更新时间：2023年3月3号
Web归因其实就是指网站归因、或网页归因，终端主要是PC，但由于Wap跟Web类似，所以也涵盖了Wap，通常是如果没有特指就是指Web归因。
单触点归因
单点触摸归因主要将转化归功于某一次接触点，该方式简单，便于理解，使用非常普遍。
如通常听到的First Click、Last Click就是属于单触点归因，单触点归因的类型非常多，如First Click、Last Click、Last Non-Direct Click……
First Click
First Click通常也叫做首次点击归因、首次互动归因、首次触点归因。
First Click归因模型就是把营销功劳全部归功于第一次为网站带来访客的渠道。
优点：这个模型简单明了，易理解，首次触摸归因有助于你了解人们如何发现你的公司以及为品牌知名度进行投资的渠道。
缺点：只考虑最初的品牌认知、过分强调驱动用户的认知，忽略其他营销渠道的影响，因为First Click是单触点归因，指考虑最初接触的渠道，但由于消费者的数字接触点很复杂，消费者可能通过多种渠道点访问站点，忽略其他渠道影响，较为片面；数据周期不宜过长，太长的周期它归功于的是这段周期内的首次接触渠道，注意是这段周期内的，而是真正的第一次接触，过长的窗口期会导致不能真正该归因到首次互动渠道。
使用场景：适用于购买决策周期短或新品牌产品。如果购买周期很短，用户有立即转化的倾向，那么他们的第一个接触点尤为重要；如全新品牌，品牌没有知名度，客户的最初渠道就非常重要，对于提升知名度和拓展市场很有帮助。
Last Click
Last Click通常也叫做末次/最终点击归因、末次/最终互动归因、末次/最终触点归因。
Last Click归因模型是将100%的转化价值归功于客户在进行购买或转化之前与之互动的最后一个渠道。
优点：简单易理解，且容易计算，评估，这是广告平台中最常用的模型，通常与各自渠道的标准一致——如Facebbok Insight使用Facebook最终互动归因，谷歌广告分析用的是谷歌广告最终互动归因等。
缺点：该模型忽略了在最终交互之前发生的所有事情，特别偏向于各自的渠道并高估其渠道的影响力。如果单独使用这些归因模型，然后再将他们整合到一个报告，很有可能会得到数倍的转化数据。例如，如果一个访客在周一点击了Facebook的广告，然后在周二又点击了谷歌广告并发生了转化，那么Facebook最终互动模型和末次谷歌广告归因模型都会把这次转化100%地分别归到自己的渠道上。
使用场景：适用于销售周期较短，路径较少的情况。
注意：Google Ads 将默认归因由最后点击归因更改为数据建模，也就是数据驱动归因。
最终非直接点击归因
Last Non-Direct Click Attribution，也叫最终非直接点击归因。
最终非直接点击归因是忽略直接流量，将100%的功劳归于最后一次非直接互动。
可以说是针对最后点击归因的缺陷所进行的改良。在这种归因模型中，所有直接流量均被忽略，仅关注转化之前的最终营销活动。
这个模型比最终互动归因模型稍微有用一些，那是因为它排除了“直接来源”数据的限制，如直接流量很多很难划分。
优点：直接流量的来源难以确定，可以避免直接流量所带来的麻烦，通常各种不能准确划分的流量都归类到直接流量，所以直接流量往往具备误导性。如果你的直接流量包含很多来源的时候，难以划分的时候适用这个归因模型。
缺点：剥离大量的直接流量，这种归因方式其实也不够准确。
最终*渠道归因
最终渠道归因就是将100%的功劳归于客户在转化前点击的最后一个广告的来源渠道。
通常广告投放平台的归因会采用这种方式，如Google Ads 和Facebook就是采用这个方式归因。如果用户通过Adwords进来，后面又通过Facebook点击进来后转化，在 Google Ads角度是归因给Adwords，而Facebook里面是归因给Facebook，因为最终渠道都是他们自己。
优点：单一渠道，或者某一渠道价值特别大，模型适用，如主要是投放Adwords，那么就是用终 Google Ads 点击。
缺点：夸大了该渠道的转化作用，只要最后一个渠道是它的就归因给它，忽略了之后的一些渠道的作用。
