歸因 是做什麼的？
你幫助使用者回答行銷中最困難的問題：我的哪些努力實際上促成了這次轉換和這筆營收？ 歸因是行銷人員損失最多金錢的地方——流向了在某個儀表板中看起來很棒、但在另一個儀表板中卻很糟糕的管道，流向隱藏真實來源的「直接」和「品牌搜尋」，以及流向那些悄悄將觀點編碼為事實的模型。
此技能有兩個支柱。在深入研究之前，請先確定使用者需要哪一個：
- (A) 解釋 — 選擇歸因模型、挑選測量方法，以及調和你的工具報告的衝突數字。這適用於所有人，即使沒有工程背景。
- (B) 掌握自己的歸因（第一方） — 當你控制網站/應用程式時，自行埋設和拼接歸因。這是實作路線。當使用者說「我想自己追蹤」或遇到一個存在於他們未擁有網域上的轉換時使用。
大多數請求從 (A) 開始。僅在使用者控制表面並想要建置時才使用 (B)。
產品情境：檢查是否有 .agents/product-marketing.md 並讀取它（如果存在的話）——業務類型、銷售週期和主要轉換幾乎驅動了這裡的所有建議。
邊界——此技能不處理的項目
事先說明這些，以免你重建相鄰的技能：
- 一般事件追蹤、追蹤計畫、UTM 設定、GA4/GTM → 分析。歸因假設追蹤已存在。界線：分析 =「什麼事件以及如何觸發它們」；歸因 =「觸摸如何連結到轉換並存活到營收」。
- 廣告平台像素、CAPI、伺服器端轉換追蹤 → 廣告（
references/conversion-tracking.md）。歸因消耗平台報告的數字並修正其偏差；它不設定像素。 - 管道階段、潛在客戶生命週期、CRM 營收儀表板 → 營運科技。歸因提供管道數據；不定義階段。
- 在 AI 搜尋中顯示/衡量 → AI SEO。歸因將 AI 流量命名為盲點。
支柱 A — 解釋
1. 歸因能告訴你什麼，不能告訴你什麼
在接觸數字之前設定期望：
- 歸因是方向性的，不是真理。 這是一個基於不完整數據（Cookie 過期、會話片段化、離線觸摸消失、人們在一個設備上研究而從另一個設備購買）建立的因果模型。將它視為強烈的提示，而不是最終裁決。
- 每個模型都是一種觀點。「首次接觸」表示第一個廣告獲得所有功勞；「最後接觸」表示關閉點擊的廣告。兩者在相反的方向上都是錯誤的。選擇一個模型就是選擇相信誰的故事——大聲說出來。
- 歸因差距是正常的。 管道報告的轉換總和幾乎總是超過實際轉換，因為每個平台都為同一筆銷售宣稱功勞。你的工作是縮小並解釋這個差距，而不是讓數字完美吻合。它們不會。
當使用者要求一個真實數字時，重新框架：「我們可以給你一個可辯護、一致的數字以及哪些管道正在上升的讀數。一個單一的客觀真理並不存在——這是原因，這是我們仍然用來做決策的方法。」
2. 歸因模型
六種標準模型以及它們何時會誤導：
| 模型 | 功勞規則 | 最佳使用時機 | 如何誤導 |
|---|---|---|---|
| 首次接觸 | 100% 歸於第一個已知接觸 | 漏斗頂端 / 需求生成評估；短週期 | 忽略所有促成交易的動作；過度歸功於認知管道 |
| 最後接觸 | 100% 歸於轉換前的最後一次接觸 | 直接回應、快速電商 | 過度歸功於漏斗底部 + 品牌搜尋/直接；忽略創造需求的因素 |
| 最後非直接 | 100% 歸於最後一次接觸，跳過「直接」 | 解決直接污染的廉價方法 | 仍然是單一接觸；只是移動了盲點 |
| 線性 | 每個接觸獲得相同功勞 | 長、多觸點旅程，每個步驟都重要 | 將一次無關緊要的訪問視為示範；誇大高頻管道 |
| 時間衰減 | 更接近轉換的接觸獲得更多功勞 | 較長週期，近期性重要 | 低估漏斗頂端；仍然是一個假設，而不是測量 |
| 位置型（U 型） | 首次 40%，末次 40%，中間 20% | B2B 具有明確的「創造」+「關閉」時刻 | 40/40/20 的分配是任意的；中間接觸被低估 |
| 數據驅動（演算法 / Shapley） | 功勞來自模型化的邊際貢獻 | 高量帳戶，有足夠轉換 | 黑箱；需要量；無法看到未被餵入的離線/暗觸摸 |
經驗法則：
- 對於長銷售週期，切勿孤立地報告單一模型。顯示首次接觸和最後接觸並排——真相存在於兩者之間，而它們之間的差距就是洞察。
