attribution

Attribution (歸因分析)

你將協助使用者解答行銷界最棘手的難題：究竟是哪項行銷努力，真正促成了這筆轉換與營收？ 歸因是行銷人最容易白白浪費預算的地方——有些管道在某個儀表板看起來表現亮眼，在另一個卻慘不忍睹；有些真正的流量來源藏在「直接流量（direct）」與「品牌關鍵字搜尋（branded search）」背後；還有許多模型表面上看似客觀，實則暗中夾帶了特定偏見。

這項 Skill 包含兩大核心柱石（Pillars）。在深入說明前，請務必先確認使用者需要的是哪一種：

• (A) 解讀與評估（Interpretation）——挑選歸因模型、選擇衡量方法，以及調和各工具報表間相互矛盾的數據。這適用於所有人，即使完全不懂工程技術也能使用。
• (B) 自建與主導（Own your attribution, 第一方）——在擁有網站/App 控制權的前提下，親自埋點與串接歸因數據。這是屬於開發實作面向。當使用者表示「我想自己追蹤」或碰到轉換發生在非自家網域時使用。

絕大多數需求都是從 (A) 開始。只有當使用者掌控網站介面且想要親自建構時，才選用 (B)。

產品背景資訊：請檢查是否存在 .agents/product-marketing.md，若有請務必閱讀——商業模式、銷售週期與主要轉換指標幾乎決定了這裡的所有建議方向。

Boundaries — what this skill does NOT own

邊界劃分——本 Skill 不包含的範疇

提前說明這些邊界，避免重複建構相鄰 Skill 的功能：

• 一般事件追蹤、追蹤計畫（Tracking plans）、UTM 設定、GA4/GTM → analytics。歸因分析建立在已有追蹤的前提下。兩者界線：Analytics 負責「哪些事件、如何觸發」；Attribution 負責「觸點如何連結到轉換，並延伸計算至最終營收」。
• 廣告平台 Pixel、CAPI、伺服器端轉換追蹤 → ads (references/conversion-tracking.md)。歸因分析採用平台回報的數據並校正其偏誤，但不包含設置 Pixel 本身。
• Pipeline 階段、名單生命週期（Lead lifecycle）、CRM 營收儀表板 → revops。歸因分析提供 Pipeline 數據輸入，但不定義銷售階段。
• 在 AI 搜尋中曝光 / 衡量 AI 搜尋效能 → ai-seo。歸因分析僅將 AI 流量視為歸因盲點之一進行標記。

---

Pillar A — Interpretation

柱石 A —— 解讀與評估

1. What attribution can and can't tell you

1. 歸因分析能告訴你什麼、不能告訴你什麼

在碰任何數據前，先建立正確的預期：

• 歸因分析是方向性的參考，而非絕對真理。 它只是根據不完整數據建立的因果關係模型（Cookie 會過期、Session 會斷裂、線下觸點會消失、使用者會在 A 裝置瀏覽卻在 B 裝置購買）。請將它視為有價值的提示，切勿當成最終判決。
• 每個模型都代表一種立場偏見。 「首觸歸因」把 100% 的功勞歸給第一個廣告；「終觸歸因」則全歸給最後一次點擊。這兩種模型方向相反，但同樣都不完美。選擇模型，就等於選擇去相信哪一種故事——請明確向使用者說明這一點。
• 歸因落差（Attribution gap）是常態。 各平台自行回報的轉換次數加總，幾乎永遠大於真實的總轉換數，因為每個平台都會搶著為同一筆交易邀功。你的任務是縮小並解釋這個落差，而不是強求數字完全吻合。它們本來就不可能對齊。

當使用者硬要索取一個「唯一真實的數字」時，請幫他重新定位觀念：「我們能為你提供一個合理且一致的數據，並看出哪些管道正處於成長趨勢。但絕對客觀的單一真理並不存在——原因如下，而這也是我們即使面對這種限制，依然能據以做出決策的方法。」

