我們之前已經介紹 使用者介面的不同歸因模型，所以現在讓我們來看看 提供的內容，其中仍在使用幾乎相同的模型，但它們的分組略有變化。最大的變化是基於數據的模型，以前只提供給360客戶，現在免費提供給所有人。 在實務中， 提供了三種類型的歸因模型： 考慮所有管道的基於規則的模型 有利於 Google Ads 的基於規則的模型 數據驅動模型。 接下來，我將向您詳細介紹不同的模型，並更多地關注基於數據的模型。 數據驅動歸因 (DDA) 在數據驅動的歸因中，轉換的功勞是根據從每個轉換事件收集的數據給出的。這是 （2022 年初發布）中提供的最新歸因模型，與其他模型的不同之處在於，使用時每次點擊的實際影響是根據帳戶資料計算的。 每個資料驅動模型都是特定於廣告商和轉換事件的，而該模型還充當帳戶的預設歸因模型。
數據驅動的歸因使用機器學習演算法來評估
轉換和非轉換的轉換路徑。產生的基於數據的模型了解客戶路徑中的不同接觸點如何有助於創建轉換。例如，該模型結合了以下因素： 廣告產生的互動次數 廣告的可見性順序以及 轉換後的時間和設備類型。 該模型將實際事件與可能發生的事件進行比較，以確定哪些接觸點最有可能帶來轉換。數據驅動的歸因模型根據此機率估計將轉換歸因於這些接觸點。 根據收集 韓國 WhatsApp 號碼列表 的轉換路徑數據，可以確定轉換路徑中包含的某些行銷接觸點及其時機如何影響使用者採取目標操作（主要轉換）的可能性。 如果接觸點聽起來很奇怪，那麼它們可以被認為是所謂的 微轉化，是支援客戶購買路徑中主要轉化的操作。例如，這些可以是下載內容、訂閱電子報、將產品添加到線上商店的購物車或消費豐富的登陸頁面上的內容。 所有管道均考慮基於規則的模型 models） 來自任何管道的最後一次點擊 此模型與 的預設最終非直接點擊模型（最後間接點擊）相同，即來自任何管道的最後一次點擊（不包括直接流量）。 因此，直接流量在 模型中始終被忽略，並且不再像 Universal Analytics 那樣提供單獨的最終點擊模型。
在此模型中 的轉換記錄為客戶在轉換
完成之前點擊的最後一個管道。 首先點選任意頻道 轉換完全從客戶在轉換前點擊的第一個管道記錄。 考慮所有通道的線性 在線性模型中，轉換的功勞均勻分佈在所有促成轉換的管道中。 基於位置考慮所有管道 40%的轉換被認為是由第一次和最後一次點 韓國 WhatsApp 號碼列表 擊引起的，剩餘20%的權重平均分配給購買路徑上的所有其他接觸點。 考慮所有通道的時間效應 轉換的更大功勞歸功於那些在時間上更接近轉換的接觸點，即在這種情況下，結束客戶購買流程的管道會獲得更大的權重。 廣告首選模型 有利於 Google Ads 的最終點擊：100% 的轉換功勞都歸功於客戶在轉換前點擊的最後一個 Google Ads 管道。如果轉換路徑中沒有 Google Ads 管道，則歸因於「透過任何管道的最終點擊」歸因模型（基於規則的模型中第一個呈現的模型）。
