归因（转化归因）

归因是将转化功劳分配给广告交互的逻辑。一次购买可能之前有搜索广告点击、社交视频观看和邮件打开——归因决定谁获得功劳（以及多少）。

为什么重要： 您的ROAS和CPA数字的可靠性取决于背后的归因模型。两个广告主运行相同的广告系列，但使用不同的模型，会看到不同的“赢家”，并做出不同的预算决策。

常见归因模型

• 最后点击： 100%功劳归转化前的最后一次点击。简单，但忽略了所有早期的认知工作。
• 首次点击： 100%功劳归第一次交互。有助于了解漏斗顶部效果。
• 线性： 每个触点获得同等功劳。公平但嘈杂。
• 时间衰减： 更接近转化的触点获得更多功劳。折中方案。
• 数据驱动（算法）： 使用历史数据，根据每个触点的增量影响分配部分功劳。在Google Ads和Meta中可用，要求账户有足够的转化量。

所以呢： 选择与您的决策周期匹配的模型。如果您优化当日购买，最后点击可能没问题。如果您运行多周培育序列，则需要一个能奖励早期触点的模型。

归因没有单一公式——计算方式取决于模型。但通用结构如下：

每次接触点的转化积分 = 权重(接触点) × 1次转化

其中权重由模型定义：

• 末次点击：最终接触点权重为1，其他均为0。
• 线性：权重 = 1 / (路径中接触点数量)。
• 时间衰减：权重 = e^(−λ × 时间间隔) 并在各接触点间归一化。
• 数据驱动：权重 = 机器学习模型预测的该接触点增量提升。

重要注意事项

1. 回溯窗口 — 窗口外的转化获得零积分。30天点击窗口与7天点击窗口会产生截然不同的归因分配。
2. 转化动作 — 归因是针对每个转化动作（购买、注册、加入购物车）的。将不同动作混合在一个报告中会扭曲结果。
3. 跨设备 — 除非用户已登录，否则大多数平台无法跨设备关联同一用户。报告的归因通常是设备特定的。
4. 隐私变更 — 随着信号丢失（cookie弃用、iOS应用跟踪透明度），平台更依赖建模转化。对报告的ROAS应持保留态度；如有“建模与观察”的细分，务必查看。

归因不是一个单一的数字——它是一种设置，会改变其他所有指标。当你查看仪表盘时，首先要检查的是应用了哪种归因模型。如果标签显示“最后点击”或“数据驱动”，你就知道ROAS和CPA数字是在该规则下计算的。

需要关注的内容：

• 模型标签——通常显示在报告标题或下拉菜单中。如果缺失，则默认为最后点击（大多数工具的默认设置）。
• 回溯窗口——30天点击/1天浏览？7天点击？对于考虑阶段的产品，这可能导致CPA变化20-40%。
• 转化操作——你查看的是“所有转化”还是特定操作？混合操作会夸大ROAS。

需要搭配查看的内容：

• 路径长度——转化前的平均接触点数量。如果>3，最后点击会低估你的上层漏斗渠道。
• 辅助转化——一份报告显示哪些渠道出现在路径中但未获得最后点击。辅助转化份额高意味着该渠道在做认知工作。
• 模型对比——运行并排报告（例如，最后点击与数据驱动对比），以查看哪些渠道获得或失去归因。差异就是你的“归因差距”。

归因是一种设置，而不是每天都可以拉动的杠杆。但你可以通过改变广告系列结构、出价策略和衡量设置来影响功劳分配。

改变归因结果的杠杆

• 转化窗口 — 缩短回溯窗口会将功劳集中在最后一次点击渠道上。延长窗口则会将功劳分散到更早的接触点。
• 出价策略 — 目标每次转化费用和目标广告支出回报率出价策略会针对你选择的归因模型进行优化。从最后点击切换到数据驱动可能会导致出价将支出转向漏斗上方的展示位置。
• 广告系列结构 — 将潜在客户开发（认知）广告系列与再营销（转化）广告系列分开，可以更清楚地看到每个渠道的作用。混合广告系列会使归因变得混乱。
• 线下转化导入 — 如果你导入电话或店内购买，归因将变得更加完整。如果没有导入，驱动线下销售的线上接触点将获得零功劳。

权衡

• 最后点击简单但有盲点 — 它过度归功于最终接触点，并导致漏斗上方渠道缺乏投入。短期内你可能会看到每次转化费用下降，但总可触达受众却在缩小。
• 数据驱动更智能但需要大量数据 — 每个广告系列每30天需要约300次以上的转化才能稳定。低于此数量时，模型可能会每周随机分配功劳。
• 多触点模型（线性、时间衰减）公平但不精确 — 它们假设所有接触点同等重要（线性），或者最近性是唯一因素（时间衰减）。它们无法衡量真正的增量效果。

常见错误： 一家家居服务广告商从最后点击切换到线性模型，发现广告支出回报率下降了30%。他们惊慌失措并切换了回去。这种下降是预期的——线性模型只是将功劳分散到更多接触点上。实际收入并未改变。在更改优化模型之前，务必运行模型比较报告。

归因是您看待广告系列效果的镜头——改变镜头，改变画面。关键要点：

• 报告 ROAS 或 CPA 时，始终说明归因模型、回溯窗口和转化操作。
• 末次点击简单但隐藏了漏斗上方的价值；数据驱动更好但需要数据量。
• 隐私变化增加了建模转化——通过增量测试或保留实验进行验证。