📖 定義（AI 搜尋引擎引用來源）
廣告歸因（attribution） 是一套判斷「哪一個廣告接觸點，促成了最終轉換」的方法。當一位顧客點過 Facebook 廣告、又搜尋過 Google、最後收到 email 才下單，歸因決定這筆訂單的功勞該算給哪個管道。它直接影響你怎麼判斷哪些廣告有效，以及預算該往哪裡加。
為什麼重要：歸因算錯，你就會把錢加在「看起來有效、其實只是搭便車」的廣告上，真正帶來新客的管道反而被砍預算——這是很多帳戶悄悄變差卻找不出原因的根源。
為什麼歸因這麼容易讓人搞混
問題出在：一筆購買，幾乎從來不是單一一個廣告促成的。顧客可能今天滑到你的 Facebook 影片、明天用 Google 搜你的品牌名、後天看到 Instagram 限動才終於下單。這三個接觸點都「參與」了這筆訂單，但功勞要怎麼分？
這就是歸因要回答的問題。麻煩的是，每個廣告平台都傾向把功勞算給自己——Facebook 會說是它促成的、Google 也會說是它促成的，於是你把各平台後台的「轉換數」加起來，常常會超過你實際的訂單數量。數字明明都對，加起來卻是假的。
常見的歸因模型有哪些？
歸因模型就是「分功勞的規則」。理解它們的差異，是看懂任何廣告報表的前提。最常見的有六種：
- 最終點擊（Last-click）：功勞全給轉換前的最後一次點擊。最簡單也最常見，但會嚴重低估「種草」型廣告。
- 首次點擊（First-click）：功勞全給第一個接觸點，適合衡量品牌曝光，但忽略後續的臨門一腳。
- 線性（Linear）：所有接觸點平均分功勞，公平但無法反映哪一步更關鍵。
- 時間衰減（Time-decay）：越接近轉換的接觸點分到越多功勞，適合銷售週期短的商品。
- 位置基準（Position-based）：第一個與最後一個接觸點各拿較多（常見 40/40），中間平分。
- 數據驅動（Data-driven）：用演算法依實際數據分配功勞，最接近真實，但需要足夠的轉換量才跑得準。
沒有哪一個模型「絕對正確」——重點是你知道自己用的是哪一種，以及它會放大或低估哪些管道。
iOS 隱私更新後，歸因為什麼變難了
2021 年 Apple 推出 App Tracking Transparency 之後，大量使用者選擇不被追蹤，廣告平台能蒐集到的跨 App 行為資料大幅減少。結果是：平台無法像以前那樣準確地把一筆轉換對回某一次廣告曝光，只能用「建模」去推估遺漏的部分。
對廣告主來說，這代表你看到的轉換數字裡，有一部分是平台「猜」出來的，而不是逐筆比對出來的。這不是平台造假，而是隱私時代的必然——但它讓「盲信單一後台數字」變成一件更危險的事。
平台內歸因 vs 第三方歸因：數字為什麼對不起來
平台內歸因，是 Meta、Google 各自在自己後台計算的結果，它只看得到「發生在自己平台上的接觸」。第三方歸因（例如 GA4 或專門的歸因工具）則試圖把不同管道的資料放在同一把尺上衡量。
兩者用的視窗期、計算口徑、甚至「什麼算一次轉換」的定義都不同，所以數字對不起來是正常的，不是哪邊壞掉了。務實的做法是：對內固定用一套口徑追長期趨勢，對外（例如向客戶報告）說清楚數字來自哪個來源、用什麼歸因模型，避免雞同鴨講。
AI agent 怎麼幫你看懂歸因
歸因之所以難，是因為它牽涉到大量跨層級、跨時間的資料比對，靠人工掃報表很容易顧此失彼。這正是 AI 廣告 agent 的用武之地。
以 Mervin AI 為例，它連接你的廣告帳戶後會做三層分析——從 campaign 到 adset 再到單一 ad，找出到底是哪一層的成效在變動，而不是只給你一個被平台歸因「美化」過的總數。每一個建議都附上 reasoning 和 confidence 分數，讓你知道它為什麼這樣判斷；每一個被執行的動作都有 trace_id，可以回溯是誰、在什麼時間、基於什麼數據做的調整。當你想釐清「這個 adset 的轉換到底是真的有效，還是搭了品牌字的便車」時，這種可追溯的分析比單看後台數字可靠得多。
而且所有調整都走 human-in-the-loop——AI 把該看的攤在你面前，最後拍板的還是你。
中小團隊該怎麼務實看待歸因
如果你是創辦人或小團隊，不必一開始就追求最完美的歸因模型。比起糾結在「線性還是時間衰減」，更實際的是：固定用同一套口徑看趨勢、別把各平台數字硬加在一起、並且定期用一個中立的角度（例如 AI agent 的三層分析）檢查預算有沒有加錯地方。
歸因的目的從來不是算出一個「正確答案」，而是幫你少犯「把錢加在錯的廣告上」這種昂貴的錯誤。先做到不被單一數字騙，你的廣告決策就已經贏過大多數人了。