三個廣告管道都說功勞是自己的
你在 Google Ads 上花了 5 萬、Facebook 廣告花了 3 萬、LINE 廣告花了 2 萬。月底看報表的時候，Google Ads 說它帶來了 80 筆訂單，Facebook 說帶來了 60 筆，LINE 說帶來了 30 筆。
等等，你這個月明明總共只有 100 筆訂單，怎麼三個平台加起來變成 170 筆？
這不是平台在騙你。問題出在歸因。
一個消費者從看到你的品牌到最後下單，中間可能經過了很多接觸點。他先在 Facebook 看到你的廣告、過兩天在 Google 搜尋你的品牌名稱點了搜尋廣告、最後在 LINE 收到優惠訊息才下單。這筆訂單，三個平台都參與了，所以三個平台都把它算成自己的功勞。
歸因模型（Attribution Model）就是用來回答這個問題的：這筆訂單的功勞到底該歸給誰？
搞懂歸因模型，你才能正確評估每個廣告管道的效益，才能做出合理的預算分配決策。
什麼是歸因模型
歸因模型是一套規則，用來決定「當一筆轉換（購買、註冊、填表）發生時，功勞要怎麼分配給消費者在轉換之前接觸過的各個廣告管道和接觸點」。
舉個簡單的例子。小美想買一台空氣清淨機：
- 星期一：她在 Instagram 上看到一支空氣清淨機的影片廣告（Facebook/IG 廣告）
- 星期三：她 Google 搜尋「空氣清淨機推薦」，點了一個搜尋廣告（Google Ads）
- 星期五：她在 LINE 收到品牌的限時折扣訊息，點進去下單了（LINE）
這筆訂單歸給誰？答案取決於你用哪種歸因模型。不同的模型會給出不同的答案，而且沒有哪個是「絕對正確」的——每種模型都有它的邏輯和適用情境。
常見的歸因模型有哪些
最終點擊歸因（Last Click）
所有功勞歸給消費者下單之前最後點擊的那個管道。以小美的例子來說，功勞 100% 歸給 LINE。
這是最直覺、也是很多平台預設的模型。優點是簡單明瞭，你知道是哪個管道在最後推了一把。缺點是它完全忽略了前面那些「讓消費者認識你」和「讓消費者考慮你」的管道——如果沒有 Instagram 的廣告，小美根本不知道這個品牌；如果沒有 Google 搜尋廣告，她也不會深入了解產品。
首次互動歸因（First Click）
跟最終點擊相反，所有功勞歸給消費者第一次接觸到你的管道。小美的例子裡，功勞 100% 歸給 Instagram 廣告。
這個模型適合你想知道「新客戶是從哪裡來的」。如果你的行銷目標是擴大品牌知名度、觸及新受眾，首次互動歸因能讓你知道哪個管道最會帶來新客戶。
缺點也很明顯：它忽略了後續所有把消費者推向購買的努力。
線性歸因（Linear）
功勞平均分配給所有接觸點。小美的例子裡，Instagram、Google、LINE 各得 33.3% 的功勞。
線性歸因的邏輯是「每個接觸點都有貢獻，功勞應該平均分」。它比前兩種模型更公平，但也比較粗糙——現實中每個接觸點的影響力不太可能完全一樣。
時間遞減歸因（Time Decay）
越接近轉換發生時間的接觸點，分到的功勞越多。小美的例子裡，LINE（最接近下單）分到最多功勞，Google 次之，Instagram（最早接觸）分到最少。
這個模型的假設是「離購買越近的互動，對購買決策的影響越大」。對於購買週期比較短的產品（幾天內決定），這個假設通常是合理的。
以位置為準歸因（Position-Based / U 型）
第一個和最後一個接觸點各分到 40% 的功勞，中間的接觸點平分剩下的 20%。小美的例子裡，Instagram 和 LINE 各得 40%，Google 得 20%。
這個模型同時重視「誰把客戶帶進來」和「誰成交的」，中間的互動雖然也有功勞，但比重較低。
數據驅動歸因（Data-Driven）
這是 Google Ads 和 GA4 目前推薦的模型。它不用固定的規則，而是用機器學習分析你的實際轉換數據，計算每個接觸點的真實貢獻度。
數據驅動歸因的好處是它最接近真實情況。壞處是你需要有足夠的轉換數據量（Google Ads 要求過去 30 天至少 300 次轉換），而且它是一個黑盒子——你知道結果，但不太清楚計算邏輯。
不同情境該選哪種模型
沒有一個歸因模型是萬能的。選擇的關鍵在於你的行銷目標和商業模式。
如果你的目標是品牌曝光和觸及新客戶，首次互動歸因或以位置為準歸因比較適合。這些模型會給「帶來新客戶」的管道更多功勞，幫助你評估上漏斗的投資是否有效。
如果你的目標是直接轉換和銷售，最終點擊或時間遞減歸因可能更適合。你更在意的是哪個管道在關鍵時刻推了最後一把。
