数据复盘京东618，除了1199亿，我还看到这些

广告：乱花渐欲迷人眼

2017年6月18日，京东大楼灯火通明。5000名京东员工通宵未眠，支撑他们的，是小龙虾，是红牛，是眼前不断跳跃的订单额：999亿、1003亿……

次日，京东宣布618战报，累计下单金额1199亿，总共销售7亿件商品。而在耀眼的数据背后，很少有人会意识到，早在1个月前京东就开始投放广告。短短30天就烧光的上亿广告费，足可以投资5家A轮企业。以下是京东投放的一些广告：

• 5月17日，京东在多家报纸上买下一个头版，以2017年京东大学入学考试模拟试卷为主题，遥相呼应高考，并以“618”作为答案。随后，具有创意的内容在社交网络上二次发酵传播。

• 5月19日，一支叫“打破忙碌”的宣传片采用硅谷公司场景化的传达方式亮相，旨在鼓励国人从繁忙的生活中抽离出来，停驻脚步，喘息一下。

• 5月31日，发布颇为可爱的定格动画。穿着京东经典红色配送制服的乐高小人经历了货物被劫持和最终夺回包裹的城市探险。

• 6月1日，“初夏骑遇记，邂逅618”。根据骑车路线长短兑换相应的京东优惠券，一举两得，不仅为摩拜带来人气，也为京东带来流量。

• 6月6日，与摄影师尹超联合发布一组令人怀旧的老照片翻新作品。在这些海报中，长虹电视、永久自行车、五粮液这些存在于人们童年记忆中的老品牌陪伴着人们长大。

意识流广告、乐高大电影、报纸头条、摩拜骑行优惠券、怀旧营销……京东几乎把时下流行的广告形式都玩了个遍。京东使用了非常典型的递进式立体营销，从多角度、多方位、多层次、多渠道、多元化、多方式进行推广，最终达到品牌多次宣传和带动实际销售。回顾广告投放三重奏（一）蝉之死中提到的线上广告渠道类型：

可以看到，除了厂商预装，京东几乎使用了所有的广告类型。如果你是京东的市场VP，面对如此庞杂的推广渠道和媒体，打算如何分配上亿的广告费？比如京东“打破忙碌”的宣传片，你该花费300万投放优酷，100万投放爱奇艺？还是反过来，优酷100万，爱奇艺300万？或者两者都不投，只投腾讯视频？

ROI：如何判断一次广告效果的好坏

在上一篇文章中，我有提到ROI的概念，即投入产出比。这里举个简单例子说明一下，京东花了1块钱在优酷上投放“打破忙碌”宣传片，10个人观看广告，其中1人点击广告，在京东上买了10块钱的面膜。这个面膜毛利润是2块钱，那么ROI=2/1=200%。换句话说，京东每在优酷上每花1块钱，就能赚1块钱。当然，这是针对只投放一家媒体一个广告的判断标准。实际上，京东投放了数十个渠道，上百家媒体。在这种情况下，仅仅粗暴的计算每家渠道的ROI并不合理，往下我会剖析原因并给出解决方案。

归因模型：如何判断多个广告同时投放的效果

假如京东投放了以下渠道的广告，广告模式都为CPC：

渠道	百度SEM	爱奇艺	新浪新闻	微信朋友圈

用户小及，在爱奇艺上看到“打破忙碌”宣传片，想起自己一直都想买个硬盘，便点进京东查看。随后发现促销活动还未开始，于是关闭网页。次日，他通过搜索“京东”进入官网，将西数、希捷好几个品牌的硬盘加入收藏。这时，他发现领导路过，于是赶紧关掉网站。在下班的地铁上，小及浏览新浪新闻，无意中看到京东的老照片广告。他忽然想起618是父亲节，父亲腰不太好，他得买个按摩椅寄回家。又过了5天，他在朋友圈再次看到京东广告，意识到活动快结束，这次他打开了京东APP并购买了硬盘和按摩椅。

