位置-based 归因模型的信用分配比例到底是多少？

嘿，朋友。你是不是也经常被这个问题搞得头大？“位置-based 归因模型的信用分配比例是多少？” 每次开会，当老板或者客户甩出这个问题，空气都仿佛凝固了。大家面面相觑，然后开始背书：“呃，首次接触是40%，末次接触是40%，中间是20%？” 好像这就是标准答案。但说实话，这事儿真没这么简单。如果我直接给你一个比例，比如“30%、50%、20%”，那我大概率是在骗你，或者我自己也没搞懂。

我们先把这个“位置-based”模型拆开来看。它其实不是一块铁板，而是一组模型的集合。最常见的是“U型归因”，也就是我们常说的“首次和末次”。但还有“线性归因”，还有“时间衰减归因”。每一种模型的“信用分配比例”都是完全不同的。所以，当我们问“比例是多少”的时候，我们得先确定，我们到底在谈论哪一种？这就像问“一辆车的速度是多少”，你得先说清楚是法拉利还是拖拉机，对吧？

别急着要数字，先搞懂模型的“脾气”

在我们深入具体的数字之前，我想先聊聊这些模型的“性格”。因为只有理解了它们的设计初衷，你才能明白为什么它们的分配比例是那样的。这比死记硬背一个数字要有用得多。我们用费曼学习法的方式来想，想象你要给一个完全不懂营销的小白讲清楚这件事。

线性归因 (Linear Attribution)：雨露均沾的“老好人”

我们先从最简单的开始。线性归因模型，顾名思义，就是“一视同仁”。它认为用户在转化路径上接触过的每一个广告、每一篇文章、每一次点击，都同样重要。

信用分配比例： 如果一个用户在转化前接触了5个不同的触点（比如，先看了你的Facebook广告，然后点了一次Google搜索广告，接着又通过邮件链接回来，最后又点了一次品牌词的搜索，最终下单），那么线性归因模型会把100%的功劳平均分给这5个触点。每个触点分到 20% 的功劳。

听起来很公平，对吧？但问题也出在这里。它真的公平吗？那个最后的、用户已经决定要买，只是回来点一下确认的“品牌词搜索”，和最初那个让他第一次知道你存在的“Facebook广告”，真的有同等的价值吗？这就好比你追一个姑娘，第一次约会的怦然心动，和最后领证签字的那个瞬间，虽然都重要，但贡献度能一样吗？线性归因有点“和稀泥”，它的好处是简单，坏处是看不出哪个环节真正起到了决定性作用。所以，它的比例是固定的，但可能没什么实际指导意义。

时间衰减归因 (Time Decay Attribution)：越近越重要

这个模型就聪明一些了。它遵循一个基本原则：离转化越近的触点，越重要。这很符合直觉，对吧？就像你考试前一晚看的书，通常比一个月前看的印象要深刻得多。

信用分配比例： 这个比例不是固定的，它是一个动态的计算。系统会根据每个触点发生的时间，给它一个权重。离转化时间越近，权重就越高，分到的功劳（百分比）就越大。离得越远，权重越低。比如，同样是上面那个5个触点的例子，可能最后一个“品牌词搜索”会分到40%的功劳，倒数第二个邮件分到30%，再往前的搜索分到15%，最初的Facebook广告可能只分到10%和5%。具体的数字取决于你设置的“半衰期”或者算法逻辑，但核心思想不变：越近，比例越高。

这个模型对于那些转化周期比较短的业务，比如电商冲动消费，就特别友好。它能帮你识别出那些临门一脚的关键触点。但缺点是，它可能会严重低估那些“开山辟路”的早期触点的价值。

首次接触归因 (First-Touch Attribution)：只看“初恋”

这个模型非常极端。它认为，用户从哪里来，是最重要的。所有功劳，100%，全部归给用户转化路径上的第一个触点。

信用分配比例： 100% / 0%。第一个触点拿走全部，后面的所有触点，一分钱功劳没有。

这个模型的价值在于，它能帮你清晰地看到你的“获客渠道”哪个最有效。如果你的KPI是“新用户增长”，那这个模型能给你非常直观的答案。但问题也很明显，它完全忽略了中间的培育过程和最后的转化助推。一个用户可能通过一个很便宜的渠道首次接触你，但中间经过了昂贵的再营销广告和内容培育才最终下单，如果只看首次，你可能会错误地判断那个便宜的渠道是“功臣”。

末次接触归因 (Last-Touch Attribution)：只看“临门一脚”

和首次接触完全相反，末次接触归因只关心用户下单前的最后一个动作。

信用分配比例： 同样是 100% / 0%。最后一个触点拿走全部。

这是很多公司的默认设置，因为它简单，而且直接和销售挂钩。用户最后是点了哪个广告、搜了哪个词才下单的？好，功劳全是这个渠道的。这对于优化转化漏斗的底部非常有帮助。但它的短视也是致命的。如果只看末次，你可能会砍掉所有帮你建立品牌认知、培育用户的早期渠道，最后发现你的“获客成本”越来越高，因为你的流量池枯竭了。

“U型归因”：真正的“位置-based”王者

好了，聊了这么多，我们终于回到了问题的核心——那个最常被提及的，也是最复杂的“位置-based”模型，通常被称为“U型归因”（U-Shaped Attribution），或者叫“基于位置的归因”（Position-Based Attribution）。

