡献
优点：重视最初带来线索和最终促成成交渠道的模型
缺点：是不会考虑线索转化之后的触点的营销效果

6.自定义模型
根据自己对于业务的理解，创建你自己的模型，让其更具有业务性和目的性，并可将其来和其他默认模型做对比
优点：可以使用线性归因、首次归因、末次归因、时间衰减归因，以及位置模型归因作为基准线，多次测试，调整权重

data-driven归因模型
会应用到合作博弈理论”Shapley值”，基于shapley的归因方法会计算渠道C在S(表示所有渠道）的所有可能子组合中的边际贡献，以及该渠道C与该组合选择合作的概率，通过累加所有的边际贡献*概率，得到一个算术平均贡献，该贡献即为shapley值，用于表示该渠道C在S组合中的的最终贡献。在实际结算中，模型会比较渠道的所有的组合方式，考虑每个渠道的投放顺序，为不同的投放顺序分配不同的贡献功劳（V©），最终累计所有投放顺序的贡献功劳即为最终贡献。

可以发现视频广告C渠道在线性分摊中是被高估的。结合联合投放转化表可以看出，C渠道的独立贡献低，其组合贡献价值也偏低，在组合中的边际贡献较低，最终分配的转化贡献较低；而线性分摊一视同仁的方式是高估了C的贡献。
Shapley值是解决的就是合作共赢后的利润分配问题，它用数学公式阐述了经济学上的怎样分配才是公平。以下是shapley的经济学原理：

归因周期
归因周期指的的是用户在被触点触达后，需要追溯转化行为的时间，可以是天数、小时或分钟。举例来说，如果归因周期设定的为7天，则说明该场景下，某触点触达后，该用户在7天内所发生的转化都会归功于该触点。

应用案例
转化耗时分析
分析用途：

1. 了解消费决策周期

2. 评估合理的归因周期

3. 再营销节点判断

广告触达消费者到最终转化，存在一定的时间间隔。若本次广告投放目的是促进直接成交，则转化耗时较短。若本次投放是为了提升品牌知名度，或者是一些耐用品的广告，则转化耗时会较长。转化耗时报告提供了目标受众从首次触达或最后触达到转化所经历的时间（通常是以天为单位），反映广告促成转化的速度和效果分布。广告主可以用此评估合理的归因周期，归因周期过短，则大量转化收益没有被统计，导致投入回报低估，归因周期过长则拖延了判断投入回报的时长，影响进一步决策优化的效率。转化耗时报告同时可以帮助广告主了解在何时可以对未转化的用户再营销，加快转化速度。分析平台提供了最长90天的归因周期选择，在此范围内，分析者还可以做1、7、15、30天的切换分析。

分析方法：
指定转化类型、涉及的渠道、按归因模型是首次或末次触达开始计算后，耗时报告会按照发生转化所需的天数从小到大排序，并给出每个转化日期的转化次数、转化价值及对应占总数的比例，通过条形图直观看出比例分布形态。

按天的转化贡献可以选择分布按累计或不累计。通过累计条形图可以看出指定天数内能完成多少的转化，达到累计90%转化（或者其他指定比例）的耗时越小，说明转化速度越快，所需的归因周期越短，考虑再营销的节奏越快。

平均转化时长给归因周期做出参考，至少归因周期需要大于平均转化时长。

通过历史转化耗时的了解，可以评价本次营销活动是否符合预期。您还可以按不同渠道看转化耗时，评价不同渠道的转化速度。也可以对比不同的目标受众，评价哪些受众对于购买更加迫不及待。

使用举例：
如上图，通过某营销活动的转化耗时平均为2.7天，有57.5%的转化量在1天内完成，91.4%转化量在7天内完成。则归因周期的选择就至少为3天以上，建议选7天。若您需要对未转化的用户进行再营销，则第3天可以开始操作了。

归因对比分析
分析目的：

1.在符合营销目的的模型下直接评价渠道的投入产出是否符合预期；
2.通过与最后归因模型对比，分析渠道价值是否被低估，调整预算或投放方式。
通常在明确的营销目的下，广告主可以直接选择合适的归因模型，评价渠道的投入产出是否符合预期。比如在大促销场景下，营销目的为直接销售，适合最终互动模型，当目的是在目标群体中提升品牌知名度，则可以使用首次互动模型；当目的是期望维持客户关系、保持互动，则可以使用线性模型，或者其他多渠道归因模型按重要性每个触点分配不同的权重。
往往实际营销活动品牌和效果兼顾，在复杂的营销策略下，多个渠道投放共同影响消费者，无法直接判断使用哪种归因模型。因此广告主可以通过选择其他归因模型与最后互动归因模型对比，分析渠道价值是否被低估。

分析方法：
进行归因对比，需要确定以下信息：

确定好以上信息后，进行模型对比。通过对比模型与最后互动模型在转化次数（价值）上的变化，评价哪些渠道会被最后互动模型低估。若比较后，变动百分比为正，则说明该渠道由于承担了一定的辅助转化，使用最后模型将会低估此渠道的价值。
营销活动有品牌渠道时，则需要特别关注品牌渠道是否被合理评估了。尝试多种多渠道模型与最后互动模型对比，参考营销计划，评价各渠道的定位与价值评估是否匹配，选择一种合适的归因模型，进入投入回报分析。需要注意的是，归因模型不是预测模型，是描述模型，没有所谓正确的参照标准。
使用举例：
某护肤品公司推出新品眼霜，在3月进行第一波多渠道新品营销活动，通过展示广告大规模曝光、社交网络KOL推荐，信息流推荐、付费搜索关键词对消费者进行触达。活动结束后，需要衡量不同渠道的营销效果，为第二波投放进行策略参考。
在30天归因周期下，对比首次互动、线性和最后互动模型，发现使用最终互动模型会低估作为品牌广告的展示广告渠道价值，结合营销计划，认为采用线性归因的方式更合适。