线性归因模型会将功劳平均分配给所有接触点。在上面的例子中， 16.67% 的归因功劳。如果您没有预算或数据来确定更准确的权重，但又不能满足于单触模型的限制，伊朗电报数据 那么此模型是合适的。如果您是一家拥有充足资源的老牌公司，请投资进行更准确的测定。
基于位置的归因
基于位置的归因（也称为 U 型归因）赋予首次和最后一次互动更大的权重。不过，它也会为中间的接触点分配一些权重。
最常见的模型是将 40% 分配给第一个接触点和最后一个接触点，其余 20% 均匀分布在其余接触点。
在上面的例子中，信用分配如下：
- YouTube广告 – 40%
- 登陆页面– 5%
- 有机含量 – 5%
- LinkedIn广告 – 5%
- 电子书 – 5%
- 电子邮件培育活动 – 40%
如果您的销售周期较长，且购买决策涉及多个接触点（例如 B2B 采购），那么基于位置的归因将非常有用。对于较长的购买周期，务必对每次促成对话的互动给予至少一定程度的认可。
时间衰减归因
时间衰减归因模型根据自互动以来经过的时间来分配信用。
最后的接触点总是获得最多的赞誉，而第一个接触点获得的赞誉最少。
在我们的 Asana 示例中，信用分配可能如下所示：
- YouTube广告 – 5%
- 登陆页面– 7.5%
- 有机含量 – 12.5%
- LinkedIn广告 – 20%
- 电子书 – 25%
- 电子邮件培育活动 – 30%
当关系建立是一个关键因素时，时间衰减模型很有用，电子邮件客户旅程：如何规划、自动化和优化您的 例如在企业销售中，因为初始互动对于转化来说往往不太重要。
但是，如果品牌建设和知名度渠道对您的业务目标至关重要，请使用基于位置的模型。
营销归因的挑战和局限性
虽然归因模型能帮助营销人员对客户行为有一个基本的了解，但它们并不完善，也不够完整。它们只能捕捉需求，而无法创造需求。
大多数传统模型都存在缺陷，因为它们基于猜测或完全忽略了暗漏斗活动。
复杂的归因模型优于基本的归因模型，但在选择方向之前请记住这些局限性。
归因模型的选择很大程度上是任意的
选择归因模型很大程度上基于直觉，而不是硬数据。
例如，如果将最多的功劳分配给第一个和最后一个接触点似乎是合理的，那么您可以选择基于位置的归因模型。
但为什么每个人都应该得到40%呢？为什么不是第一次互动得30%，最后一次互动得50%，或者反过来呢？功劳的分配是基于直觉，而不是硬数据。
理想的解决方案是使用Impact.com或Google Analytics 360等平台实施数据驱动或算法归因模型。
这些建模工具运用先进的统计计算和机器学习技术，了解转化客户和未转化客户之间的差异。然后，解读这些互动模式，以确定如何在各个接触点有效地进行信用归因。
不幸的是，这些产品对于一些企业来说太贵了（Google Analytics 360 会员费起价为每年 150,000 美元）。
如果无法达到这一级别的归因模型，最好的方法是：
- 选择最适合您策略的标准归因模型
- 随着您进一步了解哪些有效、哪些无效，对其进行优化和定制
- 在使用洞察为营销决策提供信息时，了解非算法归因的局限性
大多数归因模型没有考虑非数字接触点
上面讨论的所有归因模型都迎合数字接触点，但购买旅程并非纯粹是数字化的。
在服装等零售行业尤其如此，除了标准的线上和线下购买方式外，还出现了两种不同的购买模式：
- ROPO（线上调研，线下购买）。买家会在网上完成大部分购买流程，然后在实体店完成购买。
- 展厅购物。买家在实体店查看产品，然后在网上购买。
无论哪种情况，全数字归因模型都不能考虑到所有的接触点。
找到一个完整的解决方案来应对这一挑战并非易事。其中一种策略是利用会员卡将线下购物与数字档案连接起来。
Yotpo和Stampme等平台允许品牌整合忠诚度计划，以便他们能够有效地追踪线下接触点。
另一种策略是故意引导顾客到线下，比如家具和装饰品生产商VOX。
他们的 VOXBOX 应用程序允许客户在线设计虚拟家具布局。然后，他们建议买家预约到实体店进行面对面咨询。
这使得 VOX 能够控制购买旅程从线上到线下的转变，埃克萊拉納賈 从而允许他们将线下接触点整合到他们的归因模型中。
如果适合您的品牌和行业，请考虑实施以下策略之一来追踪线下互动。否则，请记住，仅基于数字的归因模型可能无法全面反映情况。
对市场上已有的客户进行会计核算是一项挑战
营销归因模型常常会导致基于相关性的偏差，即假设客户旅程中的事件（例如转化）是由其他事件（例如最终接触点）引起的。但实际上，情况可能并非如此。
具体来说，营销人员可能会错误地将转化归因分配给市场上打算购买该产品的客户。
考虑一下Shopify的这个有针对性的 Facebook 广告。
假设 Shopify 设置此广告是为了定位与 Facebook 上特定电子商务相关页面互动的受众。
受众会浏览这些页面，并经常讨论市面上最好的工具。他们很有可能在广告弹出之前就已经认定 Shopify 是正确的选择。
那么当他们看到并点击它时，它是否负责转换？
通过开展售后调查来解释市场偏见。不要只问“您是如何知道我们的？”，而要问“是什么促使您决定购买我们的产品？”
为了获得更多定性数据，可以提出这样的问题：“在注册 Shopify 之前，您点击过这则 Facebook 广告。这则广告对您的购买有多大影响？” 请客户按 1-5 分制评分。这有助于您更好地了解您的广告是真正影响了转化，还是仅仅阻碍了即将发生的购买。
使用自定义归因模型进行高级归因
以上模型是基础归因模型——Google Analytics（谷歌分析）中提供的基于启发式且开箱即用的简单模型。它们都能提供答案，但顶级营销人员会质疑它们的准确性。
您还可以在 Google Analytics 中开箱即用的基于规则的模型之上构建自定义模型。
您还可以在 Google Analytics 中开箱即用的基于规则的模型之上构建自定义模型。
然而，即使是定制模型也有可能倾向于偏见和假设，这些偏见和假设是任意的，并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。并且基于客户旅程的细微差别。
我们还看到了一些关于在 Google Analytics 中应用马尔可夫模型的有趣文章。当您对上面列出的模型不满意时，这些文章会很有帮助，尤其是在您缺少某些数据点来全面了解客户旅程时。
为了简化此用例中的马尔可夫模型，我们先来看一下给定转化路径中后续步骤发生的可能性。基于给定接触点的移除情况，计算其相对重要性：
马尔可夫模型具有以下优点，如本文所述：
- 客观性——没有直觉。
- 预测准确度——预测转化事件。
- 稳健性——有效且可靠的结果。
- 可解释性——透明且相对容易解释。
- 多功能性——不依赖于数据集。能够适应新数据。
- 算法效率——提供及时的结果。
这里有一篇很好的文章解释了如何做到这一点。这里还有一篇。