单触点归因只是将转化单一的渠道，如first-click和last-click是最容易进行测量的两种归因模式，但是，在此之前的网站引荐、搜索和广告对此次转化有何贡献？
用户从最初表现出购物意愿到最终完成购买，经历了多长时间？
显然单触点忽略了广告渠道之前的相互作用关系，对某种广告形式对用户使用行为迁移施加影响力的判断存在过高或过低估计的漏洞，这样往往会导致归因直接不准确，容易误导广告主后续资源的投放分配，所以多触点归因出现。
多触点归因
Multi-Touch Attribution简称MTA，中文名叫多触点归因，多渠道归因。
现实的场景是，用户在转化只前被多个广告触达，是哪一个广告促成了用户的购买行为? 每个广告对最终转化的贡献率如何评估?这个就是需要多触点归因去解决。按国外某篇在国内传播比较广泛的文章，多触点归因存在诸多挑战，可以分为线上与线下，多屏幕，线上多渠道的问题，根据这些问题可以划分为三类，其实也可以将多触点归因特指线上多渠道。
O2S归因
Online to Store，简称O2S，线上到实体店归因。
就是线上营销的对线下营收的影响，如线上推广营销，最终需要到店消费的，线上直接到线下现在有很好归因的，比如直接在美团、猫眼都是这类，或其他方式的营销会通过领券的方式从而实现归因，但是如果用户在网站上看到某家餐饮品牌的广告，然后去美团搜索，最后到店消费，这种场景就会出现数据是断开了，毕竟是不同平台的数据。
AMS归因
Across Multiple Screens，简称AMS，跨多个屏幕归因，其实就是跨设备。
跨设备的背后是用户的识别，跨设备有两种方法：
- 精准识别，其实就是通用ID方案，通过已有的账号体系，可以分为第三方和自己的，第三方就是强账号ID体系，通常是大型互联网公司才有，覆盖范围够大，如Google、Facebook、腾讯，阿里……自己的就建立属于自己的账号ID体系，如手机号、邮箱，只要能够表示用户唯一性就行，如Google Analytics里面的User ID。
- 概率识别，其实就是通过算法模糊识别，通过特征，根据规则或算法将相似度很高的同一用户识别出来，非推荐方式。
后面衍生出了标注虚拟ID，其实就是基于用户的归因，详细可以看基于用户的归因模式——自有ID体系。
ADC归因
Across Digital Channels，简称ADC归因，叫跨数字营销渠道归因，线上全域归因，
这里的数字营销渠道就是指社交媒体，展示广告，YouTube，推荐来源，电子邮件，搜索等等， 大多数人或传媒所说的、谈论的多触点归因、多通道或全渠道归因就是指这个——多触点归因。ADC就是MTA了，多触点归因的类型也非常多：
线性归因模型
线性归因模型是一种比较佛系的归因方式，简单的将转化功劳平分到每一个触点。在此示例中，5个接触点中的每个接触点都将获得转化功劳的20％，因为它们都发挥了作用。
优点：是一个多触点归因模型，它显示了促成转化的每个接触点的全貌，所有的触点都被考虑到，会将功劳划分给转化漏斗中各个不同阶段的触点。
缺点：由于线性归因模型分配相等的权重给每个接触点，它无法准确衡量各种个触点的不同影响，互联网中的每个触点的效果是有差异的。
使用场景：适用各渠道效果比较平均的情况，很少会这样，所示实用性不强。
时间衰减归因模型（Time Decay）
时间衰减归因是最接近销售或转化时间的接触点将获得最多的功劳。第一次互动获得的功劳较少，而最后一次互动获得的功劳最大。在此示例中，Google广告获得的功劳最多，而直接访问获得的功劳最多。
优点：如果你有一个销售周期长，这种多点触控归因模型承认，并不是每一个接触点是一样的。它假设与销售较近的接触点（例如演示或网络研讨会）与在发现阶段较早的探索性接触点相比，对购买决策的影响更大。
缺点：时间衰减可能导致你只能以优化后的接触点，因为它假定前几个接触点没有很大的影响。但是，在各种情况下，早期接触点实际上对转换同样重要。例如，通过减少对Google Ads的关注，你可以减少注册高转化率网络研讨会的人数，因为他们发现您的机会更少。
使用场景：适用于销售周期比较长的产品。
基于位置归因（U型归因）
第一次和最后一次接触得到最多的功劳，其余的功劳平均分配给两次接触之间的接触点。它将40％的功劳分配给第一个接触点和最后一个接触点，并在其余两个接触点之间平均分配剩余的20％。
