歸因問題：數位廣告效益評估的核心難題
想像一個消費者的購買旅程：她在 Instagram 上看到你的廣告並點擊，瀏覽了網站但沒有購買；三天後她在 Google 搜尋了你的品牌名稱，點擊廣告再次瀏覽；又過了兩天，她直接輸入網址回到你的網站，完成了購買。
這筆銷售應該歸功於哪個廣告通路？Instagram 廣告觸發了她的興趣，Google 廣告強化了她的認識，直接流量完成了最後轉換。這就是廣告歸因的核心問題——在多個廣告觸點都發揮了作用的情況下，如何公平、準確地分配功勞？
一、六大歸因模型詳解
最終點擊（Last Click）： 100% 的轉換功勞歸給轉換前最後一個廣告點擊。這是最傳統的歸因模型，也是目前許多平台的預設設定。優點是簡單直觀、易於操作；缺點是嚴重低估了漏斗上層（品牌認知、興趣激發）廣告通路的價值，導致廣告主過度投資在下漏斗通路（搜尋廣告、再行銷）而忽視上漏斗通路。
首次點擊（First Click）： 100% 的功勞歸給轉換旅程中的第一個廣告點擊。適合高度重視品牌認知建立、想了解「哪個通路帶來了全新用戶」的廣告主。但同樣是單一觸點歸因，忽視了其他觸點的貢獻。
線性（Linear）： 所有廣告觸點平均分配轉換功勞。例如一個轉換有 4 個觸點，每個觸點各分配 25% 的功勞。相對公平，但沒有考慮不同觸點的影響力差異。
時間衰退（Time Decay）： 時間越接近轉換的觸點獲得越多功勞。7 天半衰期的設定下，轉換前 1 天的觸點功勞是 7 天前觸點的兩倍。適合強調「接近購買時刻的廣告接觸更重要」的廣告主，例如電商促銷期的廣告評估。
位置型（Position-Based）： 預設將 40% 功勞各分給第一個和最後一個觸點，剩餘 20% 平均分給中間所有觸點。這個模型同時認可了「開啟意向的廣告」和「促成轉換的廣告」的重要性，在許多情況下是比最終點擊更合理的選擇。
數據驅動歸因（Data-Driven Attribution，DDA）： 使用機器學習分析帳戶歷史轉換數據，計算每個觸點對轉換的實際貢獻程度，為每個觸點分配相應的功勞。這是目前最科學的歸因模型，但需要足夠的轉換數據量（Google Ads 要求至少每月 300-400 次轉換才能啟用）。
二、如何在 GA4 中設定歸因模型
Google Analytics 4 提供了靈活的跨通路歸因設定，並允許你在同一個 GA4 帳戶中比較不同歸因模型的結果。
GA4 歸因設定位置： 管理 → 資源設定 → 歸因設定。在這裡可以選擇「報告歸因模型」（影響 GA4 轉換報告中的數據顯示方式）和「廣告歸因模型」（影響 Google Ads 中的歸因數據）。
GA4 歸因比較工具： 在「廣告 → 歸因 → 模型比較」中，可以並排比較不同歸因模型下各通路的轉換功勞分配，直觀看出不同模型的差異。
建議設定： 對大多數電商廣告主，建議將 GA4 的廣告歸因模型設為「數據驅動」（若轉換量足夠）或「位置型」（若轉換量不足以使用 DDA）。報告歸因模型可以設為「最終點擊」以維持與歷史數據的可比性，但在做廣告預算決策時應參考「數據驅動」或「位置型」的結果。
三、Multi-Touch Attribution（MTA）的進階應用
GA4 提供的是「點擊路徑」歸因，只追蹤最後點擊廣告的通路，無法追蹤廣告曝光（展示但未被點擊的廣告）的影響。真正的多觸點歸因（MTA）需要更進階的工具。
Northbeam、Triple Whale、Rockerbox 等第三方多觸點歸因工具能整合 Meta、Google、TikTok、LINE 等多個廣告平台的數據，建立更完整的消費者旅程視圖。這類工具通常使用統計模型（馬可夫鏈、夏普利值等）為每個觸點分配功勞，比 GA4 的歸因更精準地反映廣告的實際貢獻。
對於月廣告預算超過 NT$30 萬的台灣電商廣告主，導入第三方 MTA 工具的投資報酬通常是正的，因為更準確的歸因能帶來更優化的預算分配決策。
四、增量歸因（Incrementality Testing）：最客觀的廣告效益評估
再先進的歸因模型都有一個根本問題：它們只能告訴你「哪個觸點先接觸了轉換用戶」，無法告訴你「如果沒有這個廣告，這個用戶是否還是會購買」。增量測試（Incrementality Testing）是解決這個問題的方法。
增量測試的基本原理： 將受眾隨機分成測試組（看廣告）和對照組（看公益廣告或空白廣告），比較兩組的轉換率差異。差異即為廣告帶來的「增量轉換」，反映廣告的真實貢獻。
Meta 的增量測試（Brand Lift / Conversion Lift）： Meta 廣告平台提供 Conversion Lift 工具，能在不影響廣告活動的情況下進行增量測試。建議廣告預算較大的廣告主每季進行一次 Conversion Lift 測試，校正日常 ROAS 數據的準確性。
Google 的增量測試（Geo Experiment）： 透過地理區域實驗，比較廣告投放地區和未投放地區的轉換差異。適合評估品牌廣告或展示廣告的實際增量效益。
五、線上線下歸因整合
對於有實體門市的台灣品牌，「廣告帶動線上流量，消費者到實體門市購買」的情境非常普遍，純粹的數位廣告歸因無法捕捉這個部分。
整合策略：
Google 的「門市造訪轉換（Store Visits Conversions）」功能可以追蹤點擊 Google 廣告後到訪實體門市的用戶（需要足夠的匿名位置數據），在 Google Ads 報告中呈現廣告帶動的門市造訪次數和預估收益。
LINE 的門市整合功能讓消費者在門市出示 LINE 優惠券時，系統可以追蹤到廣告推播與實際購買的關聯。
定期進行問卷調查（例如在結帳時詢問「你是從哪裡聽說我們的？」）作為數位歸因數據的補充，了解不在數位追蹤範圍內的影響因素。
結語：沒有完美的歸因，只有更好的決策框架
廣告歸因的終極目標不是找到「完美正確的歸因模型」，而是建立一個幫助你做出更好廣告預算決策的框架。將數據驅動歸因模型、增量測試和業務 MER 指標結合使用，遠比單一依賴任何一個歸因模型都來得有效。在廣告環境日益複雜的今天，對歸因保持健康的懷疑主義——即理解數字的局限性並持續校驗——是優秀廣告主的必備素養。
