此功能仅在 Google Analytics 360(Google Marketing Platform 的组成部分)中提供。 详细了解 Google Marketing Platform。 |
多渠道漏斗 (MCF) 以数据为依据的归因方法分为两个主要部分:(1) 分析您所有可用的路径数据,以生成自定义的转化概率模型;(2) 向概率数据集应用精密算法,将转化功劳按部分分配给营销接触点。
利用所有可用的路径数据生成转化概率模型
以数据为依据的归因会使用所有可用的路径数据(包括来自转化用户和非转化用户的数据)来了解特定的营销接触点如何影响用户的转化概率。生成的概率模型将显示在发生特定顺序的事件的情况下,用户在路径中的任意某个点进行转化的可能性。
按照算法为营销接触点分配转化功劳
紧接着,以数据为依据的归因会根据来自合作博弈理论“Shapley 值”的概念向此概率数据集应用算法。“Shapley 值”由诺贝尔经济学奖获得者 Lloyd S. Shapley 提出,是一种在团队成员之间公平分配团队成果的方法。
在以数据为依据的归因中,系统所分析的“团队”以各个营销接触点(例如“自然搜索”、“展示广告”和“电子邮件”)为“团队成员”,而团队的“成果”即为转化。以数据为依据的归因算法会计算每个营销接触点的反事实增益,具体而言,它会比较接触过这些接触点的类似用户的转化概率与当路径中没有出现某个接触点时的概率。
在实际计算每个接触点的转化功劳时,系统会比较接触点的所有不同排列方式,然后取一个标准值。这意味着,以数据为依据的归因算法会考虑每个接触点发生的顺序,然后为不同的路径位置分配不同的功劳。例如,系统会分别针对“展示广告”在“付费搜索”前面和后面的情况进行建模。
示例
在下面的简要示例中,“自然搜索”、“展示广告”与“电子邮件”组合促成的转化概率为 3%。如果删除“展示广告”,概率降为 2%。“展示广告”所促成的 50% 的增幅将作为归因的基础。
浏览以数据为依据的模型并分析其投资回报率影响
您可以使用模型浏览器报告查看以数据为依据的模型基于渠道和位置所设的具体权重(如需详细的分析,您可将模型下载为 CSV 文件);使用模型对比工具比较模型和识别优化机会;并使用 ROI 分析报告了解以数据为依据的模型的投资回报率影响。