attribution

Attribution（营销归因）

你将协助用户解答营销领域最棘手的问题：我做的这些动作里，究竟是哪一步真正带来了转化和收入？ 归因往往是市场人掏冤枉钱最多的地方——有的渠道在一个数据看板里表现抢眼，在另一个里却惨不忍睹；“直接流量 (direct)”和“品牌词搜索”掩盖了真正的流量来源；而各种归因模型更是在暗中把主观偏见当成客观事实来输出。

本 Skill 包含两大核心 Pillar（支柱）。深入之前，请先搞清用户到底需要哪一个：

• (A) 结果解读 (Interpretation) —— 选择归因模型、挑选衡量手段，以及调和各工具间互相矛盾的数据。这适用于所有人，即便完全不懂工程代码也适用。
• (B) 自建归因/第一方归因 (Own your attribution) —— 当用户拥有网站/App 的控制权时，手动埋点并打通归因链路。这是开发与构建路线。当用户表示“我想自己做归因追踪”或需要追踪非自家域名上的转化时，使用此分支。

大多数需求都从 (A) 开始。只有当他们控制前台界面且明确想自行搭建时，才使用 (B)。

产品上下文：检查是否存在 .agents/product-marketing.md 文件，若存在请读取——业务类型、销售周期和核心转化路径决定了这里绝大多数建议的走向。

边界明确 —— 本 Skill 不负责什么

请先明确这些边界，避免重复构建相邻 Skill 的功能：

• 基础事件追踪、追踪计划 (tracking plans)、UTM 配置、GA4/GTM → 请参阅 analytics。归因的前提是埋点已存在。划分标准：analytics 负责“触发哪些事件以及如何触发”；attribution 负责“触点如何关联到转化并最终延续到收入”。
• 广告平台 Pixel、CAPI、服务端转化追踪 → 请参阅 ads (references/conversion-tracking.md)。归因使用平台上报的数据并修正其偏见，但不负责配置 Pixel。
• Pipeline 阶段、线索生命周期、CRM 收入看板 → 请参阅 revops。归因向 Pipeline 输送数据，但不定义销售阶段。
• 在 AI 搜索中展示 / 衡量 AI 搜索流量 → 请参阅 ai-seo。归因仅把 AI 流量视为盲区之一。

---

Pillar A — 解读与分析 (Interpretation)

1. 归因能告诉你什么，不能告诉你什么

在动任何数据前，先管理好预期：

• 归因是方向性的参考，而非绝对真理。 它是基于不完整数据建构的因果模型（Cookie 会过期、会话会断掉、线下触点会丢失、用户在设备 A 上调研却在设备 B 上下单）。把它当成强有力的提示，切勿当成铁律判决。
• 每种模型都有主观偏见。 “首触 (First-touch)”把所有功劳给第一个广告；“尾触 (Last-touch)”把功劳全算给促成成交的那一次点击。两者都从相反方向走向极端。选择模型本质上就是选择去相信谁的故事——请明确把这点说出来。
• 归因数据存在差异非常正常。 各渠道上报的转化总和几乎必然大于实际转化量，因为每个平台都在争相抢占同一笔交易的功劳。你的任务是缩小并解释这种差距，而不是逼着所有数据必须绝对配平。它们不可能绝对配平。

当用户执念于要一个“绝对真实”的数字时，请重塑其认知：“我们可以为你提供一个站得住脚且前后一致的参考值，并帮你判断哪些渠道正在上行。绝对客观的唯一真理是不存在的——原因如下，以及我们依然如何据此做出决策。”

2. 归因模型 (Attribution models)