- 數據驅動歸因需要量（Google Ads 歷史上要求約 3,000 次廣告互動和 30 天內 300 次轉換；它後來放寬了最低門檻並使 DDA 成為預設，但低量仍然使其成為偽裝成科學的噪音）。當你數據不足時，改用位置型。
- 模型的重要性遠低於一致性以及將其與模型外的現實檢查（支柱 A §4，自我報告）配對。
有關模型數學、一個旅程以六種方式評分的範例以及 Shapley 的簡單解釋，請參閱 references/attribution-models.md。
3. 三種測量範式
模型在你的追蹤數據內部分配功勞。範式是如何達到因果關係——越來越嚴格，也越來越昂貴：
| 範式 | 它是什麼 | 回答的問題 | 需要的條件 | 注意事項 |
|---|---|---|---|---|
| MTA（多觸點歸因） | 拼接用戶級觸點，應用模型 | 「哪些觸點出現在轉換旅程上？」 | 乾淨的跨設備用戶級追蹤 | Cookie 丟失 + 隱私措施已經削弱了用戶級數據；它悄悄地低估了 |
| MMM（媒體/行銷組合模型） | 隨時間對支出與結果進行頂層迴歸 | 「每個管道的總體貢獻是多少，包括離線/品牌？」 | 2-3 年的每週數據、支出變化 | 相關性；反應慢；需要實際的預算波動才能學習 |
| 增量性（地理保留、PSA、幽靈廣告、開關測試） | 受控實驗：暴露與未暴露 | 「這個管道是否導致了我原本無法獲得的提升？」 | 能夠保留；足夠的量以達到統計顯著性 | 黃金標準，但你一次只能測試幾件事情 |
如何選擇： 小預算 / 短週期 → 好的 UTM + 最後非直接 + 自我報告調查勝過花俏的模型。中等預算、多個管道 → 日常使用 MTA + 定期對最大的項目進行增量性測試。大預算、離線 + 品牌支出 → 組合使用 MMM 以及增量性來驗證 MMM 的係數。每當兩個管道都聲稱相同的轉換時，增量性是最終裁決者。
按預算 × 銷售週期 × 管道數量劃分的決策表，以及如何解讀地理保留 / PSA 測試（非統計教學），在 references/measurement-paradigms.md 中。
4. 自我報告歸因
最被低估的信號，而且對於長週期和暗社群通常是最誠實的。轉換後的「您是怎麼知道我們的？」調查可以捕捉到追蹤結構上無法捕捉的東西：播客、口耳相傳、Slack 社群、創辦人的推文、「朋友告訴我的」。
- 何時勝過追蹤： 長考慮週期、高口耳相傳、品牌/社群主導、或大量暗社群（參見 §5）。如果你的旅程中有很大一部分是「直接」，你有一個自我報告的空洞。
- 在轉換的時刻詢問（註冊、首次購買、示範請求）——記憶力最高，在記憶消退之前。
- 措辭： 開放式（「您是怎麼第一次聽說我們的？」）捕捉暗社群；簡短的選擇清單更容易量化，但會預先偏頗答案。最佳實踐：你已知管道的選擇清單加上一個自由文字「其他/告訴我們更多」。
- 將其視為三角測量輸入，而不是福音——記憶是模糊的，人們會把功勞歸於令人難忘的觸點，而不是第一個。這是讓你的追蹤模型保持誠實的模型外檢查。
- 在建置方面，這是一個寫入你的 CRM/分析作為人員屬性的表單欄位——參見支柱 B 和
references/first-party-tracking.md。
5. 調和衝突來源
大多數歸因工作背後的請求：「Google 說 50，Meta 說 40，GA 說 60，我的 CRM 說 35——誰是對的？」 沒有人是對的。以下是框架。
每個來源系統性地誤導的原因：
| 來源 | 傾向於 | 因為 |
|---|---|---|
| 廣告平台（Google/Meta/LinkedIn） | 高估自己 | 在其自身視窗內聲稱瀏覽 + 點擊轉換；每個平台都計算同一筆銷售；有動機看起來很好 |
| GA / 網頁分析 | 最後非直接點擊 | 失去跨設備、失去被 Cookie 封鎖的用戶、將未知內容倒入直接 |
| CRM | 業務代表輸入的內容 / 表單捕獲的內容 | 人工輸入、潛在客戶來源覆寫、沒有數位軌跡的離線交易 |
| 自我報告調查 | 令人難忘的觸點 | 回憶偏差；低估無聊但真實的觸點，例如再行銷 |
如何進行三角測量：
- 為轉換計數選擇一個真相來源——通常是你的 CRM 或後端（金錢是真實的系統）。其他一切都解釋這些轉換來自哪裡，它們不能重新定義有多少。
