投了1000+计划，怎么知道我的广告费花哪去了？

100多年前，约翰·沃纳梅克那句著名的天问：“我知道在广告上的投资有一半是无用的，但问题是我不知道是哪一半。”

说得就是在传统广告时代，效果的不可统计。

与它相比，互联网广告的一个重要属性，就是效果的可衡量性。

那么，怎么衡量呢？

那就是数据分析。

在此之前，我们还要先解决这些问题：

如何获得这些效果数据？

怎么保证这些数据是准确的？

在互联网时代，我们借助技术来解决这些难题！

在程序化广告中，广告投放中的数据监测和归因分析对于转化效果跟踪至关重要，在信息流广告中，广告主通过自研能力或者利用第三方的监测工具，来进行广告链路数据的收集、匹配归因和效果统计。

市面上有很多成熟的第三方数据监测和分析平台，如下图：

目前比较常见的转化归因逻辑有最后一次点击归因（LastClick）、首次点击归因（FirstClick）等，通过监测用户对广告的进行数据反馈的各个节点，按一定的逻辑规则去匹配用户转化行为的归属渠道/广告计划。

1. 最后一次点击归因（Last-Click Attribution）：最后一次点击归因模型将全部转化信用归给用户最后一次点击的广告。这是最传统的归因模型，简单易懂，但可能会忽视用户转化路径中的其他接触点。 
2. 
   
3. 首次点击归因（First-Click Attribution）：与最后一次点击相对，首次点击归因模型将全部转化信用归给用户首次点击的广告。这种模型有助于评估哪些广告最有效地引起了用户的兴趣。 
4. 
   
5. 线性归因（Linear Attribution）：线性归因模型将转化信用平均分配给用户在转化路径中的所有接触点。这种模型认为每一次接触都同样重要。 
6. 
   
7. 时间衰减归因（Time-Decay Attribution）：时间衰减归因模型给接近转化时刻的接触点更多的信用，离转化时刻较远的接触点则信用较少。这种模型假设用户越接近购买决策时，广告的影响越大。 
8. 
   
9. 数据驱动归因（Data-Driven Attribution）：数据驱动归因模型使用算法和历史数据来确定每个接触点对转化的实际贡献。这种模型能够更精确地反映真实世界中的用户行为和转化动因。 

通过归因的方式，将转化匹配到具体的广告投放触点，就可以评估出广告订单的投放效果以及不同标签人群的转化效果情况，从而对广告投放定向和出价模型进行优化。目前主流的效果广告投放平台都支持按oCPX（Optimized Cost Per eXperience）的方式进行投放。

oCPX中的“X”为特定的、预定义的目标行为或转化事件，例如如APP安装、注册、付费等行为。与CPC、CPM等出价模式不同，oCPX通过算法来对转化目标的成本进行优化，因此需要依赖于准确的数据追踪和归因分析。

最近几年互联网广告投放瞬息万变，竞争市场激烈，优化买量成本，获取流量红利也变得愈发困难。不管你在甲方还是乙方，是产品运营还是一线的优化师，都应该重视广告效果监测。只有精准监测广告投放数据，才能有效评估广告投放的效果，进而用数据去指导优化。