（一）归因分析模型参数配置 依托全端数据采集，通过时间序列精准还原用户路径，运营人员可掌握“用户何时点击了某个运营位”以及“用户何时完成了目标事件”，再通过用户行为之间的关联关系，最终得到“用户点击了哪些运营位后发生了目标转化”的“运营位序列”。用户从浏览到最终转化路径的构建与完整还原，以及精准的“运营位序列”，为后续科学归因打下了良好的数据基础。基于此，用户经过参数设置，即可准确地衡量用户转化路径上每个接触点的贡献度。

进行一次完整归因分析，用户首先需要进行归因分析模型参数的配置，即选择“目标转化事件”“前向关联事件”“待归因事件”的配置。下表给予了配置此参数的一些建议。 图 归因分析模型配置建议（点击放大可看高清大图）

事实上，用户对“归因窗口期”“目标转化事件时间范围”和“分析模型”的参数设置，控制了归因的计算数据范围和归因模型。

顾名思义，“归因窗口期”会将“目标转化事件”发生的前某段时间内的“待归因事件”会被计算在本次归因的贡献中；“目标转化事件时间范围”则筛选某时间段内的“目标转化事件”。

基于运营位序列，归因模型为“运营位序列”进行功劳的分配，神策数据支持 5 种归因模型的分析与结果查看，包括“首次触点归因”“末次触点归因”“线性归因”“位置归因”“时间衰减归因”。基于不同规则与算法的归因方法提供了强大的用户行为分析能力，运营人员可以根据自己的业务需求、与用户的实际交互模式灵活地选择最适合的分析模型，如下图。 图 五种归因模型（点击放大可看高清大图）

（二）归因分析模型的计算原理演绎 我们不妨进行一次计算演绎，下图是通过神策分析所得到某电商用户行为序列图示。在图示中，各字母代表的含义是 D-广告位、Q-商品详情页、D-推荐位、M-购买商品。目标转化事件是“购买商品”，为了更好地“配对”，运营人员将 M1（目标转化事件——购买商品1）与 Q1（前项关联事件——商品 1 详情）设置了属性关联，同样将 M2 与 Q2 进行关联。

该场景中，发生了两次购买行为，神策分析进行归因时会进行两轮计算，产生计算结果。

（一）第一轮计算： 第一步，从 M1 开始向前遍历寻找 Q1 以及离 Q1 最近发生的广告浏览。

如图所示，不难得到结果 M1=[Dc，Dc，Da]。 第二步，我们带入分析模型中，进行功劳的分配。运营人员选择“位置归因”的分析模型，根据“位置归因”的计算逻辑，第一个“待归因事件”和最后一个“待归因事件”各占 40%，中间平分 20%。 第一轮我们得到结果：Dc=0.4；Dc=0.2；Da=0.4

（二）第二轮计算 从 M2 开始向前遍历寻找 Q2 以及离 Q2 最近发生的广告浏览。

这里值得强调的是，即使第一轮中计算过该广告，在本轮计算时依然会参与到计算中，因为经常会出现一个广告位同时推荐多个商品的情况。

我们不难得到结论，M2=[Dc，Db]。基于这个结论，我们通过“位置归因” 得到结果：Dc=0.5；Db=0.5（不足 3 个时会有特殊处理）。

经过两轮计算，我们得出结论：Dc=1.1；Da=0.4；Db=0.5，则广告位 c 的贡献最大、广告位 b 贡献次之，广告位 a 的贡献最小。