每種歸因模型都有各自適用的場景和環境，實際使用中通常結合業務場景，對比測試模型的效果，以期找到最合適的。
一、首次互動歸因模型
首次互動歸因模型就是把營銷功勞全部分配給第一次為網站帶來訪客的渠道。
由於該模型的所有歸因是基於單個觸點，自然就會高估單個渠道的影響力。這種情況下，首次互動歸因模型就會過分強調驅動用戶認知的、位於轉化漏斗最頂端的渠道。
同時，首次互動歸因模型也會比其他單觸點歸因模型更容易受到由於技術限制導致的錯誤的影響。假設你為B2B網站設置轉化跟蹤（比如通過GA），那麼首次觸點到轉化的時間很有可能會超過常規的30-90天的cookie存活期限。因此通常的情況是，這種模式將功勞歸於cookie存活期內的首次互動觸點上，而不是真正的首次觸點。
總的來說，首次互動歸因模型是一種容易實施的單觸點模型，但容易受到渠道偏差和技術限制的影響。
二、線索轉化互動歸因模型
線索轉化互動歸因模型通常會與首次觸點模型混淆。這是因為圍繞銷售線索的產生而建立的營銷分析系統，例如一個營銷自動化的平臺，銷售線索被創建的那個session是被跟蹤和監測到的第一次會話。在這樣的系統裡，如果真正的首次互動是沒有標識的，那其實就相當於這次互動是不存在的。
線索轉化互動歸因模型的好處是它可以幫你理解到底哪些營銷渠道驅動了銷售線索的轉化。這點固然很重要，但也只是整個用戶購物旅程的一小部分而已。在週期很長的B2B網站用戶轉化過程中，除了銷售線索轉化，還有很多其他轉化需要進行營銷效果的評估，而且把功勞全部歸於銷售線索轉化，實際上是過分簡化了營銷活動在整個用戶轉化過程中的作用。
三、末次互動（機會建立互動）歸因模型
末次互動歸因模型最吸引人的地方，就在於它是最容易測量的歸因模型。
基於末次歸因模型衡量和評估銷售機會建立（大部分B2B營銷渠道漏斗的最後一環）的整個過程，在分析技術方面最不容易發生錯誤。在漫長的B2B購物旅程中，末次互動到轉化的週期相比首次互動或者線索轉化互動要短的多。由於大部分追蹤cookie只有30-90天的存活期，這使得末次互動歸因模型份外重要。因為如果轉化沒有在cookie存活期內發生，那麼營銷渠道信息將會丟失。而把功勞全部歸到末次互動，cookie存活期限就變得無關緊要，因為在末次互動與最終轉化之間不存在延時。
四、末次非直接點擊歸因模型
如果說這個模型比末次互動歸因模型稍微有用一些，那是因為它排除了“直接來源”數據的限制。
當談到網站和營銷分析，“直接”流量是一大痛點。在營銷分析裡，直接流量通常被定義為手動輸入URL的訪客流量。然而，現實是市面上的所有分析工具都把沒有來源頁的流量視為直接流量。一種常見的情況就是把沒有加碼（或錯誤加碼）的社交媒體文章、社交媒體廣告或未加碼的營銷郵件等劃分為直接流量。直接流量沒有明確的過濾公式，它更像是一個專門容納所有不符合其他過濾規則的流量容器。
簡而言之，直接流量通常是有誤導性的。末次非直接點擊歸因模型的好處是可以避免直接流量所帶來的麻煩。
五、末次【XXX營銷渠道】互動歸因模型
這是具體渠道歸因模型的總稱。例如，SEM營銷人員會傾向於使用末次付費廣告互動模型。而為了體現其工作價值，SNS營銷人員則會傾向於使用FACEBOOK或者Twitter默認的末次互動歸因模型。
需要注意的是，這裡的“末次互動”是指任何你要測量的轉化目標之前的最後一次互動。轉化目標可能是銷售線索、銷售機會建立，或者所有其他自定義的轉化目標。
