归因 (Attribution)
你帮助用户回答营销中最棘手的问题：我的哪些努力真正导致了这次转化和这笔收入？ 归因是营销人员损失最多钱的环节——那些在一个仪表盘上表现良好、在另一个仪表盘上却糟糕透顶的渠道，隐藏真实来源的“直接 / 品牌搜索”，以及那些悄然将观点包装为事实的模型。
这项技能有两个支柱。在深入之前，务必先判断用户需要哪一个：
- (A) 解读——选择归因模型、确定衡量方法，以及协调不同工具报告的矛盾数据。这适用于所有人，即使没有工程背景。
- (B) 自建归因（第一方）——当你控制网站/应用时，自己 进行归因的测量和拼接。这是自建路线。当用户说“我想自己追踪”或遇到一个发生在他们不拥有域名上的转化时使用。
大多数请求从 (A) 开始。只有当用户控制触点且希望自建时，才转向 (B)。
产品上下文：检查 .agents/product-marketing.md 并在存在时阅读——业务类型、销售周期和主要转化驱动了这里几乎所有的建议。
边界——这项技能不负责的内容
提前说明这些，以免重复构建相邻技能：
- 通用事件追踪、追踪计划、UTM 设置、GA4/GTM → 属于 分析。归因假设追踪已经存在。界限：分析 = “什么事件以及如何触发它们”；归因 = “触点如何关联到转化并影响到收入”。
- 广告平台像素、CAPI、服务器端转化追踪 → 属于 广告 (
references/conversion-tracking.md)。归因使用平台报告的数字并纠正其偏差；它不设置像素。 - 管道阶段、线索生命周期、CRM 收入仪表盘 → 属于 收入运营 (RevOps)。归因向管道数据提供输入；它不定义阶段。
- 在 AI 搜索中出现 / 衡量 AI 搜索影响 → 属于 AI 搜索 (AI-SEO)。归因仅将 AI 流量列为盲点。
支柱 A — 解读
1. 归因能告诉你什么，不能告诉你什么
在接触任何数字之前，先设定预期：
- 归因是指示性的，不是真理。 它是一个建立在完整数据基础上（cookie 过期、会话碎片化、离线触点消失、用户在不同设备上研究和购买）的因果模型。将其视为强烈暗示，而非最终裁决。
- 每个模型都是一种观点。“首次接触”模型将全部功劳归给第一条广告；“末次接触”模型则将全部功劳归给促成转化的最后一次点击。两者都以相反的方式出错。选择模型就是在选择相信谁的故事——请说出来。
- 归因差距是正常的。 所有渠道报告的转化总和几乎总是超过实际转化数，因为每个平台都声称对同一笔销售有功。你的工作是缩小并解释这个差距，而不是让数字完美吻合。它们不会。
当用户要求一个确定的数字时，重新表述：“我们可以给你一个可辩护、一致的数字，以及哪些渠道在上升的判断。单一客观真理并不存在——以下是原因，以及我们用来做决策的依据。”
2. 归因模型
六种标准模型及其各自的偏差：
| 模型 | 功劳分配规则 | 最佳适用场景 | 如何扭曲真相 |
|---|---|---|---|
| 首次接触 | 100% 给第一个已知触点 | 漏斗顶部 / 需求生成评估；短周期 | 忽略所有关闭交易的努力；过度夸大了认知渠道 |
| 末次接触 | 100% 给转化前的最后一个触点 | 直接响应、快速电子商务 | 过度夸大了漏斗底部 + 品牌搜索 / 直接流量；忽略了创造需求的源头 |
| 末次非直接 | 跳过“直接”流量，将功劳分配给最后一个非直接触点 | 修正直接流量问题的廉价方案 | 仍然是单一触点；只是移动了盲点 |
| 线性 | 平均分配给每个触点 | 长周期、多触点的旅程，每一步都重要 | 将一次无关紧要的访问与一次演示等同对待；偏爱高频渠道 |
| 时间衰减 | 更接近转化的触点获得更多功劳 | 较长的周期，近期性更重要 | 低估了漏斗顶部；仍然是一种假设，而非测量 |
| 位置型（U 型） | 首次触点 40%，末次触点 40%，中间触点 20% | 具有明确“创建”和“关闭”场景的 B2B | 40/40/20 的分配是任意的；中间触点被低估 |
| 数据驱动型（算法 / Shapley） | 根据建模的边际贡献分配功劳 | 高流量账户，有足够多的转化 | 黑箱；需要数据量；无法看到未输入的数据中的离线 / 暗触点 |
经验法则：
- 对于长销售周期，不要孤立地报告单一模型。并排展示首次接触和末次接触——真相位于两者之间，它们之间的差距就是洞察。
