既然都寫了三方統計，再加上最近踩到了概率歸因的坑，順手解釋下我理解的概率歸因。

"概率歸因"（probability attribution）是歸因模型的一種類型，它基于概率統計來分配轉化或事件的權重給不同的渠道或觸點，（這解釋真繞）。所以我們換個通俗的說法，大致可以是”讓我來猜猜這次安裝到底是誰貢獻的“。

按照標準點的說法：概率歸因是通過統計學方法來估計每個渠道對轉化的貢獻概率。一般涉及到歷史數據的分析，以確定哪些廣告觸點更可能帶來轉化事件。一般概率歸因的技術思路還分成下面幾種：

1， 線性歸因，通俗點說就是”見著有份“，參與了點擊的都有貢獻，各個渠道都有同等的權重來認領這一次轉化（公平么？公平才怪）。

2，按時間衰減歸因，差不多就是類似最后一次點擊歸因，誰最后點的歸誰。

3，概率模型，用機器學習的方法，根據用戶行為習慣和統計平臺的歷史數據來估算各個渠道的貢獻，再把轉化決定算給誰。

概率歸因相對精準歸因的差別，其實就是”我在不知道到底是誰產生的轉化的時候，按照我的模型來決定轉化是誰“，通常就是渠道沒拿到比如aid的時候，蒙一個。

比如渠道是拿到了aid之類，通常走的就是最后一次點擊歸因之類（不完全是，有可能存在渠道搞最后一次點擊劫持的作弊，被三方抓到了后不歸因給這個渠道），但是相對概率歸因，有設備信息的可以算是”精準“歸因了吧。

大致的邏輯就這些，再深的我也沒研究了，我覺得差不多夠理解了的。

————————以下內容可能對大家沒啥用————————

概率歸因的應用層面：對于我們來說，用到概率歸因的，其實主要還是最近的web2app中走概率歸因實現apk投放，或者ios的投放，平時的onelink一些簡單追蹤。

影響概率歸因準確度的一些因素：

影響精準度（到底有多少掉到了自然量）的核心因素其實非常少，IP，user-agent，操作系統，時間戳，應用版本等等。

概率歸因用用中可能的坑:

我們web2app應用的過程中可能遇到的一些坑，比如：自己在測試過程中發現自己安裝了但是在三方上看不到，光有了點擊，沒后續安裝轉化，其實就可能是上面某些影響因素的變化導致歸因失敗，典型的例子就是開著VPN去點了歸因鏈接（onelink），完成安裝后只看到點擊沒轉化，因為IP不同導致歸因到自然量。同樣還會有其他的一些情況可能導致歸因失敗，甚至包含網速導致的安裝時間和點擊時間的差值也會影響歸因成功率，近期走web2app跑apk的整體目前觀測到成功率大部分在80-90%，不同地區還不一樣。

優化概率歸因的思路：

以前做甲方的時候遇到過網盟花了很多精力去研究三方的概率歸因相關信息，核心目標就是讓三方再認領轉化的時候把更多轉化歸到自己的渠道下，這里估計有概率歸因+”精準“歸因兩部分的優化。主要思路是有設備信息的盡可能給三方更多的設備信息參數（具體有哪些得技術看，三方有文檔需要那些字段），沒有的時候就把前面提到的ip，user-agent等提供完整，還考慮到三方會根據用戶的歷史行為習慣，另外渠道的累計安裝轉化情況，后續用戶行為等來判斷該轉化應該歸屬哪個渠道， 猜測有一些大渠道因為長期轉化的多，在三方歸因的時候可能會更傾向于給到這些平時貢獻更大的渠道，所以保持良好的用戶質量，在后續歸因統計時候應該會更占優勢。

出海流量玄學研究中心，不定期分享信息流廣告優化師投放技巧，主要內容為海外facebook，google，TikTok ads廣告投放技巧分享，歡迎大家關注，分享內容，也歡迎大家分享更多關于游戲出海，跨境電商廣告投放技巧。

請加知識星球一起討論投放技巧，如有疑問可在星球向我提問

長按圖片加知識星球