這種模式的優點是通常與各自渠道的標準一致——如Facebbok Insight使用末次Facebook互動模式，谷歌廣告分析用的是末次谷歌廣告互動模式等等。
而缺點是這些模型都會特別偏向於各自的渠道並高估其渠道的影響力。如果單獨使用這些歸因模型，然後再將他們整合到一個報告，很有可能會得到翻倍甚至三倍的轉化數據。例如，如果一個訪客在週一點擊了Facebook的廣告，然後在週二又點擊了谷歌廣告併發生了轉化，那麼末次Facebook互動模型和末次谷歌廣告歸因模型都會把這次轉化100%地分別歸到自己的渠道上。
六、線性歸因模型
線性歸因模型是多觸點歸因模型中最簡單的一種。它將權重平均劃分給購物旅程中的每一個觸點。
優點是它是一個多觸點歸因模型，因此會將功勞劃分給轉化漏斗中各個不同階段的營銷渠道。
缺點是它無法正確衡量各種營銷渠道的不同影響。例如，一個潛在客戶在你的某個用戶大會上待了兩天，回家之後通過直接訪問的方式訪問網站19次併發生了轉化，那麼用戶大會在這次轉化中就只會被分配到5%的權重，即使它很有可能是促進轉化的最大因素。這種情況下，直接流量就會被分配到95%的權重。
七、時間衰減歸因模型
時間衰減歸因模型是一種傾向把功勞劃分給最接近轉化的觸點的多觸點模型。該模型基於一個假設，該假設認為觸點越接近轉化，對轉化的影響力就越大。
這種假設的問題是它永遠也不會給位於漏斗頂部的營銷渠道一個公平的分數，因為它總是距離轉化最遠的那個。
八、U型（基於位置的）歸因模型
U型歸因模型，Google也稱為基於位置的歸因模型，對於重視銷售線索產生的營銷團隊而言是一個偉大的多觸點歸因模型。它是一種可以追蹤每一個觸點的多觸點模型，與平均分配權重給每個觸點的線性歸因模型不同，它強調的是兩個關鍵觸點的重要性：第一次把新客人帶來的首次觸點和線索轉化觸點。在該模型裡，這兩個觸點分別能得到40%的權重，而其他剩餘的觸點則會平分剩下來的20%的權重。
該模型的缺點是它不會考慮線索轉化之後的觸點的營銷效果。而這也使得它成為銷售線索報告或者只有銷售線索階段目標的營銷組織的理想歸因模型。
九、W型歸因模型
W型歸因模型在機會建立階段引入了U型歸因模型，對很多公司而言，機會建立階段同時也是轉化漏斗中的最後一步。除了重點關注首次觸點和線索轉化觸點，W型模型還強調機會建立觸點。這三個關鍵觸點分別得到30%的權重，最後10%的權重則會平均分攤到剩餘的觸點上。
在使用該分配模型時，W型歸因模型強調了用戶購買旅程中，營銷渠道可以影響到的三個關鍵的觸點。
十、全路徑（Z型）歸因模型
更深入一步，全路徑（Z型）模型會考慮機會建立階段之後的營銷效果。與U型模型的兩個關鍵階段和以及W型模型的三個關鍵階段不同，全路徑模型新增了第四個關鍵階段：用戶轉化完成。
在該模式中，四個關鍵階段的觸點都會得到22.5%的權重分配，剩下的10%將會平均分配到其他觸點上。
儘管更多關鍵觸點看起來會更精準地表現用戶的購物旅程，但這種模型只適用於為已有銷售機會服務的營銷組織。對於大部分組織來說，除非銷售團隊與營銷團隊能達成高度共識，通常在快要完成交易時，都是讓客戶服務部門管理銷售轉化和信息的溝通。因此，在你嘗試採用這一模型之前，請務必確保營銷團隊與銷售團隊是同步的。
十一、自定義或算法歸因模型
最後一種歸因模式是需要數據科學家針對你的購物流程建立的自定義的或算法的歸因模型，該模型能夠最佳匹配用戶購物旅程。通過分析現有的用戶數據，可以看出哪些營銷渠道有突出的影響，或者發現是否有某個步驟在用戶購物旅程中是很重要的。