请问，小及的这次购买该计入哪个渠道的功劳？

点击归因

最后点击归因模型（lastclick）

最简单粗暴的做法，是把所有功劳都计入微信朋友圈。

最后点击归因模型：把一段周期内的某次转化100%归因于最后一个渠道上

这是Google Analytics和及策的报告中使用的标准模型，也是时下国内最流行的归因模型。可以看到，这种归因模型比较粗糙，因为爱奇艺和新浪对这次转化也做出了明显贡献（激起小及内心的购买需求），但这种归因模型并没有给它们记上一点功劳。而对京东来说，使用这种分析模型，它会加大对朋友圈的投放力度，而明显忽略爱奇艺和新浪。

• 优点：最后点击归因对数据需求不大，因为只有一个媒介触达被监测，它的设置相对简单，特别是在移动用户端，因为很多媒体只监测点击而不监测曝光。这也是在各渠道和广告项目中最具可比性的。

• 缺点：最后点击归因倾向于漏斗策略的中部和下部。它不能告诉你你的潜在用户是如何找到你的，或者他们用搜索和你互动了多少次，因此你有可能削减了那些帮助你转化的渠道。

• 适用场景：这种往往是效果类的广告，在这类广告中，让用户从犹豫观望到完成决策，最后一次点击往往拥有最直接和重要的影响。举个不恰当的例子，就像一次足球进攻，期间的组织、盘带、控球固然重要，但临门一脚往往才是决定胜负的关键手。

首次点击归因模型（firstclick）

这个是最后点击归因的反向，它将所有的转化功劳归功于用户第一次点击的渠道。在小及的购买路线上，就是爱奇艺。

这个模式初看起来也有一定道理，但仔细想想也有很多漏洞：也许小及在看爱奇艺广告时并没有产生任何购买欲望，而且随着时间推移很快忘掉了这次广告。反而是新浪新闻给他留下了深刻印象，是促成他购买的根本原因。

• 优点：初次点击的归因会提供潜在消费者怎样找到你的洞察，这个和最后点击一样容易设置，并且不需要大量的数据。

• 缺点：它需要一个以上的搜索和点击，或者像一个B2B买家寻找并考虑一个解决方案，初次点击归因并不能够解释所有后续所发生的用户行。初次点击模型为早期购买周期提供了价值（因此有过多的预算）而不是在在用户即将产生购买的中后阶段的周期。

• 适用场景：这种场景往往存在于对于不常见事物的购买决策中。第一次的广告能够抢占用户心智，树立品牌形象。而接下来的广告只是对这种品牌形象不断的强化，所以第一次广告贡献最大。典型的例子就是魏则西事件，魏则西通过百度SEM发现了能治滑膜肉瘤的莆田医院，这次搜索直接导致了他走上一条缥缈的求生之路。

可以看到，无论是最后点击归因模型，亦或首次点击归因模型都无法真正评估渠道贡献值，那么我们是否可以评估小及购买路线上的所有渠道，并合理分配贡献值？而这种评估方式，就是多触点归因。

多触点归因模型

多触点归因：确定某次转化的时间点，回溯一个周期，将该周期内所有参与的渠道都纳入归因模型，并按照某种方式计算各渠道贡献值

线性归因模型

假设你刚刚拿到了诺贝尔奖，奖金有100万，你将要拿这些钱感谢帮助你拿到奖的人。为了简化模型，我们假设对你有帮助的人只有你的父亲、母亲、导师和学生。你将怎么分配这些钱呢？

有一个方法比较简单粗暴，给他们平分了。也就是说，他们给你的帮助都是等价的，没有人做特殊处理。这个方法虽然简单，也考虑了多方面的因素对你产生的影响，但是，很显然，这不够合理。

线性归因模型就像这样，把贡献率以等量权重赋值给所有影响因素/渠道。

• 优点：如果你的营销项目主旨是保持与用户的关系和认知，那么线性的归因就比较有用。比如说，如果你有一个品牌的广告项目，每一个媒介点在用户考虑阶段都同等重要，那么线性的归因能够帮助你您可视化这一进程。

