45%的轉化需要兩次以上的點擊才能實現，那么這些點擊要怎么分配功能呢？歸因模型就是用來分配每次點擊功勞的模型。選擇不同的歸因模型就是選擇不同的功勞分配方式。比如我們可以設置所有的功勞都分配給第一次點擊，也可以把所有的功勞都給首次點擊，還可以平均分，按照時間分，讓機器通過大數據學習分配等。而無論我們想要如何分配，都是通過設置歸因模型實現的。

在Google Ads里，借助合理的歸因模型，我們可以更好的了解不同廣告的效果，從而更有效地對賬戶進行優(yōu)化。

PS：歸因模型功能僅適用于google.com上的搜索廣告和購物廣告的點擊，不適用于展示廣告網絡廣告的互動情況。而且該功能只可以歸因網站轉化、Google Analytics（分析）中的轉化，來電轉化和導入轉化操作，無法歸因應用和實體店的轉化。

a.最終點擊：無論用戶點擊多少次廣告實現的轉化，都將功勞分配給最后一次點擊。

例如有的用戶分別點擊過我們的搜索廣告，購物廣告，最后在品牌詞廣告實現轉化，那我們就只能看到品牌詞廣告有轉化，而前面搜索和購物的功勞都為0。

不推薦大家使用這個歸因模型，因為我們無法知道最后一次點擊之外的其他點擊數據，獲得的數據是片面的。在這個例子中，我們使用最終點擊，只知道品牌詞實現了轉化，而不知道搜索和購物的功勞，那如果我們?yōu)榱藘?yōu)化CPA，暫停了搜索和購物，我們會發(fā)現我們賬戶整體的轉化次數減少了。

b.首次點擊：無論用戶點擊多少次廣告實現的轉化，都將功勞分配給首次點擊。

還是前面的例子，如果用首次點擊歸因模型，我們就只能看到第一次點擊（搜索廣告）帶來了一次轉化，而后面的購物和品牌詞廣告的轉化都為0.

同樣不推薦大家使用這個歸因模型，因為這個模型我們獲取的轉化數據也是片面的，只能知道哪個廣告給我們帶來了用戶，而不能知道哪些廣告最終轉化了這個用戶。

c.線性：平均分配每一次點擊的功勞。

例如用戶點擊四次廣告才實現的轉化，那么每次點擊分配25%的功勞。

線性因為太平均，沒有側重點，用的也很少，不太推薦。

d.根據位置：首次和最后點擊各分配40%的功勞，其余的20%平均分配給其他點擊。

e.時間衰減：越接近轉化時間，分配的功勞越高。點擊每相隔七天，所分配的功勞就會相差一半。也就是說轉化發(fā)生8天前的點擊所獲功勞是轉化發(fā)生一天前的點擊所獲功勞的一半。

f.以數據為依據：根據轉化操作的歷史數據來分配轉化功勞。

這幾個歸因模型最推薦的是以數據為依據的歸因模型，這個是通過大數據機器學習來分配功勞，在當前谷歌智能化程度越來越高的背景下，尤其適合和智能廣告（如Pmax）結合使用。

a.?點擊谷歌廣告賬戶右上角 工具與設置-轉化

修改歸因模型后，數據會有一段時間的波動，如果用的智能出價策略，則波動更大。所以如果要切換歸因模型，建議大家在非旺季或非重要時間段切換。

系統學習Google Ads盈利玩法可直接來部落，節(jié)省大量時間和踩坑損失！