2. Attribution models

2. 歸因模型

六種標準模型以及各自容易產生誤導（說謊）的情境：

模型 (Model)	歸因規則 (Credit rule)	最適合情境 (Best for)	哪裡容易誤導 (How it lies)
首觸歸因 (First-touch)	100% 功勞歸給第一個已知觸點	漏鬥頂端 / 需求創造評估；短銷售週期	完全忽略促成最終成交的所有後續努力；過度推崇認知建立（Awareness）管道
終觸歸因 (Last-touch)	100% 功勞歸給轉換前最後一個觸點	直效回應行銷（Direct-response）、快速電商	過度推崇漏鬥底部＋品牌字搜尋／直接流量；忽視最初是誰創造了需求
排除直接流量之終觸歸因 (Last non-direct)	100% 功勞歸給最後一個非「直接流量」的觸點	便宜快速修正直接流量污染的方法	本質上仍是單點歸因；只是把盲點搬到別處而已
線性歸因 (Linear)	每個觸點平均分配功勞	長週期、多觸點且步驟環環相扣的旅程	把一次隨手點擊的造訪與一場 Demo 演示等量齊觀；有利於高頻率觸及的管道
時間衰減歸因 (Time-decay)	越靠近轉換時間點的觸點，功勞比重越高	較長銷售週期，且越近期互動越重要的情境	嚴重低估漏鬥頂端的功勞；本質上仍是假設而非精確測量
基於位置/U型歸因 (Position-based / U-shaped)	首觸 40%、終觸 40%，中間觸點均分 20%	具備明確「創造需求」與「成交」時刻的 B2B 情境	40/40/20 的比例完全是人為任意設定；中間的關鍵觸點常被低估
數據驅動歸因 (Data-driven / 演算法/Shapley)	根據模型計算出的邊際貢獻度分配功勞	資料量巨大、具備足夠轉換數的大型帳號	運作如黑盒子；高度依賴數據量；無法預測未被輸入系統的線下／暗黑社交觸點

經驗法則：

• 切勿在長銷售週期中單獨呈現單一模型。請將「首觸歸因」與「終觸歸因」並排對照——真相往往介於兩者之間，而兩者之間的差距本身就是極具價值的洞察。
• 數據驅動歸因（Data-driven attribution）需要龐大的數據量（Google Ads 過去規定門檻為 30 天內需有 ~3,000 次廣告互動與 ~300 次轉換；雖然目前已放寬限制並設為預設，但數據量過低時，它只不過是用科學包裝的雜訊）。當數據量較薄弱時，請改用基於位置（U型）歸因。
• 模型的選擇遠不如保持統計方法一致重要，且務必搭配模型之外的常識檢驗（見柱石 A §4，自報歸因）。

有關模型數學計算、同一旅程使用六種模型計算的實例，以及 Shapley 值的白話解釋，請參閱 references/attribution-models.md。

3. The three measurement paradigms

3. 三大衡量範式 (Paradigms)

歸因模型是在你已追蹤到的數據內部拆解功勞。而「衡量範式」則是你如何釐清因果關係的手法——越嚴謹的方法，成本與代價也越高：

範式 (Paradigm)	本質是什麼 (What it is)	解答的問題 (Answers)	必備條件 (Needs)	注意事項 (Watch out)
MTA (多點觸及歸因)	串接使用者層級的各個觸點，並套用歸因模型	「在達成轉換的用戶旅程中，出現了哪些觸點？」	乾淨且跨裝置的使用者層級追蹤	Cookie 政策限縮與隱私權保護已嚴重削弱使用者層級數據；常會在暗中低估表現
MMM (媒體/行銷混合模型)	自上而下（Top-down）分析一段時間內的花費與成果迴歸	「各管道的整體貢獻是多少（包含線下與品牌活動）？」	2–3 年的每週數據，以及預算花費的動態變化	屬於相關性分析；反應較慢；需要足夠的預算波動才能訓練模型
Incrementality (增量效果測試 / 地區對照、PSA、幽靈廣告、開啟/關閉對照)	受控實驗：暴露組 vs. 隱藏對照組	「這個管道是否帶來了即使不投放也無法取得的淨增量？」	具備控管/暫停投放的能力；足夠的數據量以達統計顯著	評估因果關係的金科玉律，但一次只能測試少數變因

如何選擇： 預算小／銷售週期短 → 設定好 UTM ＋ 排除直接流量之終觸歸因（Last-non-direct）＋ 自報歸因問卷，效果遠勝過花俏的模型。中等預算、多個管道 → 日常使用 MTA ＋ 對高預算項目定期進行增量效果測試。預算龐大、包含線下與品牌行銷 → 採用 MMM 評估整體投資組合 ＋ 透過增量效果測試來驗證 MMM 的迴歸係數。當兩個管道同時爭搶同一筆轉換的功勞時，增量效果測試就是最終的仲裁者。

依「預算 × 銷售週期 × 管道數量」整理的決策樹矩陣，以及如何解讀地區對照組（Geo-holdout）／PSA 測試（非統計學教學），請參閱 references/measurement-paradigms.md。

4. Self-reported attribution

4. 自報歸因 (Self-reported attribution)

這是最常被低估、卻往往在長週期與暗黑社交（Dark social）中最為真實的訊號。在轉換完成後詢問一句「你是怎麼知道我們的？」，能捕捉到追蹤程式碼在結構上完全看不到的盲點：Podcast、口耳相傳、Slack 社群、創辦人的 Twitter/X 貼文、「朋友推薦」等。