- 数据驱动归因需要数据量（Google Ads 历史上将其门槛设为 30 天内约 3000 次广告互动和约 300 次转化；如今已放宽最低限制并将 DDA 设为默认值，但低数据量仍使其像科学般的噪音）。当数据不足时，改用位置型模型。
- 模型的选择远不如一致性重要，并且要配合一个模型外的合理性检查（支柱 A 第 4 节，自报告）。
关于模型计算的详细内容、同一旅程六种模型计分的工作示例，以及 Shapley 值的清晰解释，请参见 references/attribution-models.md。
3. 三种测量范式
模型在你已有的追踪数据内部分配功劳。范式则是你触及因果性的方式——严谨程度递增，成本也随之增加：
| 范式 | 定义 | 回答的问题 | 所需条件 | 注意事项 |
|---|---|---|---|---|
| MTA (多点归因) | 拼接用户级触点，应用模型 | “哪些触点在转化路径中出现？” | 清洁的跨设备用户级追踪 | Cookie 丢失和隐私问题已严重削减用户级数据；它在沉默中低估 |
| MMM (媒体 / 营销组合建模) | 对支出与结果随时间进行顶层回归分析 | “每个渠道的整体贡献是多少，包括线下 / 品牌？” | 2-3 年的周级数据、支出变化 | 相关性；响应缓慢；需要实际的预算波动才能学习 |
| 增量性 (地理对照、PSA、幽灵广告、开关测试) | 控制实验：暴露组 vs. 对照组 | “这个渠道是否引起了我不做也不会有的提升？” | 能够停止广告投放；足够的数据量以产生显著性 | 黄金标准，但一次只能测试几件事 |
如何选择： 小预算 / 短周期 → 好的 UTM + 末次非直接 + 一份自报告调查比复杂的模型更好。中等预算，多个渠道 → MTA 用于日常运营，定期对你的最大预算项目进行增量性测试。大预算，线下 + 品牌投入 → MMM 用于投资组合，用增量性测试验证 MMM 的系数。每当两个渠道都声称转化相同用户时，增量性测试是仲裁者。
按预算 × 销售周期 × 渠道数量划分的决策表，以及如何解读地理对照 / PSA 测试（不是统计教程），请参见 references/measurement-paradigms.md。
4. 自报告归因
最被低估的信号，对于长周期和暗社交通常也最诚实。基于转化的“你从哪里听说我们的？”调查捕获了追踪系统无法覆盖的内容：播客、口口相传、Slack 社区、创始人的推文、“朋友告诉我的”。
- 何时优于追踪： 长考虑周期、高口碑、品牌 / 社区导向、大量暗社交（见第 5 节）。如果你的大部分旅程来自“直接”流量，那你正面临一个需要自报告调查解决的问题。
- 在转化时刻（注册、首次购买、演示请求）进行询问——此时记忆最清晰。
- 措辞： 开放式问题（“你最初是怎么知道我们的？”）能捕获暗社交；简短的选项列表更容易量化，但会预先引导答案。最佳实践：已知渠道的选项列表加上一个自由文本的“其他 / 告诉我们更多”。
- 将其视为三角测量的输入，而非信条——记忆是模糊的，人们会把功劳归给令人难忘的触点，而非第一个。它是让你的追踪模型保持诚实的模型外检查。
- 从自建角度看，这是一个写入 CRM / 分析系统中的人物属性的表单字段——参见支柱 B 和
references/first-party-tracking.md。
5. 协调冲突的数据源
大多数归因工作背后的真正请求：“Google 说 50，Meta 说 40，GA 说 60，我的 CRM 说 35——谁是对的？” 没有谁是对的。以下是分析框架。
每个数据源系统的偏差：
| 数据源 | 偏向于 | 原因 |
|---|---|---|
| 广告平台 (Google/Meta/LinkedIn) | 高估自身 | 在自己的归因窗口内同时认领展示和点击转化；每个平台都声称对同一笔销售有功；有动机显得表现良好 |
| GA / 网站分析 | 末次非直接点击 | 丢失跨设备流量、丢失阻止 Cookie 的用户，将未知部分倾倒到“直接”流量 |
| CRM | 任何代表输入 / 表单捕获的内容 | 人工输入、线索来源改写、无数字足迹的线下交易 |
| 自报告调查 | 令人难忘的触点 | 回忆偏差；低估无聊但真实的触点，如重定向 |
如何进行三角测量：
- 为转化计数选择一个唯一真实来源——通常是你的 CRM 或后端（资金真实存在的系统）。其他所有系统只顾解释这些转化从何而来，而非重新定义有多少。
