投了1000+計劃，怎么知道我的廣告費花哪去了？
100多年前，約翰·沃納梅克那句著名的天問：“我知道在廣告上的投資有一半是無用的，但問題是我不知道是哪一半。”
說得就是在傳統廣告時代，效果的不可統計。
與它相比，互聯網廣告的一個重要屬性，就是效果的可衡量性。
那么，怎么衡量呢？
那就是數據分析。
在此之前，我們還要先解決這些問題：
如何獲得這些效果數據？
怎么保證這些數據是準確的？
在互聯網時代，我們借助技術來解決這些難題！
在程序化廣告中，廣告投放中的數據監測和歸因分析對于轉化效果跟蹤至關重要，在信息流廣告中，廣告主通過自研能力或者利用第三方的監測工具，來進行廣告鏈路數據的收集、匹配歸因和效果統計。
市面上有很多成熟的第三方數據監測和分析平臺，如下圖：
目前比較常見的轉化歸因邏輯有最后一次點擊歸因（LastClick）、首次點擊歸因（FirstClick）等，通過監測用戶對廣告的進行數據反饋的各個節點，按一定的邏輯規則去匹配用戶轉化行為的歸屬渠道/廣告計劃。
- 最后一次點擊歸因（Last-Click Attribution）：最后一次點擊歸因模型將全部轉化信用歸給用戶最后一次點擊的廣告。這是最傳統的歸因模型，簡單易懂，但可能會忽視用戶轉化路徑中的其他接觸點。
- 首次點擊歸因（First-Click Attribution）：與最后一次點擊相對，首次點擊歸因模型將全部轉化信用歸給用戶首次點擊的廣告。這種模型有助于評估哪些廣告最有效地引起了用戶的興趣。
- 線性歸因（Linear Attribution）：線性歸因模型將轉化信用平均分配給用戶在轉化路徑中的所有接觸點。這種模型認為每一次接觸都同樣重要。
- 時間衰減歸因（Time-Decay Attribution）：時間衰減歸因模型給接近轉化時刻的接觸點更多的信用，離轉化時刻較遠的接觸點則信用較少。這種模型假設用戶越接近購買決策時，廣告的影響越大。
- 數據驅動歸因（Data-Driven Attribution）：數據驅動歸因模型使用算法和歷史數據來確定每個接觸點對轉化的實際貢獻。這種模型能夠更精確地反映真實世界中的用戶行為和轉化動因。
通過歸因的方式，將轉化匹配到具體的廣告投放觸點，就可以評估出廣告訂單的投放效果以及不同標簽人群的轉化效果情況，從而對廣告投放定向和出價模型進行優化。目前主流的效果廣告投放平臺都支持按oCPX（Optimized Cost Per eXperience）的方式進行投放。
oCPX中的“X”為特定的、預定義的目標行為或轉化事件，例如如APP安裝、注冊、付費等行為。與CPC、CPM等出價模式不同，oCPX通過算法來對轉化目標的成本進行優化，因此需要依賴于準確的數據追蹤和歸因分析。
最近幾年互聯網廣告投放瞬息萬變，競爭市場激烈，優化買量成本，獲取流量紅利也變得愈發困難。不管你在甲方還是乙方，是產品運營還是一線的優化師，都應該重視廣告效果監測。只有精準監測廣告投放數據，才能有效評估廣告投放的效果，進而用數據去指導優化。