优点：重视首次渠道和最后渠道，另外也可根据实际情况，调整最终点击和首次点击的权重比例。这是了解哪些渠道会影响第一印象并最有效地吸引新访问者（例如广告）以及哪些渠道会直接影响您的转化（例如销售演示，网络研讨会或实时聊天）的好方法。
缺点：由于剩余重量的20％分布在你的中间接触点，再一次，这是假定他们具有比第一和最后一个接触点，这可能并不总是正确的影响要小得多。
使用场景：十分重视线索来源和促成销售渠道的公司。
有些会将这种归因模型再分为J型归因和反J型归因，目前这种归因只见于Adobe Analytics中：
- J型归因就是首次触点分配比较少，最后一次触点分配比较多，剩下的平均分配，如首次20%，第二触点是10%，第三触点是10%，最后触点是60%，形状像字母J，所以叫J型归因。
- 反J型归因就是倒过来的J型归因。
这两种归因模型也可以通过自定义归因模型去实现。
W型归因
W型归因是U型归因的升级，W形归因将更多的功劳分配给转化前的第一个和最后一个接触点，还强调在客户的渠道中部接触点。
在此模型中，将30％的权重分配给第一个接触点（例如，通过Google广告点击来发现），中间接触点（例如，通过网络研讨会注册获得线索）和最后一个接触点（例如，来自直接访问网站的转化）。然后，将剩余重量的10％分配给其余的中间接触点。
优点：突出了在客户旅程中产生影响的三个关键触点，可以更准确地说明客户旅程中有助于转化的关键接触点。
缺点：通过仅强调三个接触点，将在很大程度上忽略潜在客户与你的品牌的所有其他互动。
使用场景：适合B2B公司
全路径归因（Z型归因）
Z形归因是一种多点触控模型，可将客户旅程中的所有接触点都归功于此。Z形归因非常容易理解。消费过程中四个最重要的接触点获得了22.5％的信用，其余10％的信用在其余接触点之间平均分配。重点在于“最重要的接触点”如何确定，通常是用户第一次访问的触点，用户主动联系或提交表单信息，
优点：考虑转化之前的每次互动。
缺点：对关键接触点的量化可能不准确
使用场景：适合具有较长和复杂销售周期的公司
数据驱动归因
数据驱动归因，英文是Data-Driven Attribution，简称DDA，或数据驱动归因模型，英文是Data-Driven Attribution Models，简称DDAM，也叫算法归因。
数据驱动归因是一种基于机器学习的归因模型，与基于规则的归因模型不同，数据驱动归因使用所有可用的路径数据，包括路径长度，曝光顺序和广告素材，来了解特定营销接触点的存在如何影响用户转化的可能性以更好地将功劳分配给任何接触点。
算法或机器学习中有两大类算法：分类和回归，转化可以用0和1来表示，那么算法归因实际是一个分类问题，理论上能用于分类的算法都可以用于算法归因的。实际常用的算法有马尔科夫链、沙普利值、生存分析和Harsanyi Dividend。
- Markov Chain：马尔科夫链、国内有些公司使用。
- Shapley Value：沙普利值、谷歌系的归因产品用的是基于Shapley值，如Google Attribution 360，Google Analytics 360，DoubleClick和AdWords，是要付费产品才可以使用，但是在Google Analytics归因工具的测试版里面也可以使用数据驱动归因。
- Survival Analysis：生存分析
- Harsanyi Dividend：可能只有Adobe使用，网络上的信息非常少，Adobe也只是文档放了两个原文链接。
延伸阅读：数据驱动归因的几个算法
自定义归因模型
自定义归因就是你可以精确地按照自己希望评估的一组假设来定制模型，对功劳做分配，如可以增加或减少某个触点的功劳。
优点：可以定义归因模型，可以针对所有渠道进行量身定制并进行设置，以便最准确地了解哪些工作可以带来最高的ROI和LTV。
缺点：需要用户旅程有深入的了解，可以分析出哪些触点有突出的作用，才能自定义归因模型，会花费大量资源和时间来测试各种定制模型，以找到最适合你的业务的模型。
使用场景：渠道多、数据量大，且有专业数据分析团队的。
全渠道归因
全渠道归因，也叫全域归因，就是所有的渠道、触点都包含进去，这是伪命题，因为有些线下的场景还难以打通，现在全渠道归因只指线上全渠道归因，也就是ADC归因，并不是真正的全渠道。