• 何時勝過程式追蹤： 考慮週期長、極度依賴口耳相傳、品牌/社群驅動，或是暗黑社交比例極高時（參見 §5）。若你的用戶旅程中有一大塊屬於「直接流量」，代表你的追蹤系統正留有一個自報歸因形狀的漏洞。
• 在轉換發生的當下詢問（註冊、首次購買、預約 Demo）——此時使用者記憶最清晰，避免記憶隨時間衰退。
• 問法設計： 開放式問題（「你當初是怎麼第一次知道我們的？」）能完整捕捉暗黑社交；選單式選項較容易量化，但會先入為主影響答案。最佳實踐：列出已知管道的單選/複選清單，並加上一個自由填寫的「其他／補充說明」文字框。
• 將其視為交叉比對（三角測量）的輸入，而非唯一真理——人的記憶是模糊的，使用者往往只記得最印象深刻的觸點，而非第一個觸點。它是模型之外的對照檢驗，能確保追蹤模型的解讀不偏離現實。
• 在建構層面，這是一個寫入 CRM／數據分析系統作為用戶屬性（Person property）的表單欄位——請參閱柱石 B 及 references/first-party-tracking.md。

5. Reconciling conflicting sources

5. 調和互相矛盾的數據來源

這幾乎是所有歸因工作的核心需求：「Google 顯示 50 筆，Meta 顯示 40 筆，GA 顯示 60 筆，但我的 CRM 只有 35 筆——到底誰才是對的？」 答案是：沒有人全對。以下是拆解架構。

為什麼各個數據源都會系統性地說謊：

數據來源 (Source)	容易偏向 (Biased toward)	原由 (Because)
廣告平台 (Google/Meta/LinkedIn)	嚴重高估自家平台的功勞	在自家的歸因視窗內同時計入瀏覽轉換（View-through）與點擊轉換；每個平台都對同一筆銷售邀功；有強烈動機讓報表好看
GA / Web Analytics	排除直接流量的最後一次點擊	會遺失跨裝置資料、遺失阻擋 Cookie 的用戶，並把所有無法識別的流量歸入直接流量
CRM	業務手動輸入的內容 / 表單抓到的欄位	人為輸入誤差、名單來源被複寫、線上完全無痕跡的線下交易
自報歸因問卷	最印象深刻的觸點	記憶偏誤（Recall bias）；容易低估雖然枯燥但確實發生的觸點（例如再行銷廣告）

如何進行交叉比對（三角測量）：

1. 指定單一數據源作為總轉換數的「唯一真實來源（Source of truth）」——通常是你的 CRM 或後端資料庫（真正入帳收錢的系統）。其他系統只能用來解釋這些轉換從何而來，沒有權限重新定義總共有多少筆轉換。
2. 切勿直接將各平台的數據相加。 如果 Google 和 Meta 同時宣稱擁有一筆轉換，代表這是一筆轉換有兩個宣稱者，而不是產生了兩筆轉換。請對照真實來源總數進行去重（De-dupe）。
3. 觀察方向性趨勢的一致性，而非追求絕對數值吻合。 如果本季每個數據源都顯示「付費搜尋在成長，自然搜尋在下滑」，那麼即使沒有任何兩個數字對得上一模一樣，這個趨勢依然非常可靠。
4. 當多個平台爭搶同一筆轉換時，使用自報歸因作為仲裁；當利害關係重大時，採用增量效果測試進行驗證。
5. 預期並編列數據落差的預算。 報告時可以這樣呈現：「各平台宣稱總合為 N 筆；我們能驗證的實際數值為 M 筆；兩者的差額來自重複計入＋瀏覽轉換＋未追蹤觸點——以下是我們最佳的比例分配推估。」

最終輸出的是一份帶有信心水準的坦誠分配報告，而不是硬湊出小數點後完美對齊的虛假吻合。

6. The blind spots

6. 歸因盲點

轉換隱藏的地方，會讓真實有效的管道看起來軟弱無力：

• 直接流量 (Direct) — 數據的垃圾桶。裡面有書籤與直接輸入 URL 的用戶沒錯，但更多的是被剝離的 Referrer header、App 到 Web 的轉址、暗黑社交，以及任何被追蹤程式漏掉的觸點。高比例的直接流量代表的是追蹤技術有問題，而不是一個獨立的流量管道。
• 品牌關鍵字搜尋 (Branded search) — 使用者已經在其他地方得知你的品牌，然後去 Google 搜尋你的名字。終觸歸因會把功勞全雙手奉給付費／自然的品牌關鍵字搜尋；但真正的驅動者是最初讓他們去搜尋該品牌的行銷活動。請務必將「品牌關鍵字」與「非品牌關鍵字」拆開分析，否則你會誤將預算從漏鬥頂端的源頭抽走。
• 暗黑社交 (Dark social) — 不帶 Referrer 的分享行為：私訊、Slack/Discord 社群、Podcast、電子報、螢幕截圖。在追蹤程式碼中結構性不可見；自報歸因是唯二能察覺它的方法（§4）。
• AI 流量 — 助理與 AI 搜尋對於決策的影響日益增加

<!-- truncated for translation batch; full body continues in source -->