• 缺点：线性归因有一些复制营销努力的风险，因为你不能确定哪个触达有最大的影响，这就意味着你有可能投资在一个特定但事实上并不需要的渠道。

• 适用场景：这种往往是品牌类广告，品牌类广告通常具有一致的内涵。比如雪碧广告，主题基本就是在炎炎夏日喝雪碧能带来凉爽的感觉。这时候，给用户看广告1或者广告2并没有什么关系。

基本位置归因模型

这种模型将40%转化归功于首次点击，另外40%归功于最后点击，剩余20%平均分配给中间渠道。该模型看上去比上面的几种更合理一些，而且简单实用。如果你的公司没有很好的统计分析师或者数据科学家，你可以尝试这种模型。

• 优点：这种模型适合于如果你不仅要评估哪个媒介点形成品牌的转化，而且评估最终提供转化的最终点击。

• 缺点：如果你的数据不干净，或者如果你经验不足，这种模式可以引导你飞快地去错误的方向。

• 适用场景：这适合于一些既需品牌曝光，又需要转化的广告主。很典型的例子比如瓜子二手车、转转等。

时间衰减模型

当一次广告展示或者点击行为离最终购买时间越久远，它在你记忆中留下的印象越模糊，对最终转化的贡献就越小。所以，时间衰减模型用时间衰减曲线来给不同的渠道触点分配权重。在此基础上得到一个合理的渠道贡献分配比例。如下图：

这种模型比上述其他模型要合理一些，困难点在于如何拟合不同的时间衰减曲线。这需要专业知识及对业务的充了解。

• 优点：时间衰减归因可以来自定义去反映你的销售周期，特别是那些具有较短的考虑阶段的销售周期。如果你不是做一个自定义的模型而且并没有很多在测试中的数据，时间衰减是一个真实反映用户行为的可行的模型，因为用户将花费更多的时间来熟悉你的品牌因为他们花费更多的时间来考虑购买你的产品和服务。

• 缺点：时间衰减归因对最后转化有贡献，但是是初始的触达的渠道有打折扣，例如Facebook或者最初的搜索会话。

• 适用场景：时间衰减模型可以看做是最后点击归因模型的优化，所以效果类的广告通常可以使用这个模型。

个性化归因模型

事实上，不同的企业有不同的产品类别，不同的消费群体，采用不同的市场推广方式。这在很大程度上限制了上述模型，特别是后面几类模型的应用。并不是说上述模型不能用，主要原因是归因的准确度会有很大的影响。很多因素，例如市场状况、消费者类别、竞争对手状况、长期品牌价值的影响、地域情况等都会影响到归因的准确性。

在这种情况下，我们其实可以通过AI的思路去解决问题。在小及的例子中，我们其实可以搜集更多的数据，例如每次访问的深度（访问多少页面），动作（把硬盘加入购物车），停留的时长等信息。通过这些信息，我们可以通过机器学习的方法去计算出某次点击真正带来的贡献值。当然，这种方法需要构建的模型相当复杂，同时数据量也会异常庞大，并非短期就能实现。有志于AI的产品经理们可以读读我的另一篇讲述[机器学习模型构造的文章]。AI是目前百度、谷歌等互联网公司未来的发展方向，作为及策的一名PM，未来我也会和团队一起在AI领域深耕。

• 优点：在这种模式下，你可以使用线性，初次点击，最终点击，时间衰减，以及基于位置的归因模型作为基准线，然后加之对交易重要的其他因素。最好的效果是，它可以个性化您的网站和您的业务，并可以随着时间的推移进行优化。

• 缺点：在没有先做一些数据测试之前不要企图使用自定义模型，看看哪些变量和渠道实际上使您的转化价值的略有差异。你需要对其他模型非常了解再来运用自定义归因模型

• 适用场景：转化路线较长，各渠道间依赖关系复杂的投放场景，比如京东的618活动。

定量的归因模型：夏普里值(Shapley Value)

上面几种模型，权重分配听起来都比较武断，因为并非根据数据计算出每个渠道的权重，无法直接指导投放的优化。因此，很多学术同学，对这个问题深入研究，并且做了一些模型。今天，介绍1种模型，名叫夏普里值。