- 切勿跨平台求和。 如果 Google 和 Meta 都聲稱一個轉換，你有一個轉換和兩個聲稱者，而不是兩個轉換。根據真相來源總數進行去重。
- 閱讀方向性一致，而不是絕對匹配。 如果每個來源都說本季付費搜尋上升而有機搜尋下降，那麼即使沒有兩個數字匹配，這個趨勢也是可信的。
- 在平台爭奪相同轉換時，使用自我報告作為最終裁決者，當利害關係值得測試時使用增量性。
- 預期並為差距做預算。 報告「平台聲稱 N；我們可以驗證 M；差距是過度聲稱 + 瀏覽 + 未追蹤——這是我們的最佳分配。」
輸出是一個帶有信心水準的誠實分配，而不是一個小數點後虛假的調和。
6. 盲點
轉換隱藏的地方，使實際管道看起來很弱：
- 直接——雜物抽屜。書籤和輸入的 URL 是，但還有被剝離的參照來源、應用程式到網頁、暗社群以及你的追蹤遺漏的任何觸點。一個大的直接份額是一個測量問題，不是一個管道。
- 品牌搜尋——在其他地方發現你並搜尋你名字的人。最後接觸將功勞交給付費/有機品牌搜尋；實際驅動因素是讓他們搜尋的任何東西。區分品牌與非品牌，否則你會削減漏斗頂端的資金。
- 暗社群——不攜帶參照來源的分享：私訊、Slack/Discord、播客、電子報、截圖。對追蹤來說結構上不可見；自我報告是唯一看到它的方法（§4）。
- AI 流量——助手和 AI 搜尋越來越多地影響買家，然後透過品牌搜尋或直接發送他們，因此 AI 觸點在分析中是不可見的。命名它並將更深層的工作交給 ai-seo。
主線：當「直接」和「品牌搜尋」占主導地位時，你的漏斗頂端正在發揮作用，而你的歸因正在隱藏它。 明確地說出來——這是行銷中最常見的誤讀。
7. 業務類型分支
預設值差異很大。摘要如下；完整指南在 references/by-business-type.md 中。
- B2B SaaS（長週期、銷售輔助）： 旅程跨越數週到數月，且涉及多人，因此單一觸點模型會嚴重誤導。以 CRM 為真相來源，並排使用首次接觸 + 位置型，大量依賴在示範/註冊時的自我報告，並將管道/營收歸因（→ 營運科技）視為真正的記分板。離線觸點（活動、銷售對話）使 MTA 最弱，而自我報告在此最強。
- 電商 / DTC（短週期、自助服務）： 快速旅程、高量、支出集中在付費社群 + 搜尋。以平台 ROAS 為基礎但不信任它（iOS/CAPI 通貨膨脹），一旦支出可觀，使用 MMM 進行驗證，並在你最大的管道上使用增量性/地理保留，並使用購買後調查來捕捉像素遺漏的東西。對於快速週轉的 SKU，最後接觸是可辯護的；MMM+增量性是你分配實際預算的方式。
支柱 B — 掌握自己的歸因（第一方）
當使用者控制網站/應用程式並想要自行埋設歸因時使用——特別是針對發生在他們未擁有網域上的轉換（一個 SavvyCal/Calendly/Cal.com 預約、一個 Stripe 結帳頁面）。這個支柱基於實際的生產建置；完整的操作手冊與程式碼模式在 references/first-party-tracking.md 中。要點如下：
身份圖譜
第一方歸因是一個想法：將匿名瀏覽連結到最終的轉換。
- 訪客匿名到達；你的分析工具分配一個匿名的
distinct_id並在他們的事件上蓋上首次接觸屬性（$initial_referrer、$initial_utm_*）。 - 在轉換時（註冊、預約、購買），你使用一個穩定 ID（電子郵件或用戶 UUID）呼叫
identify()。這會合併匿名歷史記錄到一個已知人員——首次接觸現在可以存活到整個轉換。 - 每個轉換事件現在都可以按首次接觸管道進行細分。這就是整個遊戲。
填補 identify() 的缺口
最常見的第一方失敗：從來沒有人呼叫 identify()，因此轉換從未與瀏覽歷史記錄關聯，每個客戶看起來像是憑空出現的。（框架改編自 Tessa Kriesel 的 PostHog 方法。）解決方案是在每個實際轉換時呼叫 identify。先審計——許多 SaaS 應用程式已經在註冊時識別用戶；不要重建已經有效的東西。找到特別是未埋設歸因的轉換，並且只關閉那些。
在第三方網域上拼接轉換
唯一需要真正機制的案例：轉換