归因瀑布模型

归因瀑布决定了 Adjust 如何选择最符合条件的交互来进行归因。瀑布模型的设计反映了 Adjust 的两种归因方法— 精确归因和概率模型—的准确性。

Adjust 根据以下顺序进行归因：

  1. 基于点击​ 的精确归因，或 基于点击​ 的 referrer 匹配 (仅限安卓)。
  2. 基于点击的​  概率模型
  3. 基于展示​ 的精确归因
  4. 基于展示的​  概率模型
  5. 自然量 (Organic)​

工作原理

点击 VS 展示

Adjust 始终优先选择点击，而不是展示，即使展示发生在安装前的数分钟也依旧如此。这是因为我们认为点击交互更能反映用户的主观意愿和选择。

精确匹配 vs 概率模型

相比概率模型，我们会优先采用精确归因。因为前者需要用到多种可能发生变化的数据点，如用户 IP 地址等；而后者更加可靠和准确。

归因瀑布运行过程

从安装发生的时刻起，Adjust 就会向前追溯，寻找归因窗口内的数据点，判断哪个数据点的信息最为可靠，能够获得归因。

  1. 可精确匹配的点击：​ 首先，我们会查看窗口内的点击，判断点击的设备 ID 或广告 ID 是否与安装应用的设备相同。

    • 带有安卓 referrer 的点击：​ 针对安卓设备，我们也会查找 Google Play 商店 referrer 的匹配。如果两个交互同时发生，一个带有 referrer，另一个带有设备标识符，我们会优先选择带有 referrer 的交互。

  2. 可使用概率模型的点击​ ：如果未能找到带有相同 ID 的点击，我们则会寻找带有其他匹配数据点的点击，例如 IP、设备类型、设备名称和操作系统数据等，为每个点击创建 "计分卡"，与安装信息的共同点越多，"分数" 越高。得分最高的点击会获得归因。

  3. 可精确匹配的展示：​ 如果没有符合归因资格的点击，我们则会查找带有相同设备/广告 ID 的展示。

  4. 可使用概率模型的展示​ 如果未能找到带有设备/广告 ID 的展示，我们则会查找带有其他匹配数据点的交互，为每次展示创建 "计分卡"，与安装信息的共同点越多，"分数" 越高。得分最高的展示会获得归因。

  5. 自然量 (Organic)：​ 如果进行上述所有查找后，依旧没有出现符合归因资格的交互，我们就会将用户归为自然流量。