夏普里值（Shapley Value)指所得与自己的贡献匹配的一种分配方式，由诺贝尔奖获得者夏普里（Lloyd Shapley）提出，它对合作博弈在理论上的重要突破及其以后的发展带来了重大影响。如果对夏普里不熟悉的同学可以看看下面的例子：

约克和汤姆结对旅游。约克和汤姆准备吃午餐。约克带了3块饼，汤姆带了5块饼。这时，有一个路人路过，路人饿了。约克和汤姆邀请他一起吃饭。路人接受了邀请。约克、汤姆和路人将8块饼全部吃完。吃完饭后，路人感谢他们的午餐，给了他们8个金币。路人继续赶路。

约克和汤姆为这8个金币的分配展开了争执。汤姆说：“我带了5块饼，理应我得5个金币，你得3个金币。”约克不同意：“既然我们在一起吃这8块饼，理应平分这8个金币。” 约克坚持认为每人各4块金币。为此，约克找到公正的夏普里。

夏普里说：“孩子，汤姆给你3个金币，因为你们是朋友，你应该接受它；如果你要公正的话，那么我告诉你，公正的分法是，你应当得到1个金币，而你的朋友汤姆应当得到7个金币。”

约克不理解。

夏普里说：“是这样的，孩子。你们3人吃了8块饼，其中，你带了3块饼，汤姆带了5块，一共是8块饼。你吃了其中的1/3，即8/3块，路人吃了你带的饼中的3-8/3=1/3；你的朋友汤姆也吃了8/3，路人吃了他带的饼中的5-8/3=7/3。这样，路人所吃的8/3块饼中，有你的1/3，汤姆的7/3。路人所吃的饼中，属于汤姆的是属于你的的7倍。因此，对于这8个金币，公平的分法是：你得1个金币，汤姆得7个金币。你看有没有道理？”

约克听了夏普里的分析，认为有道理，愉快地接受了1个金币，而让汤姆得到7个金币。

我们如何用这个方法来分析不同渠道的贡献度呢？仍然以京东的三个渠道为例，假设他们的独自投放效果和两两投放效果如下图所标识。并且三个渠道一起投放，获得了100个抓花。

投放次序	转化
百度SEM	10
微信朋友圈	20
爱奇艺	30
百度->微信	40
微信->百度	35
爱奇艺->百度	40
爱奇艺->微信	60
微信->爱奇艺	70
百度->爱奇艺	50

下面，我们来计算，每一个渠道的夏普里值，夏普里值的定义：是在各种可能的联盟次序下，参与者对联盟的边际贡献之和除以各种可能的联盟组合。

三个渠道，有3*2种联盟次序，具体计算如下：

	百度	微信	爱奇艺
百度->微信->爱奇艺	10	40-10=30	100-40=60
百度->爱奇艺->微信	10	50-10=40	100-50=50
微信->百度->爱奇艺	40-20=20	20	100-40=60
微信->爱奇艺->百度	100-70=30	20	70-20=50
爱奇艺->百度->微信	40-30=10	100-40=60	30
爱奇艺->微信->百度	100-60=40	60-30=30	30

则三个渠道的夏普里值为：

• 百度：（30+40+20+30+10+40）/ 6 = 20
• 微信：（30+40+20+20+60+30）/ 6 = 33.3
• 爱奇艺：(60=50+60+50+30+30) / 6 = 46.6

因此，百度的夏普里值为20，微信的夏普里值为33.3，爱奇艺的夏普里值为46.6。借助这个分析结果，京东可以提高爱奇艺的广告投放，降低百度的广告投放，而微信则维持不变。

写在最后

实际上，归因并没有“完美”的模型，因为你的业务，行业和数据总是会发生变化。关于如何选择评估广告投放效果以及各渠道贡献值的方法就写到这里，关于用户通过广告进入你的应用后的行为分析，我会留到下一篇来讲。欢迎关注及策云课堂，也可以点此免费试用我们的产品。