如果你的購買週期很長（比如 B2B 產品，從認知到成交可能要好幾個月），線性歸因或數據驅動歸因比較合理。因為每個接觸點都在漫長的決策過程中扮演了角色。
如果你有足夠的數據量，直接用數據驅動歸因。讓機器學習去分析你的實際數據，比用任何固定規則都準確。
一個實際的建議：不要只看一種歸因模型。在 GA4 裡面你可以切換不同的歸因模型來看數據，比較看看結論差異有多大。如果不管用哪種模型，某個管道的表現都很差，那它大概真的不行。如果某個管道在最終點擊裡表現普通，但在首次互動裡表現很好，代表它的價值在於帶來新客戶而不是成交。
GA4 的歸因模型設定
Google Analytics 4 目前預設使用數據驅動歸因。你可以在 GA4 的管理設定中調整歸因模型：
到「管理」→「歸因設定」，你可以選擇：
- 數據驅動（預設，推薦）
- 最終點擊（跨管道）
- 依廣告偏好的最終點擊（Google 付費管道優先）
另外，GA4 還有一個「回溯期」的設定。回溯期決定 GA4 在歸因轉換時，會往回看多長時間的互動。預設是取得使用者的回溯期為 30 天。如果你的產品購買週期比較長，可以把回溯期拉長到 90 天。
值得注意的是，GA4 在 2023 年取消了首次互動、線性、時間遞減、以位置為準這幾種歸因模型。Google 認為數據驅動歸因在大多數情況下都更準確，所以簡化了選項。如果你還想看這些模型的比較，需要用第三方工具。
各廣告平台的歸因差異
搞懂歸因模型之後，你還需要了解各個廣告平台自己報表裡的歸因方式——它們跟 GA4 的數據幾乎一定對不上。
Google Ads
Google Ads 預設使用數據驅動歸因，但它只看 Google Ads 自己的接觸點。也就是說，消費者在 Facebook 上看過廣告再來 Google 搜尋這段旅程，Google Ads 只看到後半段。Google Ads 報表裡的轉換數字通常會比 GA4 高，因為它的歸因範圍不同。
Meta（Facebook/Instagram）
Meta 廣告的預設歸因視窗是「點擊後 7 天 + 瀏覽後 1 天」。意思是使用者點了你的廣告之後 7 天內的轉換，或者看了（沒點）你的廣告之後 1 天內的轉換，都算 Meta 廣告的功勞。
那個「瀏覽後轉換」（View-Through Conversion）是很多人搞混的地方。使用者只是看到了廣告（可能就在動態牆上滑過去），之後自己去 Google 搜尋你的品牌下單——Meta 也會把這筆轉換算進去。這就是為什麼 Meta 的轉換數字經常偏高。
LINE 廣告
LINE Ads Platform 的預設歸因視窗是點擊後 30 天。
所以三個平台的數字加起來一定大於實際轉換數。 這不是 bug，是不同歸因規則的必然結果。
實務上該怎麼處理歸因問題
講了這麼多理論，回到最實際的問題：你到底該怎麼做預算分配的決策？
建立一個「真實版本」的數據來源
選一個你信任的數據來源作為基準。大多數情況下，GA4 是比較適合的選擇，因為它站在比較中立的角度看所有管道。各個廣告平台自己的數據可以參考，但不要直接加總。
接受一定程度的不確定性
歸因是一個本質上就不精確的問題。消費者的購買決策受到太多因素影響——朋友推薦、看到的部落格文章、路上看到的招牌——很多接觸點是任何工具都追蹤不到的。
與其追求一個「完美準確」的歸因數字，不如接受每個模型都是一種近似，然後用多種模型交叉比對來做決策。
定期做增量測試
歸因模型看的是相關性，不是因果關係。要知道某個管道是否真的有效，最可靠的方法是增量測試（Incrementality Test）：在某個地區或某段時間暫停某個管道的廣告，看看整體轉換有沒有下降。如果暫停之後轉換幾乎沒變，代表那個管道可能沒有它的報表顯示的那麼有效。
不要因為歸因問題就不投上漏斗廣告
這是最常見的陷阱。因為品牌曝光類的廣告在最終點擊歸因裡看起來沒什麼貢獻，很多人就把預算全部轉到搜尋廣告上。短期之內搜尋廣告的效果可能會維持，但長期來看，沒有上漏斗的廣告帶來新的潛在客戶，搜尋廣告能收割的量會越來越少。
歸因不完美，但比憑感覺好
歸因模型是一個不完美但必要的工具。沒有任何模型能百分之百準確地告訴你每筆訂單的功勞分配。但如果你完全不看歸因數據，你的預算分配就只能靠感覺。
把歸因模型當成一種參考框架，搭配不同的模型交叉驗證，再加上定期的增量測試，你就能對各個廣告管道的真實貢獻有一個相對準確的判斷。
最後回到最開頭的問題：三個平台加起來的轉換數字大於實際總數，怎麼辦？現在你知道答案了——這是正常的，因為同一筆訂單被多個平台重複歸因了。重點不是去爭誰對誰錯，而是用適合你業務的歸因模型，把每個管道的貢獻看清楚。