六种标准模型及其陷阱：

模型	归因规则	最适合场景	存在的弊端/陷阱
首触 (First-touch)	100% 归功于第一个已知触点	漏斗顶层/需求挖掘评估；短销售周期	忽略了后续所有促成成交的努力；过度抬高拉新/曝光渠道的功劳
尾触 (Last-touch)	100% 归功于转化前的最后一个触点	直接响应式广告、快决策电商	过度归功于漏斗底层、品牌词搜索和直接流量；完全忽视了是谁激发了需求
末次非直接点击 (Last non-direct)	100% 归功于最后一个触点，跳过“直接流量”	解决直接流量污染的低成本方案	本质仍是单触点归因；只是把数据盲区挪了个地方
线性归因 (Linear)	每个触点平分功劳	长周期、多触点且每一步都很关键的用户旅程	把一次无足轻重的顺手访问和一次 Demo 预约同等看待；虚高高频接触渠道
时间衰减 (Time-decay)	越临近转化的触点分到的功劳越多	衰减时效更关键的长销售周期	贬低了漏斗顶层的拉新价值；依然是基于假设而非精准实测
基于位置/U型 (Position-based / U-shaped)	40% 首触，40% 尾触，20% 中间触点	具备明确“建立意向”和“促成成交”节点的 B2B 业务	40/40/20 的比例完全是人为设立的；中间触点的价值容易被低估
数据驱动 (Data-driven / 算法/Shapley)	根据建模计算出的边际贡献率分配	拥有足够转化量的高流量账户	黑盒运作；极度依赖数据量；无法识别未喂给它的线下/暗社交触点

经验法则：

• 对于长销售周期，切勿孤立地报告单一模型。一定要将首触和尾触并排对比展示——真相往往隐藏在两者之间，两者之间的落差本身就是核心洞察。
• 数据驱动归因（DDA）需要庞大的数据量（Google Ads 过去限制在 30 天内至少 3,000 次广告互动和 300 次转化；虽然如今放宽了门槛并将其设为默认值，但在低流量下它依然只是披着科学外衣的噪音）。数据量薄弱时，请改用基于位置的 U 型模型。
• 模型本身的重要性远不如保持指标一致性以及配合模型外的理性检验（Pillar A §4 自报归因）。

关于模型计算公式、同一用户旅程在六种模型下的推演样例以及 Shapley 值的通俗解释，参见 references/attribution-models.md。

3. 三大衡量范式 (The three measurement paradigms)

模型是在你已有追踪数据的范围内拆分功劳。而范式则是你探寻因果关系的方法论——越往后越严谨，成本也越高：

范式	概念	回答的问题	所需条件	注意事项
MTA (多触点归因)	打通用户级触点并套用模型	“哪些触点出现在了成功转化的用户旅程中？”	干净的跨设备用户级追踪	Cookie 失效与隐私策略重创了用户级数据；极易暗中低估数据
MMM (媒体/营销组合模型)	宏观自上而下对支出与产出进行时序回归分析	“包含线下和品牌在内，各个渠道的综合贡献率是多少？”	2–3 年的每周数据，且营销支出要有起伏变化	偏向相关性而非因果；反应较慢；需要有实质性的预算波动才能学到规律
增量分析 (Incrementality) (地理位置对照、PSA 广告、暗网/鬼影广告、开关测试)	严格对照实验：曝光组 vs. 扣留/未曝光组	“如果不投这个渠道，我是不是就拿不到这部分净增转化？”	能够实行切断/扣留；足够的样本量以保证显著性	归因的金标准，但同一时间只能测试极少数变量

如何选择： 预算小 / 周期短 → 好的 UTM + 末次非直接点击 + 自报调查问卷 胜过任何炫酷的模型。中等预算、多个渠道 → 日常使用 MTA + 对大头支出定期做增量分析测试。预算庞大、有线下及品牌投入 → 用 MMM 做整体组合评估 + 用增量分析测试来验证 MMM 的回归系数。当两个渠道都在争夺同一笔转化时，增量测试就是唯一的裁决者。

决策矩阵（按预算 × 销售周期 × 渠道数分类）以及如何解读地理位置对照 / PSA 测试（非统计学教程），参见 references/measurement-paradigms.md。

4. 自报归因 (Self-reported attribution)

这是最常被低估的信号，也是针对长周期和暗社交最诚实的渠道。在转化后加一道“你是从哪里听说我们的？”简短调研，能捕捉到技术埋点在结构上根本无法追踪的盲区：播客、口口相传、Slack 社区、创始人发的一条推文、“朋友推荐”。

