什麼是廣告歸因？同一筆訂單為何有不同功勞

歸因到底在分配什麼？

廣告歸因是在回答：「這次購買或註冊，報表要把功勞記給誰？」它把已發生的結果，依規則分配給購買前的接觸點。訂單是一件事，如何分功勞是另一件事。 換了歸因模型，來源的成效可能改變，實際訂單卻沒有增加。

投手常遇到這個情境：顧客先點了社群廣告，幾天後又點搜尋廣告才付款。社群說自己有帶來購買，搜尋也說有。此時先別把兩邊的營收相加，也別急著停掉其中一邊；先弄清楚各報表看到了哪段路徑、採用什麼規則。

這裡的「接觸點」指一次可被記錄的互動，例如廣告點擊；「轉換」指你選定的業務結果，例如付款成功；「歸因模型」則決定功勞如何分配。Google Analytics 把重要行為稱為關鍵事件，並以規則或資料模型分配功勞。

同一筆 100 美元訂單，三種分法

以下是教學假設，不是客戶成效：同一位顧客第 1 天點廣告 A，第 3 天點廣告 B，第 5 天完成一筆 USD 100 付款。假設兩次點擊都可被同一報表串接、都符合視窗，沒有其他接觸點，也沒有退款、稅或運費。

每列分配總額都是 USD 100；三列是替代的觀察方式，不能相加成 USD 300。Adobe 的歸因元件說明也把模型與回溯視窗分開：先決定哪些互動有資格，再依模型分配。

這個例子能提醒你：A 在最後點擊模型拿到零，不代表 A 沒有接觸顧客；B 拿到全部，也不代表沒有 B 就一定不會買。平均分配方便理解，但沒有證明兩次點擊真的各造成一半購買意願。

視窗決定資格，模型決定分法

視窗回答「多久以前的互動還算數？」；模型回答「有資格的互動怎麼分？」 兩個設定不能混為一談。

延續例子，所有互動都在同一時區的同一時間發生：A 到付款相隔 4 天，B 到付款相隔 2 天。若教學規則只接受付款前 3 天的點擊，A 不符合資格，B 符合；改為 7 天，兩者才都進入候選。實際平台的邊界、點擊與觀看資格要依自己的設定核對；3 天與 7 天是示意，並非建議值。

Google Ads 的轉換視窗說明指出，視窗限制廣告互動後多久的轉換能被記錄。短視窗可能排除較晚購買，長視窗則讓更多早期互動有資格；都不會憑空產生新的訂單。檢查報表時，也要確認今天的流量是否已等到合理的付款與回傳時間。

要決定實際該觀察幾天，可接著閱讀歸因視窗的選擇與完整資料檢查，先分清點擊、觀看與尚未成熟的結果。

現在的 Google 模型，不等於所有教科書模型

上面的首次點擊與平均分配是觀念範例。依本次核對的 Google Ads 文件，首次點擊、線性、時間衰減及位置模型已停止支援；現行選項包含最後點擊與資料驅動。不要照舊文章去找已不存在的開關。

資料驅動會利用該轉換動作的歷史資料分配功勞，並非固定各半，也不能從單一顧客的三個時間點手算出真正權重。在自動出價使用的轉換資料上改模型，也可能影響出價，因此先做模型比較、記錄設定變更，再觀察成熟結果。

還要核對「哪些渠道有資格拿功勞」。Google Analytics 的歸因報表列有資料驅動、付費與自然渠道最後點擊、Google 付費渠道最後點擊；最後點擊這個名稱不保證各工具涵蓋相同渠道。GA4 的這些模型通常不把直接造訪分到功勞，除非整條路徑都是直接造訪。具體模型與渠道範圍請以現行文件及帳戶設定為準。

報表不一致時，先做這五個檢查

• 對齊結果。 都看付款成功嗎？別拿註冊與購買比；同一筆訂單的估值、實付與退款後金額也不同，可參考轉換價值與營收。
• 對齊視窗與互動。 一份接受觀看後轉換、一份只接受點擊，數字本來就可能不同。把實際設定記下來，不只寫「7 天」。
• 對齊模型與渠道。 是否同樣採最後點擊？是否都包含自然搜尋？比較同一份可觀測路徑上的分配，才能知道差異來自規則還是資料缺口。
• 對齊期間與金額。 同樣的時區、點擊日或轉換日、幣別及退款範圍；等待回傳延遲，再用目標系統的一份去重訂單帳核對總額。
• 確認能否串接。 跨裝置、同意設定或遺失的來源資訊，都可能讓工具只看到部分路徑。找不到來源應標為未能歸因，不要補成零營收或猜一個來源。

GA4 還有使用者、工作階段與事件等不同流量來源維度範圍。例如首次使用者來源在看最初如何取得這位使用者，事件歸因在看某次關鍵事件的功勞；兩者名稱相近也不宜直接對帳。

比較不同來源的歸因成果前，先用一致的 UTM 來源命名標記獲客連結。

MeetROAS 可以協助投手把 Campaign 承接頁與已接入的後續事件連起來，分別看安裝、首次開啟與付款等目標在哪一段流失；付款仍須由目標系統回傳，並符合來源串接條件。這適合查「某來源帶來的流量後來做到哪一步」，不應把這些紀錄當成完整的跨平台多接觸點模型或增量證明；接入邊界見事件文件。

歸因結果怎麼用來調整投放？

先選一個穩定的主要報表口徑，搭配ROAS 的成本與營收檢查。用同一口徑比較素材、來源與成熟批次；不要今天用 A 平台的歸因營收，明天換 B 工具的另一套規則，再說成效變好了。

若 A 在首次接觸常出現、最後點擊卻很弱，可以提出「A 帶來認識產品的新客」的假設，進一步看新客比例、後續路徑及受控測試。若 B 常出現在付款前，則可查它是否承接既有需求。這些是值得驗證的問題，不是看到一列數字就該搬預算的結論。不要為了讓某渠道數字好看而更換模型。

「拿到功勞」和「帶來額外購買」差在哪？

歸因分配已觀測結果；增量測試問「沒有這批廣告，會少多少購買？」例如一個設計妥當的隨機分組測試，在同期間、同樣各 1,000 名合資格受眾下，廣告組有 60 筆付款，控制組有 50 筆，觀測差是 10 筆，而非把廣告組 60 筆全當增量。這只是算術示意；要評估分組平衡、干擾、延遲與不確定區間，不能把差 10 筆直接當成已證實的因果效果。

Google 的 Conversion Lift以廣告組和控制組衡量增量，且並非所有帳戶都能使用。日常投放可先把事件、成本與歸因口徑整理可靠；當問題變成「是否值得增加這個渠道的預算」，再選合適的增量實驗，別讓分功勞的報表替你回答它無法單獨證明的問題。