为什么叫U型？因为它把最多的权重分配给了路径的两端——“首次接触”和“末次接触”，而中间的触点则被放在了次要位置，形成一个U字形的权重分布。

信用分配比例是多少？

这里，行业里有一个默认的“标准比例”，也是大家最常引用的数字：

• 首次接触 (First Touch)：40% 的功劳
• 末次接触 (Last Touch)：40% 的功劳
• 中间接触 (Middle Touches)：20% 的功劳（由所有中间触点平分）

举个例子，假设一个用户的转化路径是：看到Facebook广告 -> 点击Google自然搜索结果 -> 点击邮件营销链接 -> 点击付费搜索广告 -> 完成购买。

在这个U型模型下，分配如下：

• Facebook广告（首次）：40%
• 付费搜索广告（末次）：40%
• Google自然搜索 和 邮件营销（中间）：20% 的功劳，由这两个触点平分，也就是每个各得10%。

这个40/20/40的比例，是谷歌分析（Google Analytics）等很多分析工具在定义这个模型时使用的默认值。它试图在“奖励获客渠道”和“奖励转化渠道”之间找到一个平衡点，同时也不完全忽略中间的培育过程。这看起来是一个非常完美的解决方案，对吗？它兼顾了头和尾，也考虑了中间。

40/20/40 是一个神圣不可侵犯的数字吗？

答案是：绝对不是。

这可能是今天这篇文章里最重要的一个观点。40/20/40只是一个行业惯例，一个“默认设置”，一个方便大家讨论的“参考坐标”。它不是放之四海而皆准的真理。你的业务，你的客户群体，你的产品类型，都决定了这个比例需要被调整。

想象一下，你卖的是什么东西？

• 高客单价、长决策周期的产品（比如企业软件、B2B服务）： 在这种情况下，中间的培育过程可能至关重要。用户可能需要看很多内容、参加网络研讨会、和销售沟通多次才会下单。那么，把20%的中间功劳提高到40%甚至更高，同时适当降低首次和末次的比例，可能更符合你的业务现实。因为中间的每一次内容互动，都在不断地建立信任，推动决策。
• 低客单价、冲动消费的产品（比如快时尚、零食）： 这种业务里，首次的品牌曝光和末次的促销广告可能是决定性的。用户可能因为一个网红推荐（首次）而种草，然后在看到一个限时折扣广告（末次）时迅速下单。中间的触点可能很少，或者作用不大。在这种情况下，40/20/40甚至可以调整为50/0/50，或者60/0/40，把中间的20%完全砍掉，分配给头尾。

所以，当你下次再被问到“比例是多少”的时候，你应该反问一句：“我们的业务模式是什么？我们的用户旅程是怎样的？” 然后，你可以自信地告诉团队：“行业默认是40/20/40，但根据我们的数据，我建议调整为[你的数字]，因为……” 这才是一个真正懂营销的人该说的话。

如何在实践中找到属于你的“黄金比例”？

理论聊完了，我们来点实际的。怎么才能知道哪个比例最适合你？总不能靠猜吧？当然不是。这需要数据和实验。

第一步，也是最重要的一步，是数据归集。你得有一个能追踪用户全链路行为的工具。无论是GA4，还是其他第三方分析工具，你必须能看到一个用户从哪里来，中间经过了哪些页面，最后在哪里转化。如果数据是割裂的，那任何模型都是空中楼阁。

第二步，进行模型对比。大多数分析平台都允许你“切换”不同的归因模型来看报告。你可以同时运行“首次接触”、“末次接触”、“线性”和“U型”这几个模型，然后把关键渠道的功劳数据导出来，放在一张表里对比。

比如，你可以做一个简单的表格来对比不同模型下渠道的贡献价值：

（注意：以上表格数据为虚构，仅用于演示）

通过这张表，你可以清晰地看到，对于“Google Ads (品牌词)”这个渠道，在末次接触模型下它价值连城，但在首次接触模型下几乎可以忽略不计。这说明它主要扮演的是“临门一脚”的角色。而“Facebook广告”则相反，它更擅长“开疆拓土”。邮件营销和内容营销则在中间起到了很好的衔接作用。

第三步，自定义你的U型模型。在你理解了自己用户旅程的特点后，就可以开始调整那个默认的40/20/40了。有些分析工具（比如Adobe Analytics）允许你非常精细地自定义U型模型的权重。你可以把它改成30/40/30，或者50/10/40，甚至可以给路径中特定位置的触点（比如第二个触点）更高的权重。这需要你反复测试，观察调整后的模型是否更能反映业务的真实情况，以及是否能指导你做出更明智的预算分配决策。

写在最后的一些心里话

聊了这么多，从40/20/40这个数字出发，我们聊到了各种模型的脾气，聊到了如何根据业务自定义比例，甚至还聊到了怎么做表格来分析数据。你会发现，最初那个问题“位置-based 归因模型的信用分配比例是多少？”其实是一个“伪命题”。

它没有唯一的答案。就像问“人生的意义是什么”一样，每个人、每个公司、每个阶段的答案都不同。

归因分析的本质，不是为了找到一个完美的、一劳永逸的数学公式，然后把功劳精确地分配给每一个人。它的真正目的，是帮助我们这些营销人员，更好地理解用户。理解他们是如何从一个陌生人，一步步变成你的忠实客户的。在这个漫长的旅程中，哪些环节是必经之路，哪些是加速器，哪些只是风景。

所以，下次再有人问你那个问题，别急着回答40/20/40。你可以泡杯咖啡，跟他聊聊你们的用户，聊聊他们的旅程。告诉他，比例不是最重要的，理解旅程本身才是。这可能比任何一个数字都更有价值。毕竟，营销是关于人的生意，而人，从来都不是一个简单的数字可以定义的。