• 何时优于技术追踪： 考虑周期长、口碑传播比例高、品牌/社区驱动，或有大量暗社交（参见 §5）。如果你很大一部分流量/转化都是“直接流量 (direct)”，说明你的归因体系里缺了一个自报归因的板块。
• 在转化发生的当下询问（注册、首次下单、预约 Demo 阶段）——此时用户记忆最新鲜，唤起率最高。
• 提问话术： 开放式提问（“你最初是怎么听说我们的？”）能精准捕获暗社交；预设选项列表更易于定量统计但带有预设偏见。最佳实践：给出已知渠道的单选列表，再加上一个自由填写的“其他 / 详细说说”文本框。
• 将其作为交叉三角校验的输入，而非唯一凭据 —— 用户的记忆是模糊的，人们往往只记得住最印象深刻的触点，而非第一个触点。它是模型之外的校验棒，用来确保你的埋点模型不会自嗨。
• 在构建层面，这是一个表单字段，会作为用户属性写入你的 CRM / 分析系统 —— 参见 Pillar B 和 references/first-party-tracking.md。

5. 调和冲突的数据源 (Reconciling conflicting sources)

绝大多数归因分析工作的核心诉求：“Google 说有 50 个转化，Meta 说有 40 个，GA 说有 60 个，我的 CRM 里却只有 35 个 —— 到底听谁的？” 谁都不完全对。这里是解题框架。

为什么各个数据源都在系统性地“撒谎”：

数据源	偏向于	原因
广告平台 (Google/Meta/LinkedIn)	高估自家贡献	在其专属归因窗口内强行计入展示转化 (view-through) 和点击转化；所有平台都在抢同一笔成交；利益驱动下急于证明自己有效
GA / Web 分析工具	末次非直接点击	丢跨设备数据、丢拒绝 Cookie 的用户数据，把所有未知来源一股脑塞进 direct
CRM	销售填了什么 / 表单抓到了什么	人工录入误差、线索来源被覆盖、无数字轨迹的线下交易
自报调查问卷	最印象深刻的触点	回忆偏误 (Recall bias)；低估了重定向等平淡但真实的触点

如何进行三角交叉校验 (Triangulate)：

1. 指定唯一的转化总量真实数据源 (Source of Truth) —— 通常是你的 CRM 或后端数据库（真正收到钱的系统）。其他所有工具只负责解释这些转化是从哪里来的，没有权利重新定义究竟有多少个转化。
2. 切勿直接跨平台相加。 如果 Google 和 Meta 都宣称某一笔转化归功于自己，你得到的是“一个转化+两个索赔者”，而不是两个转化。必须对照真实数据源的总量进行去重。
3. 看趋势的一致性，而不是数值的绝对配平。 如果本季度所有数据源都显示付费搜索上升、自然流量下降，那么即使具体数字对不上，这个趋势也是完全可靠的。
4. 当平台争抢同一转化时，用自报归因做裁决；当涉案金额巨大时，用增量测试做裁决。
5. 预留并接受合理的落差。 报告时这样表述：“各平台宣称的总和为 N；我们能验证的真实转化是 M；中间的差额属于多重索赔 + 展示转化 + 未被追踪触点 —— 以下是我们最客观的功劳分配方案。”

最终产出的是带置信度的客观分配方案，而不是强行凑出来的伪精准报表。

6. 归因盲区 (The blind spots)

转化藏匿的地方，会让真实的有效渠道看起来毫无建树：

• 直接流量 (Direct) —— 归因的垃圾桶。除了书签和直接输入网址外，还包含了被剥离了 Referrer 的链接、App 调起 Web、暗社交以及任何因埋点丢失的触点。直接流量占比过高是归因追踪出了问题，而不是一个独立的渠道。
• 品牌词搜索 (Branded search) —— 那些已经在其他地方听说过你、然后在 Google 搜索你品牌名字的人。尾触归因会把所有功劳拱手让给付费/自然品牌词搜索；但真正的驱动因素是最初让他们产生搜索念头的那个渠道。必须对品牌词与非品牌词进行分拆，否则你会错误地把漏斗顶层的拉新预算砍掉。
• 暗社交 (Dark social) —— 不携带 Referrer 的分享方式：私信、Slack/Discord 社区、播客、邮件 Newsletter、截图等。技术追踪对其完全不可见；自报归因（§4）是唯一的破解方法。
• AI 流量 —— 各种 AI 助手和 AI 搜索正在日益深刻地影响着用户

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