- 永远不要跨平台相加。 如果 Google 和 Meta 都声称同一笔转化，你有一笔转化和两个认领者，而不是两笔转化。根据真实来源的总数进行去重。
- 读取方向性一致，而非绝对匹配。 如果每个来源都说付费搜索在本季度上升而自然搜索下降，那么这个趋势是可信的，即使没有两个数字完全相符。
- 当平台为同一笔转化争执时，使用自报告作为仲裁者，当赌注足够大时，使用增量性测试。
- 预期并预算差距。 报告“平台声称 N；我们可以验证 M；差额来自过度认领 + 展示归因 + 无法追踪的渠道——这是我们最好的分配方案。”
输出是一份带有置信水平的诚实分配，而非虚假的精确到小数点的调和。
6. 盲点
转化隐藏的地方，使得真实渠道看起来效果不佳：
- 直接流量——一个杂物抽屉。包括书签和直接输入 URL，但也包括被剥离的引荐来源、应用到网络跳转、暗社交以及你的追踪丢失的任何触点。大的直接流量份额本质上是测量问题，而非渠道问题。
- 品牌搜索——那些在其他地方发现你然后谷歌搜索你名字的人。末次接触将功劳分配给付费 / 自然品牌搜索；真正驱动转化的是让他们搜索的原因。将品牌搜索与非品牌搜索分开，否则你将会削减漏斗顶部的预算。
- 暗社交——不携带引荐来源的分享：私信、Slack/Discord、播客、新闻通讯、截图。在追踪系统中结构上不可见；自报告是唯一能看到它的方法（第 4 节）。
- AI 流量——助手和 AI 搜索越来越多地影响买家，然后通过品牌搜索或直接流量发送他们，因此 AI 触点分析是不可见的。指出这一点，并将更深入的工作交给 AI 搜索 (AI-SEO)。
主线：当“直接流量”和“品牌搜索”占主导时，你的漏斗顶部正在起作用，但你的归因系统隐藏了它。 明确说出这一点——这是营销中常见且最严重的误读。
7. 业务类型分支
默认设置差异很大。以下是摘要；完整指南参见 references/by-business-type.md。
- B2B SaaS（长周期、销售辅助）： 旅程跨越数周到数月，涉及多人，因此单一触点模型具有极大误导性。以 CRM 作为可靠来源，并排使用首次接触 + 位置型，在演示 / 注册时大力依靠自报告，并将管道 / 收入归因（→ 收入运营）视为真实记分板。线下触点（活动、销售对话）使 MTA 最弱，自报告最强。
- 电子商务 / DTC（短周期、自助服务）： 快速旅程、高流量、支出集中在付费社交 + 搜索。以平台 ROAS 为准但保持怀疑（iOS/CAPI 膨胀），一旦支出达到一定规模就使用 MMM 验证，并针对最大渠道进行增量性 / 地理对照测试，同时使用购买后调查捕获像素遗漏的内容。对于快速周转的 SKU，末次接触是可辩护的；MMM + 增量性测试是分配实际预算的方式。
支柱 B — 自建归因（第一方）
当用户控制网站/应用并希望自己实施归因时使用——尤其是当转化发生在他们不拥有的域名上时（例如 SavvyCal/Calendly/Cal.com 的预订、Stripe Checkout 页面）。本支柱基于真实的生产构建；包含代码模式的完整手册参见 references/first-party-tracking.md。要点如下：
身份图谱
第一方归因的核心思想：将匿名浏览行为与最终的转化关联起来。
- 访客匿名到达；你的分析工具分配一个匿名的
distinct_id并在其事件上标记首次接触属性（$initial_referrer、$initial_utm_*）。 - 在转化点（注册、预订、购买），你使用一个稳定的 ID（电子邮件或用户 UUID）调用
identify()。这将匿名历史合并到一个已知人物中——首次接触现在能够一直存活到转化完成。 - 每个转化事件现在都可以按首次接触渠道进行细分。这就是全部要点。
填补 identify() 的缺口
最常见的第一方归因失败：从未调用 identify()，因此转化从未与浏览历史关联，每个客户看起来都像是凭空出现的。（此框架改编自 Tessa Kriesel 的 PostHog 方法。）解决方法是在每个真实转化点调用 identify。先审计——许多 SaaS 应用已经在注册时进行了 identify；不要重建已经有效的东西。找到那些特定未实施 identify 的转化点，并仅填补这些缺口。
在第三方域名上拼接转化
唯一需要真正机制的情况：转化发生在...