在数据时代，广告的投放效果评估往往会产生很多的问题。而归因分析（Attribution Analysis）要解决的问题就是广告效果的产生，其功劳应该如何合理的分配给哪些渠道。下面将从多个角度来介绍归因分析模型。

一、什么是归因分析？

在复杂的数据时代，我们每天都会面临产生产生的大量的数据以及用户复杂的消费行为路径，特别是在互联网广告行业，在广告投放的效果评估上，往往会产生一系列的问题：

哪些营销渠道促成了销售？

• 他们的贡献率分别是多少？

• 而这些贡献的背后，是源自于怎样的用户行为路径而产生的？

• 如何使用归因分析得到的结论，指导我们选择转化率更高的渠道组合？

归因分析（Attribution Analysis）要解决的问题就是广告效果的产生，其功劳应该如何合理的分配给哪些渠道。

二、几种常见的归因模型

1. 末次互动模型

2. 末次非直接点击互动模型

3. 末次渠道互动模型

4. 首次互动模型

5. 线性归因模型

6. 时间衰减归因模型

7. 基于位置的归因模型（U型归因）

8. 马尔科夫链

三、如何选择归因模型

从上面这么多种归因模型来看，我们大概可以把他们分成2类：

（1）基于规则的：预先为渠道设置了固定的权重值，他的好处是计算简单、数据容易合并、渠道之间互不影响，当然你也可以根据实际需要去调整他们的权重配比。

（2）基于算法的：每个渠道的权重值不一样，会根据算法和时间，不同渠道的权重值会发生变化（数据驱动）。

在选择用何种归因模型之前，我们应该先想清楚业务模式！

四、还有哪些有趣的归因模型？

这里抛出一个有趣的问题，大家可以通过思考他背后的分析逻辑，尝试一下如何应用到归因模型中：

小陈和小卢同学准备吃午餐，小陈带了3块蛋糕，小卢带了5块蛋糕。这时，有一个路人路过，路人饿了，于是他们约路人一起吃午饭，路人接受了邀约。小陈、小卢和路人3个人把8块蛋糕全部吃完了，吃完饭后，路人感谢他们的午餐，于是给了他们8个金币，然后离去。

小陈和小卢为这8个金币的分配展开了争执。小卢说：我带了5块蛋糕，理应我得5个金币，你得3个金币。小陈不同意：既然我们一起吃这8块蛋糕，理应平分这8个金币。

为此他们找到了公正的夏普里。夏普里说：公正的分发是，小陈你应当得到1个金币，你的好朋友小卢应该得到7个金币。经过夏普里的解释，小陈和小卢认为很有道理，愉快地接受了这种分金币的方案。

请问，夏普里是怎样分析得到1:7这样的分配的呢？